基于粒子群算法优化 BP 神经网络的色彩空间转换

目的研究基于粒子群算法优化BP神经网络对显示器色彩空间转换的预测准确性的方法。方法主要通过数据归一化处理、改进最大限制速度、惯性常数和适应度函数来优化BP神经网络的权值和阈值,以缩小其分布范围,再用BP神经网络法进行色差预测。结果改进粒子群算法优化BP神经网络预测模型,测试20次得到色块平均色差为2.8526,最小平均色差为2.0453。结论该方法大大降低了BP神经网络预测模型陷入局部极小值的可能性,对显示器色彩空间转换具有较好的非线性拟合能力和更高的预测准确性。     

基于SCADA数据和改进BP神经网络的塔筒应力预测

针对风电机组载荷监测中应变片寿命短的缺陷,基于风电场海量状态监测数据,利用遗传算法和粒子群算法对BP神经网络进行改进,建立塔筒应力预测模型,并通过综合相关系数实现输入参量的有效选择。仿真结果表明,改进后的GA-BP神经网络预测模型和PSO-BP神经网络模型,预测结果的最大、最小相对误差等指标均比BP神经网络预测模型好;GA-BP神经网络预测模型的塔筒应力预测平均误差为7.04%,相对BP神经网络预测结果误差减少了4.38%,预测精度满足工程需求。所提出的方法建立风电场海量监测数据和塔筒应力数据之间的有效关系模型,可为风电场长期有效的载荷监测提供新的手段。     

基于改进PSO-KELM的高炉回旋区温度预测研究

高炉平稳运行时,喷煤量常根据回旋区温度的波动随时进行调整。相较于人工推断回旋区温度,建立回旋区温度预测模型更能及时准确地对喷煤量进行优化。针对常规PSO-KELM算法对回旋区温度预测命中率较低的问题,提出改进的PSO-KELM算法对其进行建模预测。首先,采用混沌机制调整惯性权重,并线性改变学习因子,以平衡粒子群的全局与局部搜索能力。其次,针对粒子群算法易陷入局部最优的缺点,引入遗传算法思想,将种群粒子交叉、变异,以提高种群多样性。最后,基于所提方法用某高炉运行数据建立回旋区温度预测模型,并与用常规PSOKELM算法、BP神经网络、极限学习机建立的模型作对比。仿真结果表明,用所提算法建立的模型预测回旋区温度具有最高命中率和最低均方误差。     

基于小波包与质心粒子群的齿轮箱故障诊断及应用

针对齿轮箱振动信号中蕴含大量状态信息难以有效提取的问题,利用小波包分解对原始振动信号进行降噪及特征能量提取,通过BP神经网络实现故障的模式识别。针对神经网络收敛速度慢、易陷入局部最优值问题,提出利用简单、易行的质心粒子群算法对BP神经网络的权值和偏置进行优化。在粒子群算法中,通过设计种群质心和最优个体质心、根据粒子位置动态改变惯性权重,并将其引入粒子群算法的速度调整公式中:来构建质心粒子群算法。分别将该方法与基本粒子群算法、遗传算法应用在齿轮箱故障诊断中,通过比较表明该方法可以有效提高分类效率和准确率。     

一种改进的雁群扩展粒子群算法研究

针对粒子群算法易陷入局部最优的问题,结合雁群启示粒子群算法和扩展粒子群算法提出了基于雁群启示的扩展粒子群(GeEPSO)算法。该算法在利用雁群飞行方向的多样性同时融合了所有粒子的个体极值信息,提高了种群多样性。为进一步提高改进算法的收敛速度,引入简化粒子群提出了 GeESPSO算法。基准函数的仿真表明:改进算法GeESPSO较好地平衡了收敛速度和局部最优两个矛盾,总体较优。为进一步验证算法在实际应用中的有效性,又分别用两种改进算法优化BP神经网络,并用相关气象数据对PM2.5的值进行预测。     

基于改进萤火虫算法优化BP神经网络的水电站厂房振动预测

利用萤火虫算法优化BP神经网络权值和阈值基础上,建立水电站厂房振动响应预测模型。针对萤火虫算法存在的收敛速度慢、易陷入局部最优等问题,引入动态随机局部搜索机制加快收敛速度,对当前最优解进行变异操作避免陷入局部最优,提出动态步长更新措施提高计算精度,改进最优解振荡问题。仿真实例表明,基于改进萤火虫算法优化的BP网络模型预测精度和收敛速度等性能得到明显改善,可用于水电站厂房结构振动响应预测。     

基于粒子群优化算法和BP神经网络的变频压缩机功率预测

本文针对变频压缩机的功率测量困难,测量误差大等问题,提出了一种仿真测量模型。利用粒子群算法寻找全局最优粒子,用它初始化BP神经网络的阈值和权值,测量变频压缩机的功率。本文共建立了3种仿真模进行对比,分别为BP神经网络模型、GA-BP神经网络模型和PSO-BP神经网络模型,然后分别通过3种模型的内插、蒸发温度外推和冷凝温度外推的测试方法对变频压缩机进行功率测量,对比分析其预测结果的平均相对误差和拟合程度。结果表明:基于粒子群算法优化的BP神经网络模型明显优于其他两个模型,特别是在冷凝温度外推测试中,较其他两个神经网络相对误差降低了1. 11%、2. 64%,3种测试方法下的平均相对误差均小于1%,拟合程度在0. 9以上,表明基于粒子群算法优化的BP神经网络模型对变频压缩机功率有较好的测量能力,而且有较强的泛化能力。     

基于改进PSO和DE优化神经网络的电能质量扰动分类

针对电能质量问题提出了基于改进粒子群优化算法(PSO)和差分进化算法(DE)相结合优化神经网络的分类方法。首先用Matlab仿真几种典型的电能质量扰动信号,再利用小波变换进行多尺度的分解,得到各尺度的能量信息作为特征向量输入BP神经网络分类器中对扰动信号进行快速、准确的分类识别。并针对传统BP算法收敛耗时长速度慢,不能保证获得全局最优等缺点,在种群分类基础上提出了一种混合粒子群与差分进化算法的新型PSO-DE算法,并利用其对神经网络进行改进。这种混合PSO-DE算法在很大程度上能弥补BP神经网络的不足,采用该算法对网络进行优化后完成电能质量扰动信号的自动分类。     

基于蚁群算法优化BP神经网络的港口吞吐量预测

利用蚁群算法优化反向传播神经网络的初始权值、阈值,建立预测模型,对港口货物吞吐量进行预测。蚁群算法具有全局搜索能力,分布式计算和鲁棒性强等特点,有利于加快反向传播神经网络的收敛速度,避免易陷入局部极值的问题,提高建模精度。在港口吞吐量预测中的应用表明:蚁群算法优化BP神经网络模型、模糊神经网络预测模型、RBF预测模型及BP预测模型的平均绝对百分比误差分别为2.826%、3.734%、4.990%和6.566%;同时,蚁群算法优化BP神经网络模型收敛速度最快。与传统BP神经网络、RBF网络及模糊神经网络相比,蚁群算法优化BP神经网络模型、模糊神经网络预测模型、RBF预测模型及BP预测模型的平均绝对百分比误差分别为2.826%、3.734%、4.990%和6.566%。     

QAPSO-BP算法及其在水电机组振动故障诊断中的应用

针对水电机组振动故障耦合因素多、故障模式复杂等问题,提出了一种基于量子自适应粒子群优化BP神经网络(QAPSO-BP)的故障诊断模型。在QAPSO-BP算法中,利用量子计算中的叠加态特性和概率表达特性,增加了种群的多样性;根据各粒子的位置与速度信息,实现惯性因子的自适应调节;为避免陷入局部最优,在算法中加入变异操作;并以此来训练BP神经网络,实现网络的参数优化,进而构建了机组的振动故障诊断模型。仿真实例表明,与粒子群优化BP网络(PSO-BP)法和BP网络法相比,该算法具有较高的诊断准确度,适用于水电机组振动故障的模式识别。