基于混合粒子群算法优化BP神经网络的机床热误差建模

为了降低机床热误差对主轴加工精度的影响,采用了混合粒子群算法优化BP神经网络结构,并对优化结果进行实验验证.引用了粒子群算法耦合遗传算法,给出BP神经网络结构简图,通过混合粒子群算法优化BP神经网络结构.构造机床热误差优化目标函数,采用混合粒子群算法优化目标函数,给出了混合粒子群算法优化BP神经网络流程图.建立BP神经网络热误差预测模型和BP神经网络热误差优化模型,采用三轴立式铣床对两种预测结果进行实验验证.实验结果表明:采用BP神经网络热误差预测模型,机床y轴、z轴预测结果与实验结果偏差最大值分别为6.9μm和6.7μm;采用BP神经网络热误差优化模型,机床y轴、z轴预测结果与实验结果偏差最大值分别为3.3μm和3.5μm.采用混合粒子群算法优化BP神经网络结构,能够提高机床热误差预测精度.     

基于改进粒子群算法的结构测点优化方法研究

针对工字梁结构受力过程中测点数目过多及优化较困难的问题，提出一种基于模拟退火思想及遗传算法的改进粒子群算法，综合考虑受力状态识别误差与测点优化，进行了测点的筛选。首先将遗传算法的初始化、选择、交叉、变异融入粒子群算法中；其次在变异部分引入模拟退火的思想。改进后的粒子群算法改善了标准粒子群算法的“早熟”、局部寻优能力较差等问题。通过测试函数对比改进粒子群算法与标准粒子群算法的性能，改进的粒子群算法稳定性更好，抗“早熟”能力较强，精度明显提高。通过工字型梁选点及受力状态识别仿真与试验表明，改进粒子群算法在受力状态识别的测点选择过程中具有较高的效率，选择测点的受力状态识别误差均小于3%，在工程应用范围内，为受力状态识别提供了一种较好的方法。     

基于粒子群优化的声级计A计权设计

针对双线性变换法设计声级计A计权出现的误差,提出一种基于粒子群优化(PSO)算法的声级计A计权设计方法,使用粒子群优化算法对A计权的IIR滤波器系数进行搜索优化,利用群体合作与竞争产生的群体智能,实现A计权的优化设计。首先对A计权的IIR滤波器的幅频响应误差曲线进行分析;然后根据分析结果设计声级计A计权的粒子群优化对象和粒子适应度;最后利用粒子群优化算法对声级计A计权进行优化设计。仿真和声级计应用结果表明,提出的设计方法误差减小,满足A计权1级声级计误差标准,适用于声级计的频率计权分析。     

基于改进型粒子群优化算法的双辊薄带振动铸轧压下控制系统优化

振动铸轧辊的周期性振动是诱发Kiss点波动的主要因素，亦可导致轧制力波动，最终造成铸轧薄带纵向厚度不均，为此，对粒子群优化算法进行改进，提出了在粒子群收缩因子算法基础上添加扰动因子的优化算法，并依托四种不同类型的测试函数对该算法进行了仿真分析。结合AMESim、MATLAB联合仿真平台进行仿真验证，并将该算法应用于双辊薄带振动铸轧机液压压下控制系统上进行实验验证，结果表明，在粒子群收缩因子算法基础上添加扰动因子的优化算法在收敛速度及求解精度上明显优于基本粒子群优化算法、粒子群收缩因子算法、带极值扰动的粒子群优化算法，使得实际辊缝宽度误差降低至0.1mm。该算法适用于双辊薄带振动铸轧的中试生产，增强了振动铸轧工艺的稳定性。     

基于CAD模型引导测量的自由曲面定位及轮廓度误差评定

提出将粒子群优化算法与拟随机序列法相结合对基于CAD模型引导测量的自由曲面进行高精度检测和轮廓度误差评定的方法。为解决用三坐标测量仪检测自由曲面时存在的设计坐标系与测量坐标系不重合问题,提出用拟粒子群优化算法来实现被测曲面与设计曲面精确定位;针对自由曲面特点,采用轮廓峰谷误差和轮廓均方根误差综合评定自由曲面的形状误差。最后,阐述了用拟粒子群优化算法实现曲面匹配时目标函数值的计算方法,确立了用拟粒子群优化算法优化求解参数向量的具体步骤。对仿真实例和大量实测零件自由曲面轮廓度误差的计算表明:采用本文方法能够实现自由曲面精确定位,其轮廓度误差评定精度比由三坐标测量仪内置软件计算的结果高8%～15%,适用于对高精度自由曲面零件形状误差的评定。     

改进混沌粒子群优化的灰色系统模型在机床热误差建模中的应用

为减少热误差对数控机床加工精度的影响,提高灰色系统模型(Grey system Model,GM)的预测精度,尝试将改进混沌粒子群优化(Improvemen Chaotic Particle Swarm Optimization,ICPSO)算法引入到灰色系统模型中,提出一种基于改进混沌粒子群优化算法的灰色系统模型数控机床热误差建模方法。首先,建立粒子群优化(Particle Swarm Optimization,PSO)粒子与GM(1,N)系数的映射关系;其次,ICPSO中混沌理论的Logistic映射对粒子群的位置和速度进行初始化,通过优化搜索得到最优GM(1,N)系数和输入子集;最后,建立改进混沌粒子群优化的灰色系统模型(ICPSO-GM),对数控机床热误差进行预测。仿真实验表明,ICPSO-GM预测精度高于GM和人工神经网络(ANN)模型,证明了ICPSO-GM能有效地解决数控机床热误差预测问题。     

考虑非线性误差的五轴工件安装位置优化

针对五轴加工非线性误差的问题,根据机床的运动学关系建立非线性误差模型,并采用粒子群算法优化五轴工件的安装位置,以在工件初始安装时限制非线性误差的大小。仿真实验表明,根据粒子群算法优化出的工件安装位置可以有效地控制非线性误差的大小,避免出现局部非线性误差过大的情况,同时可以有效控制整体非线性误差,提高工件的加工质量。     

基于阻尼粒子群优化的地磁场测量误差补偿

针对三轴磁力仪在磁场测量过程中的磁干扰问题,提出了基于阻尼粒子群优化算法的磁测误差补偿方法。建立了磁力仪误差和载体磁干扰的一体化误差补偿模型,分别采用阻尼粒子群算法和Two-step方法对非线性观测模型进行参数估计。以质子磁力仪数据作为真值,借助无磁转台充分连续采样,实验结果显示,阻尼粒子群算法对于磁场测量误差具有良好的抑制作用。补偿后,由阻尼粒子群算法和Two-step方法得到的均方根误差分别由1 025.7降至60.304 4、581 n T。结果表明,阻尼粒子群算法取得了更好的补偿效果,补偿精度提高了至少一个数量级,为磁场测量误差提供了一种非常有效的补偿方法。     

基于LabVIEW的圆度误差多粒子群优化算法研究

在LabVIEW环境下实现了多粒子群优化算法评定圆度误差。在该算法中,每个粒子群彼此独立地搜索各自的最优解空间;最后从多粒子群的解族中求取最优解。该方法克服了标准粒子群求解时容易产生的“早熟”现象。并与最小二乘算法进行了比较,结果表明该算法优于最小二乘法。     

基于布谷鸟算法的上料机械手轨迹优化

降低机械手轨迹误差对生产有重要的意义。通过相关参数和几何关系建立误差最小的目标函数,结合惩罚函数构造出适应度函数,利用布谷鸟算法进行迭代寻优,采用MATLAB对优化后的机械手四杆机构进行仿真,接着与粒子群优化算法进行比较,分析可得:采用粒子群算法优化所产生Y轴方向最大误差为-12 mm,而使用布谷鸟算法所产生的Y轴方向最大误差为-2. 4mm,误差较前者降低75. 3%。因此,布谷鸟算法对于该四杆机构的设计更为精确。     

基于微粒群算法的多层前馈神经网络

将微粒群算法和神经网络结合起来,实现了非线形模型的辨识问题和PID控制器参数优化问题.仿真实验表明:微粒群算法在神经网络控制及非线形模型辨识方面的应用具有可行性,具有良好的应用前景.     

基于改进粒子群算法的神经网络建模

文章利用粒子群算法优化神经网络的参数,提出了基于粒子群算法的神经网络建模方法。为了提高基本粒子群算法的搜索性能,采用了基于外推技巧的引导型更新公式,并在粒子的搜索过程中,不断监测各个粒子的最优位置,多次没有变化并且距离优化目标太远时,粒子跳出当前位置继续搜索,从而避免陷入局部值。最后使用改进后的粒子群神经网络算法对函数进行拟合,仿真结果表明,新的算法有较好的收敛性。     

基于NARMAX模型的阀控非对称缸神经网络预测控制

针对非对称缸位置跟踪控制精度较差,提出了一种基于非线性自回归平均滑动离散模型(NARMAX)和量子粒子群算法的神经网络预测控制策略(QPSO-NNMPC)。利用NARMAX模型表示阀控非对称缸的动态模型,使用粒子群算法优化BP神经网络(PSO-BP)对阀控非对称缸系统在线预测,使用量子粒子群算法(QPSO)对目标函数非线性优化。仿真结果表明,在不同频率期望信号与变干扰力情况下,该控制策略具有良好的跟踪效果和鲁棒性。     

基于改进神经网络的数据图书馆满意度评价研究

对用户评价满意度进行大数据分析,挖掘影响满意度关键因素以及对策,持续优化服务为用户提供高质量的知识资源,成为图书馆研究的主流方向。本文采用自组织映射神经网络算法建立满意度评价分类模型,针对自组织映射神经网络模型受神经元网络连接权重的初始值和阈值影响稳定性不足的问题,引入粒子群算法选择最优初始权重,稳定评价模型提升准确度,通过仿真实验论证,优化后的神经网络算法,对比BP神经网络以及自组织映射神经网络模型,其网络性能较好,评价准确性更高,平均准确率达到了94%,且通过粒子群算法的优化,加快了算法本身的收敛速度。     

基于粒子群优化的神经网络电机故障诊断系统

提取电机定予电流信号及转于振动信号,构成用于电机故障诊断网络的训练及测试样本.用BP神经网络建立诊断输入征兆与故障输出间的映射关系,引入改进粒子群优化的策略,对神经网络权值和阀值进行优化,提高了网络系统诊断的可靠性.仿真对比研究表明,经粒子群优化后的BP网络收敛速度显著提高,更适合于电机类故障诊断的要求.     

基于粒子群优化案例推理的RH终点温度预测

针对RH流程终点钢温预报问题,提出了一种基于多元线性回归和粒子群优化算法改良的案例推理方法。首先,对待一般案例推理方法中缺乏影响因素的问题,利用多元线性回归的方法进行属性约简;其次,面对案例检索中相似度计算缺乏权重计算方法的问题,采用粒子群优化算法对权值进行优化;最后,基于简化的影响因素和优化权重,采用改进的灰色关联相似性的案例检索来预测RH终点的钢水温度。利用某钢铁厂RH工艺的实际生产数据,分别对多元线性回归、BP神经网络、一般案例推理方法和粒子群优化案例推理方法进行测试,从结果可以看出,文中所使用的基于粒子群优化过的案例推理方法的预报精度,相较于多元线性回归,BP神经网络以及一般案例推理更加准确。     

一种基于神经网络的双足机器人混合动力学系统辨识方法

针对双足机器人的混合动力学系统辨识问题,从系统渐进稳定性角度分析,推导出连续与离散混合系统的可辨识条件,提出了一种基于混沌粒子群优化的径向基函数神经网络与动态模糊神经网络的联合辨识方法。利用混沌粒子群优化的径向基函数神经网络辨识双腿的连续摆动阶段,利用动态模糊神经网络辨识离散的足地碰撞阶段;依据两阶段同一变量的耦合、转换关系,实现了对双足机器人整体混合系统的准确辨识。仿真实验结果表明,该方法辨识和预测结果具有较高的准确度。     

一种自适应粒子群算法的小波神经网络优化

针对传统粒子群算法易陷入局部最优解的问题,提出了一种变权重粒子群算法.该算法通过引入交叉权重因子和粒子个体状态最优权值,对传统粒子群算法进行了优化,使粒子在移动过程中利用更多的信息来调整各自的移动方向,扩大粒子在运动过程中的自我认知范围,提高了粒子群算法的收敛精度和收敛速度.最后,利用改进的变权重粒子群算法对小波神经网络控制器进行优化,有效地验证了变权重粒子群算法的精确性.     

微粒群优化倒立摆神经网络控制器设计研究

将微粒群算法和多层前馈神经网络相结合,提出了一种利用微粒群算法代替BP算法训练多层前馈神经网络权值,以实现神经网络控制的方法,并对非线性模型的辨识问题和一级直线倒立摆的控制问题进行了仿真研究。仿真实验表明：微粒群算法在神经网络控制及非线性模型辨识方面效果良好,具有良好的应用前景。