基于改进支持向量机的仿真电路故障诊断研究

研究电路的故障问题,应提高快速性和准确性。为提高仿真电路故障诊断效率,给出了一种基于改进支持向量机的仿真电路故障诊断方法。首先通过小波包变换实现了信号的能量特征提取,根据主元分析完成了特征压缩;其次针对支持向量机多分类一对一方法存在的不可分类区,将其与最近邻分类法相结合,实现了电路的故障诊断,并提出了一种混合遗传算法实现了小波函数和支持向量机参数的同步选择;最后通过一仿真电路的仿真实验,与BP,RBF和PNN等神经网络对比,结果显示基于支持向量机的方法诊断精度最高,达到98%,为设计提供参考依据。     

利用参数表示任意维数正交矩阵的ICA新算法

在独立分量分析 (Independent component analysis, ICA) 中, 寻找去除高阶相关的正交矩阵成为问题关键, 而正交矩阵具有特殊的空间结构, 组成它的每个列向量可视作 RN 中单位超球表面上一点, 当这些点彼此垂直时, 整体就组成一个正交矩阵. 自然地, 这些点可以用其球坐标来参数化. 本文通过观察正交矩阵的几何结构, 找到了任意维数的随机正交矩阵的参数表示方法, 且论证了这种表示的完备性; 同时, 对随机正交矩阵参数表示的随机性做了定量分析; 然后, 利用遗传算法对参数化正交矩阵中的参数进行搜索, 得到了分离结果. 本文称这种算法为 OICA 算法, 并给出了该算法的仿真实验.     

最小约简问题的一个免疫离散粒子群算法

把求决策表最小属性约简问题归结为一个不含非线性约束的0-1组合优化问题,证明了两个问题之间最优解的等价性.针对问题的特性,对原有的二进制粒子群算法进行改进,引入基于决策表差别矩阵的疫苗接种机制以及k-精英保优策略,由此提出一个免疫二进制粒子群算法并用于求解转化后的组合优化问题.仿真计算结果表明该算法有效地提高了获得最小属性约简的可能性,同时还具有较快的收敛速度.与其它类型的最小属性约简算法相比较,该算法取得明显的改进效果.     

基于遗传神经网络的超混沌时间序列预测

研究了超混沌系统的预测问题。通过分析混沌时间序列,建立具有多个隐节点的3层前馈网络,基于泛化性考虑采用剪枝算法训练,在保证预测精度的基础上消去部分隐节点以降低网络复杂性,利用遗传算法具有的全局寻优能力重新训练网络,利用具有局部寻优能力BP算法再次训练该网络。对Mackey-Glass时滞混沌系统预测实验结果表明,改进算法的泛化性能优于经典BP网络,归一化预测精度提高10倍多,能够较好地解决超混沌系统的预测问题。     

基于遗传算法和模拟退火算法的TDOA定位技术

提出一种基于遗传算法与模拟退火算法的TDOA定位估计算法,该算法通过对求解定位坐标计算时的最大似然函数进行求解,实现了利用所有TDOA测量值对移动台的定位估计。该算法采用实数编码,自适应交叉率和变异率实现遗传算法的全局搜索,引入模拟退火的Boltzmann机制,解决遗传算法容易陷入局部最优的问题。实验结果表明,该算法定位精度高、收敛速度快。     

多Agent负载均衡在入侵检测系统中的应用

针对在高速网络环境中实现入侵检测系统的动态负载均衡问题,提出一种基于多Agent的负载识别和基于改进遗传算法的动态负载均衡策略,实现入侵检测系统中的智能负载均衡,给出相应的系统模型,并以实验结果证明其有效性。     

CPU时间片组合拍卖遗传算法

提出一种综合考虑Agent时间片和执行截止期限要求的CPU时间片组合拍卖遗传算法。该算法定义了问题模型,采用可以去除不具备竞争力标的预选择策略,减少遗传算法的计算复杂度。在遗传算法求解过程中,设计适合该问题的变长染色体编码方式、交叉算子、换序算子和换标算子。仿真实验结果表明,该算法取得了符合要求的最优解。     

基于遗传算法与FCSS相结合的模糊球壳聚类算法

模糊球壳聚类(FCSS)算法广泛地应用于模式识别与机器学习等领域。由于其采用基于梯度法和交替寻优策略,对初始化比较敏感,容易陷入局部极值点,从而影响聚类效果。将现代全局优化方法之一的遗传算法(GA)与FCSS算法相结合,得到一种新的球壳聚类算法GA-FCSS。数值实验表明:新方法对球壳形数据有令人满意的聚类效果。     

基于遗传优化的水平欠驱动机械臂分层滑模控制

针对二自由度水平欠驱动机械臂系统,提出一种基于等效控制理论和李雅普诺夫反馈函数法的分层滑模变结构控制方法.同时,为解决由于欠驱动系统控制缺少通用的参数计算方法而产生控制精度低的问题,提出了针对水平欠驱动系统的遗传算法在全局参数空间进行全参数寻优的改进控制方法.仿真结果表明了该方法的有效性,并且优化后的控制器具有较好的适应性和控制效果.     

两种优化训练的FNN在船舶柴油机故障诊断中的性能研究

本文针对船舶柴油机故障诊断系统,基于遗传算法（genetic algorithm,GA）和蚁群优化算法（ant colony optimization algorithm,ACOA）构造了2种优化训练的模糊神经网络（fuzzy neural network,FNN）智能故障诊断模式,给出了该模糊神经网络智能故障诊断系统的结构及其参数选取方法,通过对船舶柴油机燃烧子系统的FNN模型结构权值和阈值优化训练的故障诊断仿真研究,对两种方式的性能进行对比研究,仿真测试结果表明,基于ACOA的诊断模型具有更好的故障诊断知识表达准确性和较快的收敛速度等特点,具有较好的应用前景。