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。     

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。     

基于粒子群BP神经网络的质量预测模型

为了对产品质量进行预测控制、辅助新产品开发设计、寻找最优参数,将测试样本的网络输出值与真值之间的灰色关联度作为目标函数,采用粒子群算法优化了BP神经网络的权系数和阈值,构建了基于粒子群神经网络的质量预测模型。所提出的PSO-GRG算法解决了一般BP算法迭代速度慢,且易出现局部最优的问题,并以注塑件质量预测为例,进行算法实现,仿真结果表明本文所提出的PSO-GRG算法比BP算法迭代次数减少了87.5%,并避免了局部最优,且预测误差亦明显减少。得出结论:所构建的质量预测模型具有较高的预测精度和研究价值。     

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。     

粒子群算法的理论分析与研究

粒子群算法是上世纪90年代兴起的群体智能算法,其特点是模拟自然界生物群体行为来构造随机优化算法,它对函数性态要求较弱、寻优结果和初值无关,并具有一定的并行性,因而成为优化算法领域研究的一个热点。介绍粒子群算法的研究现状,重点论述标准粒子群算法以及几种主流的改进型粒子群算法,并提出未来可能的研究方向。     

基于粒子群优化的小波神经网络及其在齿轮箱故障诊断中的应用

用粒子群算法（PS0）取代传统的梯度下降法,优化小波神经网络中的各个参数。将经过PS0训练的小波神经网络应用于齿轮箱故障诊断,实验结果表明,基于PS0算法的小波神经网络训练方法是有效的神经网络训练算法,同时也是解决故障诊断问题的有效途径。     

基于BP神经网络的改进粒子群优化股票预测

可以以较为精准的预测结果为依据来对股票市场进行及时指引与调控,这样更能保障我国国民经济的可持续顺利发展.本文的目的 是研究改进的基于粒子群优化算法的改进版BP神经网络股票预测,这种神经网络预测方法是以粒子群优化算法为基础并将其应用于股市预测,取得了较好的效果.详细给出了基于粒子群算法的神经网络模型的建立方法,同时本文还...     

粒子群算法的混沌优化

粒子群算法具有较强的普适性、鲁棒性、全局搜索性等特点,在求解复杂问题时具有明显的优越性,本文对粒子群算法进行混沌优化,使其为决策者提供一种有效的优化工具。     

基于混合粒子群算法的涡旋体快速测量

涡旋中心位置误差的补偿能显著提高涡旋体型线加工精度.基于圆柱度精密测量平台开发了涡旋体型线误差快速测量系统,首先通过精密测量头快速扫描内、外圈型线得到径向误差,然后采用混合粒子群算法优化径向误差序列,优化后得到了涡旋体加工的旋转角度误差、涡旋中心坐标位置误差.实验结果表明:混合粒子群算法能快速得到最优化涡旋中心误差,快速测量系统测量时间为180 s,涡旋型线测量精度和三坐标测量机相当.快速测量系统能满足加工现场的测量空间和测量环境的要求,从而实现涡旋体加工误差的在线补偿.     

基于分群粒子群算法的平面度误差评定研究

基于分群粒子群算法对平面度误差判定进行了研究。首先建立平面度误差评定数学模型,对平面度误差最小求解转化成对目标函数的非线性最优化问题;接着改进粒子群算法把粒子群一分为二,在不增加粒子个数和粒子维度的情况下,两个粒子群分别用来全局搜索和局部搜索,通过阈值判断早熟现象;最后给出了算法流程。实例验证结果表明:该算法具有较强的优化能力,对测试函数求解的最优解值数据波动性比较小,平面度的公差值为0.0073mm,相比LSM、DM、TPM、PSO、ABC算法公差值平均分别减少了0.0023mm,0.0025mm,0.0027mm,0.0002mm,0.0005mm,评定精度较高。     

PSO算法结合BP神经网络在传感器静态非线性校正中的应用

将粒子群优化(PSO)算法与BP神经网络相结合,应用在传感器静态非线性特性的校正中.用PSO算法所得到的全局最优值作为BP神经网络的初始权值,训练BP神经网络,训练结束后的神经网络作为传感器的静态特性校正器.应用结果表明,该方法可以提高BP神经网络的精度,并且该神经网络具有良好的泛化能力.     

基于BP神经网络和遗传算法的电阻抗图像重建算法

医学电阻抗成像(MEIT)技术是一个复杂的非线性问题,图像重建算法对所构图像质量具有重要的影响。由于传统的BP神经网络算法存在训练速度慢且易陷于局部极小等特点,采用全局寻优的遗传算法(GA)实现BP网络连接权的学习,并将该混合算法用于电阻抗断层图像(EIT)重建。实验结果表明,该算法所构图像无论被测场域中心还是边缘处均具有较高的图像分辨率,与典型的反投影及灵敏度系数算法所构图像相比,其质量得到明显的改善。     

粒子群优化算法及其在圆度误差评定中的应用

提出一种基于粒子群优化算法(PSO)的圆度误差评定方法。介绍了PSO算法的提出及其特点;具体阐述了PSO算法的基本原理和实现步骤;提出圆度误差评定这一非线性优化问题,给出其优化目标函数及PSO算法的适应度函数和编码方式;结合实例对算法参数进行了设置,通过实例运算对PSO进行了正确性和精确性验算。实例证明该方法能够很好地解决圆度误差评定问题,与遗传算法具有相当的计算精度,能够获得精度较高的结果。而PSO的突出优点是简单易于实现,计算速度快。     

基于模型参考和微粒群算法优化的传感器动态补偿方法

提出了一种基于微粒群（PSO）算法优化的传感器动态误差补偿器的设计方法。无需事先已知系统的动态特性,可根据传感器以及参考模型对输入激励响应的实测数据,通过PSO算法的优化学习得到补偿器的参数。传感器的输出经过补偿器后,能够克服由传感器动态特性引起的测量误差。最后,通过实验验证了该方法的有效性。     

基于PSO算法优化的热水分流式双级ORC系统

以有机朗肯循环的结构优化为基础,建立了热水分流式双级有机朗肯循环数值模型,以粒子群算法为计算方法分析系统设计时最大净输出功,通过理论分析得到了影响系统净输出功的独立变量为热水经过高压蒸发器时换热后的温度和热水出口温度.结果 表明热水分流式双级有机朗肯循环可以对热水进行更好的利用,高压循环蒸发温度随着热水入口温度升高更快...     

基于BP神经网络的可燃混合气体分析方法的研究

介绍了采用热催化传感器在不同的工作温度下,通过BP人工神经网络对可燃混合气体进行分析的新方法.研究和建立了神经网络的结构模型和学习算法,并以3种混合气体为对象进行仿真训练,训练结果可以较好地实现对可燃混合气体的分析.     

基于人工蜂群算法与反向传播神经网络的铝热连轧轧制力预测

在分析传统的轧制力数学模型的不足之后,提出了一种基于人工蜂群算法与反向传播神经网络相结合的铝热连轧轧制力预测方法,使用人工蜂群算法优化反向传播神经网络的初始权值和阈值。以现场采集的精轧机组数据作为训练和测试样本,并与Sims数学模型和反向传播神经网络的预测结果进行比较,实验结果表明所提方法的轧制力预测精度和误差明显优于传统算法。     

A PSO based Energy Efficient Coverage Control Algorithm for Wireless Sensor Networks

Wireless Sensor Networks (WSNs) are large-scale and high-density networks that typically have coverage area overlap. In addition, a random deployment of sensor nodes cannot fully guarantee coverage of the sensing area, which leads to coverage holes in WSNs. Thus, coverage control plays an important role in WSNs. To alleviate unnecessary energy wastage and improve network performance, we consider both energy efficiency and coverage rate for WSNs. In this paper, we present a novel coverage control algorithm based on Particle Swarm Optimization (PSO). Firstly, the sensor nodes are randomly deployed in a target area and remain static after deployment. Then, the whole network is partitioned into grids, and we calculate each grid’s coverage rate and energy consumption. Finally, each sensor nodes’ sensing radius is adjusted according to the coverage rate and energy consumption of each grid. Simulation results show that our algorithm can effectively improve coverage rate and reduce energy consumption     

Fault Diagnosis of Power Electronic Circuits Based on Adaptive Simulated Annealing Particle Swarm Optimization

In the field of energy conversion, the increasing attention on power electronic equipment is fault detection and diagnosis. A power electronic circuit is an essential part of a power electronic system. The state of its internal components affects the performance of the system. The stability and reliability of an energy system can be improved by studying the fault diagnosis of power electronic circuits. Therefore, an algorithm based on adaptive simulated annealing particle swarm optimization (ASAPSO) was used in the present study to optimize a backpropagation (BP) neural network employed for the online fault diagnosis of a power electronic circuit. We built a circuit simulation model in MATLAB to obtain its DC output voltage. Using Fourier analysis, we extracted fault features. These were normalized as training samples and input to an unoptimized BP neural network and BP neural networks optimized by particle swarm optimization (PSO) and the ASAPSO algorithm. The accuracy of fault diagnosis was compared for the three networks. The simulation results demonstrate that a BP neural network optimized with the ASAPSO algorithm has higher fault diagnosis accuracy, better reliability, and adaptability and can more effectively diagnose and locate faults in power electronic circuits.