基于粒子群优化算法的分类规则挖掘研究

对基于粒子群优化算法的分类规则挖掘技术作了研究,分析了分类规则的构造,在给出了分类规则编码的基础上,改进了分类规则适应度函数,进而设计了基于粒子群优化算法的分类器方案,并通过学校评教数据集样本对该分类器进行了测试,结果表明文章提出的基于粒子群优化算法的分类规则构造是一种有效、可行的设计构造方案。     

基于群体适应方差的改进粒子群优化算法

针对传统粒子群优化算法在收敛过程中易陷入局部最优的缺点,提出了群体适应方差的概念来衡量粒子聚集程度以实现对最优粒子进行实时变异调整,从而避免出现局部收敛,即早熟的问题,通过仿真结果分析研究,所提出的改进型算法具有一定优越性,不仅减小了运算时间,还在一定程度上提高了精度和收敛速度,达到了较好的效果,为下一步在信号处理等领域的具体应用奠定了算法研究基础。     

基于改进粒子群优化算法nMOSFET寿命预测

对于电子器件寿命预测问题,文章提出了基于改进粒子群优化算法的BP神经网络电子器件寿命预测方法。首先对nMOSFET元件在不同应力条件下进行寿命试验,根据试验测试获得的寿命数据,得出对应的可靠性。文章通过结合改进粒子群优化算法和BP神经网络结合,建立电子器件寿命预测模型,应用该模型对相同应力条件的电子器件寿命进行预测,同时对应力加速条件下寿命的预测。通过试验证明,该算法具有更强的非线性拟合能力和更高的准确率。     

改进粒子群算法的目标函数变化分类动态优化

由于优化问题的目标函数和约束条件都随着时间而改变导致其最优值也发生改变,提出一种基于改进粒子群算法的目标函数变化分类动态优化算法。首先对动态优化问题进行定义,明确问题的研究对象,提出对目标函数随时间变化程度分类的思想,通过对变化的函数进行监测的方法将其分为剧烈变化、中等程度变化和弱变化三种类型,并针对不同的强度变化对粒子群算法采用不同的改进策略,最后将不同的策略融入计算。通过采用移动多峰问题进行测试,结果表明,提出的改进粒子群优化算法能监测目标函数变化,并能随时跟踪到最优解,平均离线误差相对于标准粒子群算法更小,性能更稳定。     

基于改进粒子群优化聚类算法的故障诊断方法

针对模糊C均值聚类算法(FCM)中聚类结果受初始聚类中心影响突出的缺陷,利用粒子群优化算法(PSO)全局优化能力显著的特性,提出一种基于粒子群改进的模糊C均值聚类算法(PSO-FCM).该算法首先通过PSO优化算法得到一个最优值,然后利用该最优值初始化FCM聚类中心,从而优化了FCM算法的聚类结果.最后将该算法应用于电机故障诊断中,实验表明,该算法弥补了FCM算法的缺陷,提高了聚类的效率和准确性,改善了故障诊断结果.     

改进的粒子群优化算法

提出了改进的粒子群优化算法。基于4个不同的基准函数对所提算法与1995年Kennedy和Eberhart提出的常规PSO作了比较。PSO最初是受到如鸟或鱼等生物群体的社会行为的启发而提出的,每一个体依照自身及群体的过去解决问题的最好办法来调整自己的最佳位置,通过重复这一过程来得出最佳值。这里提出的改进的PSO的关健之处在于:如果一个新的位置确实得到了改善,则每一个体就调整它的位置;如果不是这样,就根据概率来做出决定。这一策略是既避免盲目跳转又避免只简单地跳转到好的新位置而陷入局部最优。模拟结果表明改进的PSO总能比PSO找到更好的解决方法。     

一种改进粒子群优化算法

作为群集智能的代表性方法之一，粒子群优化(PSO)算法通过粒子之间的合作与竞争以实现对多维复杂空间的高效搜索。提出了一种改进粒子群优化(MPSO)算法。MPSO同时采用局部模式压缩因子方法和全局模式惯性权重方法以获得相对较高的性能。针对PSO算法可能出现的停滞现象，MPSO引入了基于全局信息反馈的重新初始化机制。数值仿真结果显示了该算法的有效性。     

基于粒子群优化的神经网络训练算法研究

本文提出了基于连接结构优化的粒子群优化算法(SPSO)用于神经网络训练,该算法在训练神经网络权值的同时优化其连接结构,删除冗余连接,使神经网络获得与模式分类问题匹配的信息处理能力.经SPSO训练的神经网络应用于Iris,Ionosphere以及Breast cancer模式分类问题,能够部分消除冗余分类参数及冗余连接结构对分类性能的影响.与BP算法及遗传算法比较,该算法在提高分类误差精度的同时可加快训练收敛的速度.仿真结果表明,SPSO是有效的神经网络训练算法.     

基于改进二进制粒子群优化的特征选择

为了在文本数据中选择有效的文本特征,本文提出一种新的基于改进二进制粒子群优化的特征选择算法,该算法利用翻转角度,局部翻转因子和全局翻转因子来决定粒子群的进化,通过求解目标函数的最优解,得到二进制特征选择系数,选择特征选择系数为1的特征为有效特征。实验证明,该方法不仅有效地降低了运算开销,而且提高了文本分类的准确度。     

基于改进粒子群优化算法的摄像机标定

本文在充分研究多种摄像机标定方法和粒子群优化算法（PSO）的基础上,针对传统PSO算法存在早熟和局部收敛的问题,提出了一种改进的新型粒子群优化算法在摄像机标定中的应用。该算法在基本PSO惯性权重部分加入了收缩因子,很好的改善了算法的收敛性;为了进一步提高优化的速度和可靠性,引入了多适应值函数策略。最后在OpenCV上实现了基于该改进方法的摄相机标定。实验结果表明：该摄像机标定方法有效提高了原有张正友平面标定法的标定精度,结果稳定可靠,具有一定的工程应用价值。     

一种改进的变参数粒子群算法

针对粒子群算法由于算法可调参数较少,在求解多维函数时极易陷入早熟收敛的问题,提出一种改进的变参数粒子群算法。根据粒子运动特性,对粒子速度更新公式进行改进,使各项都融入相应的权重因子,通过权重因子调整粒子寻优性能。通过3个标准测试函数进行验证,并与其他算法进行比较。仿真结果表明,通过设置不同的权重因子,所提算法具有更好的寻优精度和执行能力,在求解多维函数时亦能取得较好的效果。     

改进粒子群算法优化低功耗自适应集簇分层的路由算法

针对LEA低C功H算法的簇头分布不合理、网络能耗不均的问题,在耗自适应集簇分层路由算法。首先将分割线的选择LE问A题CH转协议的基础上,提出了一种改进粒子群算法优化化成带约束的非线性优化问题,然后利用粒子群算法求解,并针对粒子群算法的不足进行相应的改进,最后采用仿真实验测试算法的性能。仿真结果表明,相对于其它改进LEACH路由算法,本文算法有效提高了网络的能量利用率,能够实现节点之间的能耗均衡,使无线传感器的网络生存时间得到延长。     

基于改进粒子群算法的软件可靠性评估

软件可靠性是软件质量评价的一个重要标准,针对传统方法存在软件可靠性评估精度低,结果不可信等缺陷,提出基于改进粒子群算法的软件可靠性评估模型。首先对当前软件可靠性评估的研究现状进行分析,然后建立软件可靠性评估模型,最后采用改进粒子群算法对模型参数进行求解,并通过具体软件可靠性评估实验对模型的性能进行分析,结果表明,改进粒子群算法可以对软件可靠性进行高精度评估,而且评估结果要明显优于其他软件可靠性评估模型,具有更高的实际应用价值。     

粒子群优化算法选择特征的运动图像分类

为了提高图像分类的效果,考虑当前方法准确实现图像分类的难题,提出粒子群优化算法选择特征的运动图像分类方法。对当前运动图像分类方法的研究现状进行分析,提取不同类型的图像,并采用粒子群优化算法选择最优特征,组成特征向量,将特征向量机作为神经网络的输入,实现运动图像的分类。采用具体图像分类实验进行验证,结果表明,该方法可以描述不同运动图像的类别信息,缩小图像的分类误差,避免其他图像分类方法的缺陷,提高了图像的整体分类正确率。     

基于改进粒子群算法的图像边缘检测研究

为了提高图像边缘检测的细节信息,采用了二进制粒子群算法。首先通过logistic变换更新粒子速度,粒子速度不受限制;接着动态调整粒子位置,使飞行状态充分调整;然后正态云发生器动态调整粒子的惯性权重,这样较优粒子可以取得较小的惯性权重;最后建立图像边缘检测模型和算法流程。实验仿真显示本文算法对图像边缘定位准确、清晰,信噪比为35.928 1db,处理时间为1.340 1s。满足检测结果中对信息含量大、执行时间少等要求。     

一种改进的线性递减权值的粒子群优化算法

针对粒子群优化算法的早熟问题,在线性递减权值的粒子群优化算法的基础上,提出了一种增强粒子多样性的粒子群算法,有效减少了粒子的无效迭代。实验结果表明,该算法具有较高的收敛精度,能有效避免早熟收敛问题。     

一种粒子群优化原型模式修正力度的协同分类方法

协同模式识别是一种有着抗噪声、抗缺损、强鲁棒性等诸多优良特性的模式识别方法,其中原型模式的选取模式识别结果有着决定性的作用,其选取直接决定着模式识别的结果和效果,各种方法中信息反馈修正的方法能获得较的效果,但易出现信息饱和的问题;提出了一种粒子群优化修正力度的处理机制,能有效改善此问题,获得最优原型;改进的算法应用于纹理和鼻咽癌细胞图像识别,结果表明,该方法能有效地提高协同神经网络的识别率和可靠性,且识速度也有提高.