基于改进的模糊神经网络自适应控制

为了提高模糊神经网络的运行效率,针对一类离散时间非线性系统,提出了一种优化的模糊神经网络(fuzzy neural network,FNN)自适应控制方法.采用动量梯度下降算法改进模糊神经网络,设计模糊神经网络的参数调整迭代过程,在代价函数中加入正则项,实现参数的更新,提高网络收敛速度以及泛化能力,设计自适应动态控制方...     

基于PSO的配电网无功补偿优化配置

合理优化配电网无功补偿配置对改善配电网电能质量以及降低系统有功损耗有至关重要的作用。在创建配电网无功补偿的数学模型时,把系统分为最大负荷、一般负荷和最小负荷,使其能够更加接近真实的运行情况。采用粒子群算法(particle swarm optimization,PSO)优化配电网无功补偿配置,PSO具有算法简单、易于实现、收敛性好等优点,在求解无功补偿优化配置问题时优于遗传算法。对IEEE12节点系统进行了潮流计算算例分析,结果验证了PSO能够有效保障配电网无功补偿优化配置的可靠性和经济性。     

考虑微电网并网接入的配电网无功优化

微电网集分布式发电系统、负荷和储能于一体,提高了分布式发电系统的综合利用.微电网的并网接入对配电网的综合无功优化产生影响,因此,配电网的无功优化过程中需要考虑微电网并网接入的影响.本文在充分考虑微电网运行特性的基础上,构建考虑微电网运行特性的配电网综合无功优化,建立以系统有功网损与节点电压为目标的综合无功优化模型,把含微电网的配电网无功优化转化为一多约束的非线性混合优化数学问题,并利用粒子群算法进行求解.通过IEEE 33节点系统的仿真算法分析验证本文提出方法的有效性和正确性.     

基于改进PSO算法的模糊神经网络研究

现阶段,科学技术的研究与发展较为快速,模糊神经网络项目的研究价值逐渐被人们挖掘出来。从现阶段神经网络类型学科的拓展研究及发展状况来看,该领域研究成果的实践应用范围十分宽泛,而且,更需要要注重各项细节的处理与完善,以此来推进智能化核心技术的进步。文章就基于改进PSO算法的模糊神经网络的相关内容进行研究,以期能为进一步探索该领域带来一丝启示,并将有益的研究内容充实到理论成果当中,为日后类似项目的研究提供素材。     

基于BAS算法的配电网无功优化

配电网无功优化是保证其经济安全运行的重要措施.针对配电网无功优化问题,文章提出基于天牛须搜索算法的配电网无功优化策略,同时,引入自适应变化的步长因子改善BAS算法的迭代速度.最后,在Matlab中引入IEEE33节点配电网系统对基于粒子群算法、天牛须搜索算法和改进天牛须搜索算法的无功优化策略进行仿真验证并做对比分析,仿...     

一种基于粒子群优化算法的混沌控制方法

提出了一种基于粒子群优化算法的神经网络控制混沌的方法。用粒子群优化算法来训练神经网络,利用训练好的神经网络作为混沌控制器,使混沌系统产生预期的运动。该方法无需了解被控系统的确切的动力学机制,实现方法简单。并对Logistic和Hénon映射进行了仿真,结果表明该方法能将系统控制到预定的轨道。因此,该方法能对混沌系统实施有效的控制,且能够应用于动力学模型未知而仅获得实验数据的情况。     

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。     

改进混沌粒子群的动态模糊神经网络参数优化及应用

动态模糊神经网络（DFNN）的性能和学习的稳定性取决于其预设参数的选择,针对DFNN多参数优化问题,提出了改进混沌粒子群优化算法,并将其应用于DFNN神经网络预设参数寻优,以获取最佳参数组合。实验结果表明,该方法能够快速有效地提取DFNN的最优参数组合,具有精度高、收敛快、迭代次数少等特点;利用改进混沌粒子群的动态模糊神经网络构建煤与瓦斯突出预测模型,具有良好的建模效果和更高的预测精度。     

基于带权重粒子群的配网无功优化研究

为了更快速有效地处理电力系统配网无功优化问题,文中主要以网损和电压偏差最小以及电压稳定最大化为目标函数,以无功平衡、电压合格等为约束条件,建立了配电网无功优化的数学模型。在求解方法上采用带有权重的粒子群算法,该算法能够更好地适应问题的求解。并且经过IEEE14节点系统仿真计算结果表明,该算法在计算速度和收敛能力方面都具有优势,且优化效果也可满足实际的需要。     

细菌觅食差分粒子群算法的无功优化方法

电力系统无功优化是以网损最小化且保持良好电压水平为目的。提出了细菌觅食差分粒子群算法（DEBFO）,并首次应用于电力系统无功优化问题。趋化操作的交叉算子可提高局部搜索能力,变异算子可加强全局搜索能力,繁殖操作使细菌寻优速度加快,迁徙操作避免了细菌早熟。Matlab仿真结果表明DEBFO具有较强的全局寻优能力,收敛速度快,鲁棒性好,能够更有效地解决电力系统无功优化问题。     

一种基于高维粒子群算法的神经网络结构优化研究

为克服传统BP神经网络在运算过程的不足,提出一种基于高维粒子群算法的神经网络优化方法。通过在高维PSO算法中引入随机变化的加速常数来获得最优权值,对BP神经网络进行优化和训练,再将优化好的高维BP神经网络运用到交通事件自动检测中,通过检测训练算法,并对训练后的数据进行分类测试,把分类测试的结果与传统BP神经网络和经典事件检测算法比较。结果显示,经过优化后的高维粒子群BP神经网络的检测率、算法性能均优于BP神经网络算法和经典算法,其中97,50个测试样本中仅有2个测试样本与应该达到的数值不一致,其他样本都满足测试要求,并且平均优化测试时间是传统BP神经网络检测时间的一半,因此,优化后的BP神经网络算法的性能十分优越。     

动态无功电压优化控制研究

本文在分析电力系统无功优化现状的基础上,依据电压优化控制的基本原则,阐述了以动态无功优化为目标约束的控制模型策略.     

基于改进神经网络的无线网络流量预测

考虑到无线网络流量具有极强的分散性、随机性以及混沌等特性,使用传统的ARIMA预测模型和BP神经网络模型难以对其进行精确的预测等,该文使用粒子群优化算法对BP神经网络预测模型进行优化以解决BP神经网络容易陷入局部最小值以及训练收敛速率低等问题,引入遗传算法中的自适应变异因子来以一定概率初始化部分变量解决粒子群优化算法会出现陷入局部最优解以及早熟收敛等问题。最后使用经典的CRAWDAD数据库中的无线网络流量数据对该文预测方法性能进行测试,使用稳定小波变换方法将无线网络流量数据分解,得到由1个近似分量以及3个细节分量组成的数据流。测试结果表明,该预测算法在预测性能上要优于ARIMA预测模型和BP神经网络模型。     

基于改进型PSO-BP神经网络算法的水质评价

环境污染现在是大众所关注的一个重要的问题,需要拿出科学的方法和手段应对这个问题。文中提出了一种改进型的PSO-BP神经网络相结合的环境质量评价方法,以大理的洱海水域为例,选取了实际的水质监测数据作为样本,进行了系统的分析。通过对传统的BP神经网络法、PSO-BP神经网络和改进型PSO-BP算法三种方法应用结果的对比,本文得出改进的PSO-BP神经网络方法在相同精度下拥有更高的效率。     

基于粒子群优化模糊小波网络的目标威胁评估

主要对不确定性环境下的空中目标威胁评估问题进行研究。首先通过模糊神经网络处理信息不确定问题,在获取威胁目标信息较少的环境下,使用小波神经网络增强网络自学习能力,并分析威胁因素,创建不确定性环境下的模糊小波神经网络(FWNN),实现对目标威胁的评估;然后针对初始参数的不确定性问题,采用粒子群优化算法和BP算法更新每个模糊规则后件部分的参数,以达到提高评估效果的目的。仿真结果表明,与模糊小波神经网络相比,该算法提高系统的稳定性,加快收敛速度,增强预测精度。     

计及UPFC电力系统无功优化研究

为了更加有效地实现对电力系统潮流分布的控制,以进一步提高电力系统无功优化的有效性,达到使系统损耗最小的目的,提出了基于粒子群智能优化算法的计及UPFC的无功优化方法。以系统有功网损最小为目标函数,为了有效利用UPFC对潮流的调节作用,采用UPFC的节点注入功率模型。通过IEEE-30测试算例就系统有功网损和电压稳定性,对基于粒子群算法系统装设UPFC装置前后进行比较,发现采用文中方法后,不仅降低了系统的有功网损,提高了电压质量,而且与粒子群算法相比,还减少了算法的迭代次数,仿真结果验证了文中模型和算法的有效性和可行性。     

基于新型神经网络的船体优化

针对基于SBD(Simulation Based Design)技术的船体优化设计问题,文章提出了一种新型的神经网络逼近技术。首先,利用粒子群优化算法（Particle Swarm Optimization,PSO）训练柔性径向基（Flexible Radial Basis Function,FRBF）神经网络权值,提出PSO-FRBF神经网络算法。算法主要以主要尺寸和参数为设计变量,以位移变化为约束条件,引入PSO-FRBF波阻系数近似模型,建立总阻力优化模型,将模拟退火算法应用于船体优化设计,得到可靠、合理的优化船体。     

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。     

基于电子搜索算法的电力系统无功优化

针对电力系统无功优化过程中,粒子群算法收敛慢以及计算结果容易陷入局部最优的问题,文中利用电子搜索算法代替粒子群算法,以提高计算的收敛速度并使优化计算更容易得到最优解。以网损期望最小为目标,建立了考虑电容器无功补偿和电压器变比的配电网无功优化模型。利用IEEE14节点系统进行模拟计算,通过结果验证了电子搜索算法在无功优化中的效果。通过比较了粒子群算法和电子搜索算法的结果,证明了电子搜索算法在收敛速度以及优化效果上优于粒子群算法。     

基于粒子群优化非局部模糊聚类图像分割算法

为提高局部模糊聚类算法(WFLICM)对噪声图像 分割的抗噪性,克服模糊聚类图像分割算法对初 始聚类中心的敏感性及易陷入局部最优问题,在WFLICM算法的基础上提出一种基于粒子群 优化的融合 局部和非局部空间信息的模糊聚类图像分割算法(PSO-WMNLFCM)。首先,利用粒子群优化 算法的全局 寻优能力得到最优粒子,并以此粒子作为模糊聚类算法的初始聚类中心。其次,用像素的非 局部空间信息 替换模糊因子中的局部邻域值,产生新的目标函数。最后,由拉格朗日乘子法最小化目标函 数,得到隶属 度和聚类中心的更新公式,从而完成图像分割。仿真结果表明,PSO-WMNLFCM算法相比于 模糊局部聚 类(FLICM)算法、局部模糊权重(WFLICM)算法、非局部模糊聚类(NLFCM)算法、非局部模 糊聚类 (MNLFCM)算法、基于粒子 群的局部模糊聚类(PSO-FLICM)算法的划分系数提高了20.92%,20.51%,24.84%,1.44%,23.28%左右。