基于改进麻雀算法优化支持向量机的滚动轴承故障诊断研究

针对群智能算法优化支持向量机模型应用在滚动轴承故障诊断领域中易陷入局部最优、准确率较低的问题,提出了一种基于改进麻雀算法(sparrow search algorithm, SSA)优化支持向量机(support vector machine, SVM)的滚动轴承故障诊断方法。首先引入均匀化分布Chebyshev混沌映射初始化麻雀种群,以提高种群空间分布均匀性,之后将自适应惯性权重融入麻雀算法的发现者位置更新,最后对更新位置后的最优麻雀进行随机游走扰动,提高算法的全局和局部搜索能力,避免算法陷入局部最优。将该算法用于支持向量机的参数优化,构建改进麻雀算法优化支持向量机故障诊断模型实现对轴承故障信号的分类诊断。滚动轴承故障诊断试验分析结果表明,该算法模型故障分类效果明显优于粒子群算法优化支持向量机模型、遗传算法优化支持向量机模型和麻雀算法优化支持向量机模型,能够有效识别滚动轴承各故障类型。     

基于IPSO-SVR的水泥窑尾分解率软测量研究

为实现水泥窑尾分解率的实时在线检测,利用软测量技术在解决工业在线测量问题中的优势,提出一种改进的粒子群参数优化的支持向量回归机算法(IPSO-SVR),即通过粒子群算法对支持向量机模型核心参数进行优化选择,并在粒子群算法中引入自适应惯性权重的思想,克服粒子群算法容易出现早熟收敛、陷入局部极值的缺点,最终建立起基于IPSO-SVR的窑尾分解率软测量模型。将其与基于交叉验证法(CV)和未改进粒子群算法优化SVR参数的软测量模型进行仿真对比实验,实验表明:该IPSO-SVR模型具有更佳的预测能力,窑尾分解率预测相关系数达0.857 5,预测最大相对误差不超过1.14%,平均相对误差为0.75%,可进一步运用到诸如水泥生产等大型工业的产品分解率预测中。     

改进人工蜂群算法优化的LSSVM在混合气体定量分析中的应用

针对在易燃易爆混合气体定量分析中因交叉敏感易产生测量误差以及最小二乘支持向量机（least squares support vector machine,LSSVM）参数难以确定的问题,提出一种改进人工蜂群（improved artificial bee colony,IABC）算法优化的最小二乘支持向量机。首先,在标准人工蜂群（artificial bee colony, ABC）算法中引入自适应递减因子以更新步长,并结合轮盘赌和反向轮盘赌改进待工蜂跟随概率公式,从而提高收敛精度;然后,利用改进后的人工蜂群算法对最小二乘支持向量机的惩罚参数C和核参数σ²进行优化;最后,利用优化后的参数重建最小二乘支持向量机定量分析模型,并与利用常用的混合气体定量分析方法——粒子群优化（particle swarm optimization,PSO）算法优化的最小二乘支持向量机定量分析模型进行对比。实验结果表明,在交叉敏感状态下,采用改进人工蜂群算法优化的最小二乘支持向量机时的建模总时间和各组分气体浓度测量的平均相对误差均低于采用粒子群算法优化的,有效提高了混合气体的浓度测量精度。研究表明,改进人工蜂群算法优化的最小二乘支持向量机可为混合气体定量分析提供理论支撑,具有一定的工程应用价值。     

基于粒子群-向量机的汽车加速噪声评价

以乘用车由50 km/h加速到100 km/h时的噪声信号为评价对象,用成对比较法对车内加速噪声品质偏好性进行主观评价实验,获得每个样本的偏好性评价值。计算各噪声样本的主要心理声学客观参数并进行相关分析。鉴于评价者对非稳态噪声主观评价过程的复杂性,建立支持向量机(Support Vector Machine,SVM)的主客观评价模型,并利用粒子群优化算法(Particle Swarm Optimization,PSO)对模型参数进行优化。为对比优化后预测效果,建立BP神经网络回归模型。结果表明,优化后的粒子群-向量机回归模型用于噪声声品质评价能获得更好的预测效果,可较大程度提高声品质预测精度。     

蚁群和粒子群混合优化SVM的钢板表面缺陷分类研究

热轧带钢表面的温度高、生产速度快,辐射光强,并且存在着水、氧化铁皮、光照不均等现象,难以通过人工进行表面质量在线检测。针对当前国内某钢厂热轧钢板表面缺陷检测仍由人工离线完成、缺陷识别准确率低的生产问题,充分利用大量图像信息,提出一种图像处理与蚁群和粒子群混合优化支持向量机结合的缺陷分类方法。首先,融合局部二值模式和局部相位量化两种特征提取方式的优点,进行钢板缺陷图片的特征提取,采用蚁群和粒子群优化出支持向量机的惩罚参数和核函数参数进行钢板表面的缺陷分类。最后采用Matlab仿真平台,将蚁群和粒子群混合优化的支持向量机分类模型与传统的支持向量机分类模型进行仿真对比分析。试验结果表明,采用蚁群和粒子群混合优化的支持向量机分类模型的分类精度高于传统的支持向量机模型。     

基于支持向量机改进算法的船舶类型识别研究

利用船舶目标辐射噪声DEMON谱特征,采用改进的支持向量机算法,实现了对船舶目标的分类识别研究。针对支持向量机算法对噪声比较敏感和最优分类面求解时约束较多不利于支持向量机最优分类面寻优的问题,在保持支持向量稀疏性和应用径向基核函数的条件下,对支持向量机算法在松弛变量和决策函数两方面进行了改进,提出了基于径向基核函数的齐次决策二阶损失函数支持向量机改进算法,并应用于利用船舶目标辐射噪声DEMON谱进行船舶目标类型分类识别实验。理论分析、数据仿真与实验结果表明,该改进算法实现了在二次规划中的较少约束条件下最优分类面求解,具有模型参数寻优空间广阔、总体分类性能优的特点,其分类性能优于原支持向量机算法,是一种适合于船舶辐射噪声DENOM分类识别的有效的支持向量机改进算法。     

基于支持向量机与粒子滤波的刀具磨损状态识别

为了提高小样本情况下刀具磨损量识别的精度,提出一种基于支持向量机和粒子滤波的刀具磨损量识别方法。针对支持向量机的输入特征选择和参数选择难题,建立支持向量机输入特征与参数优化双层规划模型,并组合遗传算法和人工蜂群算法进行求解。之后,利用粒子滤波方法对支持向量机回归得到的结果进行修正。实验结果表明,在小样本情况下,基于支持向量机和粒子滤波的刀具磨损量识别方法具备良好的学习能力,能够精确地识别刀具的磨损量。     

计及温度条件下的微穿孔板结构优化设计

微穿孔板吸声体是由穿孔直径在1 mm以下的薄板和板后空腔组成的共振吸声结构,其结构通常可利用经典的微穿孔板理论来设计。但在温度变化条件下,经典的微穿孔板理论已经不足以设计出满足要求的微穿孔板结构。文中在设计微穿孔板吸声结构时,不仅考虑了结构参数孔径d、板厚t、孔间距b及空腔深度D对微穿孔板吸声特性的影响,又计入了温度T这一参数。拟采用改进的粒子群优化算法,分别对一定温度下的单层和双层微穿孔板吸声体的结构参数进行优化设计,搜索得到最优的参数组合,使其在给定的频带范围内平均吸声系数最高。优化结果表明:利用改进的粒子群算法设计出的微穿孔板吸声结构在给定频率范围内吸声系数较大,且符合给定温度的要求。     

基于改进支持向量机的超声参数与受载混凝土应力状态研究EI北大核心CSCD

在研究支持向量机模拟受载混凝土5个超声参数(波速、首波幅值、主频幅值、非线性系数和超声波谱面积)与应力的关系时,为提高其运算效率和寻优结果。通过数值模拟,对比了不同的归一化方式和核函数对寻找超声参数与应力相关性效果的影响;并采用试验探究了经验参数、遍历算法优化参数和粒子群算法优化参数三种支持向量机的模拟效果。结果表明:提出的首项归一化方式更适用于超声参数与应力这一特殊问题,核函数选择径向基核函数效果更优;不同的支持向量机模拟效果差异明显。简单支持向量机模拟效果较差,在低应力阶段尤为明显;遍历算法优化的模型得到的结果效果较好,但是计算时间过长,在低应力阶段判断误差较大,预测的结果高于真实值;粒子群算法优化支持向量机相比于遍历算法大幅减少了计算时间,模拟的结果效果也最好。     

基于PSO-SVR的冷水机组运行能效预测模型研究

针对冷水机组运行能效模型结构复杂、受运行参数影响较大、机理建模困难等问题,本文建立了基于支持向量回归机的冷水机组运行能效预测模型,并采用粒子群优化算法对模型参数寻优,提高了模型的精度。论文以某商场中央空调离心式冷水机组为研究对象,随机选取396组运行数据对建立的模型进行训练和测试。结果表明,基于粒子群算法优化的冷水机组支持向量回归机模型较BP神经网络模型具有较高的预测精度,其相对误差基本上在3%以内。最后分别采集夏季和过渡季两日的运行数据验证模型的有效性,验证相对误差均在5%以内,因此,该模型能准确地反应冷水机组的运行能效,为冷水机组运行能效分析、故障诊断以及优化控制等提供参考依据。     

基于佳点集粒子群算法的SVM参数优化方法

针对传统的粒子群算法（PSO）初始种群随机生成而导致的算法稳定性差和易出现早熟等问题,提出了基于佳点集改进的粒子群算法（GSPSO）,并将其优化支持向量机（SVM）,构建一种高效的预测评估模型（GSPSO-SVM）。首先采用佳点集方法使PSO中初始粒子均匀分布,然后利用GSPSO优化SVM的惩罚因子C和径向基核函数参数g以获取最佳参数值,提高SVM分类性和稳定性,最后将模型应用于旱情数据的评估预测。仿真实验结果表明：本模型在平均准确率和方差方面的准确都取得了很好的效果;对比分别用PSO和遗传算法（GA）优化的SVM模型,本模型的性能更好。     

基于PSO改进深度置信网络的滚动轴承故障诊断

针对深度置信网络(Deep Belief Network,DBN)用于轴承故障诊断时,网络层结构调试比较费时等问题,提出一种基于粒子群优化(Particle Swarm Optimization,PSO)的DBN算法,以及基于该算法的轴承故障诊断模型。该模型利用PSO算法优选DBN网络结构,并通过自适应时刻估计法微调模型参数,随后运用具有最优结构的DBN模型直接从原始振动信号中提取低维故障特征,并将其输入到Soft-max分类器中识别轴承的故障模式。该算法与支持向量机、BP神经网络、DBN、堆叠降噪自编码等方法进行对比分析,实验结果表明,PSO改进的DBN算法具有更高的准确率以及更好的鲁棒性。     

基于GMPSO的有限元模型修正方法验证

为提高有限元模型修正方法效率,保证修正精度,提出基于高斯白噪声扰动的粒子群优化（GMPSO）有限元模型修正方法。介绍标准粒子群优化（PSO）方法和改进后的GMPSO方法,基于测试函数比对两种方法的全局寻优能力和寻优效率;提出高效的基于GMPSO有限元模型修正方法,阐述方法流程并明确各参数与实际物理量的对应关系;基于GMPSO有限元模型修正方法对高维有损伤简支梁模型（变量维度为10）实施修正,并与基于遗传算法（GA）的模型修正结果进行比对;基于GMPSO有限元模型修正方法对某在役桥梁结构实施修正（变量维度为13）,验证所提方法可行性。结果表明:经局部改进的GMPSO方法较原PSO方法的优化能力显著提升;高维损伤简支梁模型修正结果显示,基于GMPSO模型修正方法可获得较好的修正结果,修正效率较基于GA的模型修正方法有显著提升;在役桥梁结构有限元模型修正结果显示,基于GMPSO模型修正方法可有效降低主梁计算频率和试验频率的误差,所提方法可适用于较工程复杂结构模型修正问题。     

基于粒子群算法的空间直线度误差评定

提出了一种满足最小区域法的空间直线度误差评价的新方法--粒子群算法。根据最小区域条件,建立了空间直线的数学模型以及优化目标函数。阐述了粒子群优化算法的原理和实现方法,然后根据粒子群算法优化求解。实例表明该方法对于空间直线度误差评定等非线性优化问题能得到最优解,可用于三坐标测量机等测量系统的空间直线度误差测量的数据处理。     

基于GSA-SVM的循环流化床锅炉NOx排放特性模型

为了准确地预测循环流化床锅炉NOx排放量,以某热电厂循环流化床锅炉燃烧数据为样本,提出了基于支持向量机（SVM）的循环流化床锅炉NOx排放特性GSA-SVM模型。由于SVM精度及泛化能力依赖于参数选择,故将万有引力搜索算法（GSA）运用到模型参数寻优过程中,利用不同工况下的样本数据检验了模型的预测性能,并将该模型分别与BP神经网络、粒子群(PSO)和遗传算法(GA)优化的SVM模型进行比较,仿真实验证明GSA-SVM模型具有很好的辨识能力及良好的泛化能力。     

Probabilistic optimal design of laminates using improved particle swarm optimization

A new approach to the particle swarm optimization (PSO) is proposed for the solution of non-linear optimization problems with constraints, and is applied to the reliability-based optimum design of laminated composites. Special mutation-interference operators are introduced to increase swarm variety and improve the convergence performance of the algorithm. The reliability-based optimum design of laminated composites is modelled and solved using the improved PSO. The maximization of structural reliability and the minimization of total weight of laminates are analysed. The stacking sequence optimization is implemented in the improved PSO by using a special coding technique. Examples show that the improved PSO has high convergence and good stability and is efficient in dealing with the probabilistic optimal design of composite structures.     

A new images segmentation method based on modified particle swarm optimization algorithm

The partitioning of an image into several constituent components is called image segmentation. Many approaches have been developed; one of them is the particle swarm optimization (PSO) algorithm, which is widely used. PSO algorithm is one of the most recent stochastic optimization strategies. In this article, a new efficient technique for the magnetic resonance imaging (MRI) brain images segmentation thematic based on PSO is proposed. The proposed algorithm presents an improved variant of PSO, which is particularly designed for optimal segmentation and it is called modified particle swarm optimization. The fitness function is used to evaluate all the particle swarm in order to arrange them in a descending order. The algorithm is evaluated by performance measures such as run time execution and the quality of the image after segmentation. The performance of the segmentation process is demonstrated by using a defined set of benchmark images and compared against conventional PSO, genetic algorithm, and PSO with Mahalanobis distance based segmentation methods. Then we applied our method on MRI brain image to determinate normal and pathological tissues. © 2013 Wiley Periodicals, Inc. Int J Imaging Syst Technol, 23, 265–271, 2013     

基于优化匹配追踪稀疏分解的微弱超声回波提取

为提高低信噪比环境中微弱超声回波信号的提取性能,提出优化的匹配追踪(Matching Pursuit,MP)稀疏分解的超声回波提取算法。该算法将具有连续空间搜索能力的粒子群优化(Particle Swarm Optimization,PSO)算法引入到MP稀疏分解中,以缓解原子集的遍历有限性需求与超完备性之间的矛盾,通过改进粒子群算法的参数自适应设置及MP算法的目标函数和重构函数,实现自适应的PSO-MP稀疏分解算法,并建立了连续伽柏(Gabor)原子集,提高了最优原子与不同参数超声回波信号的匹配程度,最后由最优原子集通过重构函数对回波信号进行重构,实现对回波的降噪和准确提取。实验结果表明,该算法显著降低了计算量,效果优于已有小波阈值等算法且具有较好鲁棒性。     

Multiobjective robust optimization method for drawbead design in sheet metal forming

It is recognized that fracture and wrinkling in sheet metal forming can be eliminated via an appropriate drawbead design. Although deterministic multiobjective optimization algorithms and finite element analysis (FEA) have been applied in this respect to improve formability and shorten design cycle, the design could become less meaningful or even unacceptable when considering practical variation in design variables and noises of system parameters. To tackle this problem, we present a multiobjective robust optimization methodology to address the effects of parametric uncertainties on drawbead design, where the six sigma principle is adopted to measure the variations, a dual response surface method is used to construct surrogate model and a multiobjective particle swarm optimization is developed to generate robust Pareto solutions. In this paper, the procedure of drawbead design is divided into two stages: firstly, equivalent drawbead restraining forces (DBRF) are obtained by developing a multiobjective robust particle swarm optimization, and secondly the DBRF model is integrated into a single-objective particle swarm optimization (PSO) to optimize geometric parameters of drawbead. The optimal design showed a good agreement with the physical drawbead geometry and remarkably improve the formability and robust. Thus, the presented method provides an effective solution to geometric design of drawbead for improving product quality.     

A surrogate-assisted particle swarm optimization algorithm based on efficient global optimization for expensive black-box problems

Evolutionary algorithms cannot effectively handle computationally expensive problems because of the unaffordable computational cost brought by a large number of fitness evaluations. Therefore, surrogates are widely used to assist evolutionary algorithms in solving these problems. This article proposes an improved surrogate-assisted particle swarm optimization (ISAPSO) algorithm, in which a hybrid particle swarm optimization (PSO) is combined with global and local surrogates. The global surrogate is not only used to predict fitness values for reducing computational burden but also regarded as a global searcher to speed up the global search process of PSO by using an efficient global optimization algorithm, while the local one is constructed for a local search in the neighbourhood of the current optimal solution by finding the predicted optimal solution of the local surrogate. Empirical studies on 10 widely used benchmark problems and a real-world structural design optimization problem of a driving axle show that the ISAPSO algorithm is effective and highly competitive.