基于群智优化RBF神经网络的预测控制模型研究（英文）

为了提高预测控制模型的准确度,采用RBF神经网络来完成网络流量预测,并借助群体智能算法中的混合蛙跳算法来实现模型参数的优化。首先,在建模过程中引入混合蛙跳算法。然后,将RBF神经网络权重和阈值作为青蛙个体,随机产生的多个权重和阈值组合个体构成蛙群。对蛙群进行分组,并通过不断重新分组和组内迭代的方法来获取全局最优个体,从而得到最优权重和阈值,以便确定最优的预测控制模型。经过实验证明:采用基于群体智能优化RBF神经网络的预测控制模型具有更高的准确度。     

基于仿生群智能优化RBF神经网络的机械手滑模控制方法研究

为了提高机械手滑模控制的准确度,采用RBF神经网络来完成机械手滑模控制,并借助群体智能算法中的混合蛙跳算法来实现模型参数的优化。在机械手滑模控制及机械手运动轨迹跟踪过程中,将RBF神经网络权重和阈值作为蛙跳算法的青蛙个体,随机产生的多个权重和阈值组合个体构成蛙群,并对蛙群进行分组,通过不断重新分组和组内迭代的方法来获取全局最优个体,得到最优权重和阈值,确定最优机械手滑模控制模型。经过实验证明,采用基于仿生群智能优化RBF神经网络的机械手滑模控制,跟踪准确度高。     

狼群优化LVQ神经网络的齿轮箱故障诊断应用研究

为了提高齿轮箱故障诊断的准确度,采用LVQ神经网络来完成齿轮箱故障定位及识别,并借助狼群优化算法来实现模型参数的优化。在齿轮箱故障诊断的建模过程中,引入狼群优化算法,将LVQ神经网络权重和阈值作为狼群个体,随机产生的多个权重和阈值组合个体构成狼群,并根据狼群游走、召唤和围攻等行为,不断更新狼群中个体狼的位置来获取全局适应度最大的头狼,得到最优权重和阈值,确定最优齿轮箱故障诊断模型。经过实验证明:采用基于狼群优化LVQ神经网络的齿轮箱故障分类,分类准确度更高。     

基于CBR-HJaya-BP的液压缸加工工时预测研究

为了提高冶金行业液压缸加工工时预测精度,提出一种结合基于案例的推理（CBR）和混合Jaya算法优化BP神经网络的液压缸加工工时预测方法（CBR-HJaya-BP）。使用混合Jaya算法优化BP神经网络的初始权值和阈值,采取基于Sin混沌反向学习的种群初始化策略提高初始解的质量,引入阿基米德优化算法中的转移算子,在探索阶段采用均匀交叉产生中间种群,在开发阶段使用Jaya公式产生中间种群,在解的保留策略中引入了模拟退火算法中的Metropolis准则,以跳出局部最优。以某冶金液压缸制造企业的历史加工数据库为样本,采用CBR方法提取与待预测液压缸的特征参数相似度最高的历史数据,使用提出的HJaya-BP模型进行预测实验,并与改进前的Jaya-BP模型以及原始BP神经网络模型进行对比。实验结果表明,HJaya-BP模型的预测准确度和稳定性均为最优。     

基于粒子群算法的RBF神经网络齿轮磨损预测

针对机械设备磨损难以预测问题,提出RBF神经网络预测模型,并结合粒子群算法优化模型参数。利用变速箱型号为SG135-2系列的K727840ZW齿轮磨损实验输入-输出数据,通过基于粒子群算法的RBF神经网络建立输出预测模型,并与传统的AR模型、BP神经网络模型及Hermite神经网络模型预测作比较。仿真结果表明,基于粒子群算法的RBF神经网络模型结构简单、预测精度高,验证了所提方法的有效性和实用性。     

基于CAPSO-RBF的磁悬浮系统控制研究

为解决传统控制器磁悬浮球系统快速性和稳定性易受干扰等问题,建立云自适应粒子群优化(CAPSO)的RBF神经网络监督控制器。通过RBF神经网络学习整定PD控制器的输出后采用云自适应粒子群算法对RBF网络的3个参数进行归一动态优化。采用原有RBF神经网络梯度下降法、粒子群算法、云自适应粒子群算法分别训练后进行对比控制仿真。结果表明：基于CAPSO-RBF的混合控制算法实现了磁悬浮球系统自适应控制,其动态性能和稳态性方面有较好的提升。     

基于粒子群神经网络的QSn6.5-0.1连铸工艺优化

提出了一种神经网络与粒子群算法相结合的锡磷青铜水平连铸工艺参数优化方法。以水平连铸中7个主要工艺参数为优化对象，带坯成材率为优化目标，进行正交试验并以试验数据作为样本，利用神经网络建立优化参数与优化目标的非线性映射模型。利用粒子群算法对建立的模型进行优化，获得最优铸造工艺参数。选用RBF（径向基函数）神经网络，网络学习采用减聚类算法和最小二乘法，采用惯性权重动态改变策略对粒子群算法进行改进。实际生产证明，经优化的铸造工艺参数使带坯的成材率从56％提高到71％。     

海底腐蚀管道极限承载力预测模型

准确的预测海底腐蚀管道极限承载力对于评估海底管道寿命、保证海底油气管道安全运行具有重要意义。针对BP神经网络(BPNN)模型学习效率低、对初始权重敏感且容易陷入局部最优状态等缺点,采用人工蜂群(ABC)算法来优化BPNN的初始权值和阈值,建立了ABC-BPNN海底腐蚀管道极限承载力预测模型。使用MATLAB软件搭建模型并进行预测,同时与BPNN模型、遗传算法(GA)优化的BPNN模型和粒子群优化算法(PSO)优化的BPNN模型进行对比分析。结果表明：ABC-BPNN模型预测海底腐蚀管道极限承载力的平均相对误差为1.975 0%,优于BPNN、GA-BPNN和PSO-BPNN模型的预测结果;ABC-BPNN模型的预测结果所拟合出来的直线与Y=X直线最为贴近,证明了ABC-BPNN模型作为预测海底腐蚀管道极限承载力工具的准确性和稳定性。     

遗传优化LVQ神经网络在设备故障诊断系统中的应用

为了提高设备故障诊断的准确度,采用LVQ神经网络来完成设备故障定位及识别,并借助遗传算法求解LVQ神经网络权重初始值。在设备故障诊断的建模过程中,根据实际故障情况和故障常见类别建立LVQ神经网络的设备故障诊断模型,充分挖掘LVQ神经网络在机械设备故障诊断细粒度的优势,为了防止因为故障细粒度诊断而造成收敛过慢的情况,对LVQ神经网络的权重和阈值初值进行遗传算法求解,然后在进行LVQ神经网络的迭代训练,得到稳定的LVQ神经网络故障诊断模型。经过实验证明,相比于传统的LVQ神经网络算法,采用基于遗传算法优化LVQ神经网络的设备故障分类,分类准确度更高,训练时间更快。     

基于PSO-BP算法的3D打印制件精度预测模型

针对选择性激光烧结(SLS)中制件精度和工艺参数难以选择的问题以及BP神经网络本身缺陷,提出一种利用粒子群算法优化的BP神经网络建立SLS烧结件精度预测模型的方法。首先根据SLS成型工艺的特点,分析影响成型件精度的因素,通过实验获得不同激光功率、扫描速度、扫描间距和分层厚度条件下多组成型件精度数据,并采用多目标函数优化的单目标化思想优化目标函数,然后通过粒子群算法优化BP神经网络。用优化后的最优解作为BP神经网络算法的初始权值和阈值,利用MATLAB建立优化后的BP神经网络预测模型,对优化后的精度函数模型进行预测分析,并与传统BP神经网络获得的预测结果进行对比。结果表明:粒子群优化的神经网络模型具有良好的全局搜索能力和收敛性,精度预测更加准确,对SLS打印制件具有一定的指导作用。     

基于CPSO-BP的刀具寿命预测算法

为了改善刀具寿命预测的精准度,文章在已有的PSO-BP神经网络算法中引入混沌理论,提出了一种基于混沌粒子群算法优化BP神经网络(CPSO-BP神经网络)的刀具寿命预测方法。该方法采用粒子群算法优化网络权值和阈值,通过混沌扰动更新粒子的位置。CPSO-BP神经网络算法既避免了BP神经网络存在的收敛速度慢、易陷入局部最优的缺点,又改善了全局搜索能力,同时,降低了粒子群优化算法造成早熟收敛或停滞的可能性。仿真结果表明:与已有的PSO-BP神经网络算法相比,该文的CPSO-BP神经网络算法用于刀具寿命预测时收敛速度和预测精度均更胜一筹。     

基于改进PSO优化模糊神经网络的数控机床故障诊断技术研究

数控机床故障具有隐蔽性和复杂性的特点,为了快速准确地识别数控机床发生的故障,结合粒子群算法全局搜索能力强、寻优速度快及模糊神经网络容错能力强、自适应性强的特点,提出了将模糊逻辑、RBF神经网络及粒子群算法有机结合的数控机床故障诊断方法。为了改善粒子群算法局部搜索能力,在标准粒子群算法的基础上,改进粒子群的速度更新公式和惯性权重,以此优化模糊神经网络结构参数,从而建立起改进PSO优化模糊神经网络的数控机床主轴伺服系统故障诊断模型。实验和仿真结果表明:与RBF神经网络、标准PSO优化模糊神经网络相比,改进PSO优化模糊神经网络的故障辨识准确性更高、泛化能力更强。     

基于DPSO-BP神经网络的V形自由折弯成形角度和回弹预测北大核心CSCD

采用基于DPSO算法优化BP神经网络(DPSO-BP)的机器学习算法建模,提出一种考虑材料参数和几何参数的V形自由折弯成形角度和回弹的预测方法。该方法主要引入非线性惯性权重改进粒子群(PSO)算法,进一步优化神经网络的初始权值和阈值,构建神经网络预测模型。以不同批号的SUS304不锈钢板料为研究对象,通过设计正交试验得到45个训练样本数据,验证所建立的预测模型的准确性。结果表明:采用DPSO-BP神经网络模型预测的成形角和回弹角的平均误差分别为0.150°和0.120°,与未优化的PSO-BP神经网络模型相比,预测的成形角和回弹角的平均误差明显减小,且计算耗时由14.0 min大幅缩短至0.8 min,同时实现了高预测精度和高计算效率。     

基于粒子群优化神经网络的滚动轴承剩余寿命预测

为了能在有噪声干扰的复杂环境下提取出滚动轴承振动信号的故障特征,提出了一种基于粒子群优化神经网络的轴承故障特征频率的提取方法。首先对采集的振动信号进行降噪处理;其次,进行特征提取与约简;最后,采用群体智能算法——粒子群算法优化BP神经网络初始权值和阈值,构建二者结合的模型来预测滚动轴承剩余有效寿命,并结合试验平台的实验数据对该模型进行验证。实验结果表明:该方法能够很好的降低提取振动信号时由于噪音产生的影响,滚动轴承剩余的预测更加准确。     

基于改进PSO优化BP的数控机床热误差预测研究北大核心

热误差是影响数控机床加工精度的主因,为提高数控机床热误差模型的预测精度,提出了基于改进粒子群优化BP神经网络的数控机床热误差建模预测方法。针对BP易陷入局部最优、收敛速度慢,在标准粒子群算法的基础上,改进粒子的速度与位置更新策略,在此基础上优化BP神经网络的阈值和权值,并建立数控机床热误差预测模型;借助于MATLAB完成仿真实验,结果表明,与标准的BP神经网络和支持向量机相比,基于改进粒子群优化BP神经网络的数控机床热误差预测模型精度高、泛化能力强。     

基于改进型支持向量机算法的轧机轧制力预测

考虑到基于神经网络算法建立的预测模型虽然具有较好的预测精度,但是神经网络模型需要大量的训练样本,另外会增加模型的复杂程度,研究了一种基于改进型支持向量机的轧机轧制力预测模型,建立基于RBF核函数和多项式核函数的最小二乘支持向量机,并使用协同量子粒子群算法对混合函数的参数进行寻优,以提高预测模型的预测性能。由协同量子粒子群算法优化得到了基于改进型支持向量机的轧机轧制力预测模型中的RBF核函数参数γ值、惩罚系数c值、多项式核函数参数q值和两个核函数的权重a值。通过实例研究表明:使用本文研究的改进型支持向量机的轧制力预测模型预测相对误差在4%～6%之间,多组数据的平均值误差为4. 83%。验证了本文研究的基于改进型支持向量机的轧机轧制力预测模型的可行性。本文研究的预测模型相比其他3种对比模型耗时更长,但是相比之下提高了预测准确率,更具有实际意义。     

基于小波分析和RBF神经网络的轴承故障诊断研究

为了提高轴承故障信号的诊断性能,采用小波分析和RBF神经网络相结合的方法对轴承振动信号进行故障分类。首先对轴承振动信号进行小波变化,采用软阈值去噪方法滤除振动信号噪声,然后对振动信号矩阵化处理,接着构建RBF神经网络,输入轴承振动信号特征向量,初始化权重和阈值,最后通过不断反向迭代得到稳定的RBF神经网络故障判别模型。实验证明：通过差异化设置隐藏层神经元数量,确定合适的RBF神经网络规模,经过小波去噪可以有效提高轴承故障判别准确率,相比于常见轴承故障分类算法,算法具有更高的故障判别准确率。     

基于模拟退火耦合粒子群算法优化BP神经网络的机床主轴热误差补偿研究

为了降低机床主轴运行产生的热误差,建立混合算法优化BP神经网络预测模型,通过实验验证预测精度。分析模拟退火算法和粒子群算法的不足,采用模拟退火算法耦合粒子群算法,给出混合算法寻优步骤。引用BP神经网络结构,构造机床主轴热误差预测模型,采用混合算法优化BP神经网络预测模型。采用实验验证主轴热误差预测精度,并与优化前进行比较和分析。结果显示:采用混合算法优化后的BP神经网络预测模型,其Y轴方向产生的最大误差值从7.3μm降低到2.3μm;而Z轴方向产生的最大误差值从7.5μm降低到2.6μm。同时,机床主轴整体误差波动幅度较小。采用混合算法优化BP神经网络预测模型,用于机床主轴热误差在线补偿,提高了加工精度。     

基于RBF神经网络的强力旋压连杆衬套成形质量预测研究

为了实现对强力旋压连杆衬套成形质量(壁厚差和扩径量)的预测,进而对工艺参数进行优化,利用MATLAB人工神经网络工具箱,建立了强力旋压工艺参数与成形质量的RBF神经网络模型。基于减聚类算法改进的K-means学习算法,用模拟实验所得数据对神经网络进行训练,进而对旋压成形质量进行预测,通过与实测值对比,发现所建神经网络模型预测性能良好,实现了RBF神经网络在强力旋压领域的成功应用,与原始K-means学习算法训练的RBF神经网络和BP神经网络所建模型比较,发现改进K-means学习算法训练的RBF神经网络预测模型拥有更优的性能。该模型不仅可以为工艺参数的优化提供参考,还能缩短工艺参数的优化周期和减少实际实验的成本。     

基于粒子群优化径向基神经网络的烧结终点预测研究

针对烧结生产过程中多变量、强耦合的特点和RBF神经网络结构参数选取依据经验的问题,为提高烧结终点预报模型的精度,提出粒子群算法优化RBF神经网络的烧结终点预测方法。在标准PSO算法的基础上,优化RBF神经网络隐层节点中心和宽度2个结构参数,并建立烧结终点预测模型;在此基础上利用UCI数据库中的Computer Hardware和Concrete Slump Test标准数据,验证了方法的有效性,并以某钢厂265 m2烧结机的实际生产数据,建立烧结终点的预报模型。结果表明,与标准BP,RBF相比,基于PSO优化RBF的烧结终点预测模型精度高、泛化能力强。