基于改进粒子群算法的跨组织资源链构建研究

基于时序约束任务链驱动的资源链构建视角研究了跨组织资源共享问题,提出了以时间、成本、服务能力综合最优来构建跨组织资源链无约束数学模型,并设计了求解该模型的改进二进制粒子群算法。该算法通过采用惩罚函数,并引入时变粒子位置编码、参数设置和位置更新,提高了算法的收敛速度和全局搜索能力。最后对一个跨组织资源链的构建算例进行了仿真,并利用改进的粒子群算法构建了基于时间、成本和服务能力综合最优的跨组织资源链,研究结果及分析对比结果表明,该方法是有效可行的。     

基于改进粒子群算法的跨组织资源链构建研究

基于时序约束任务链驱动的资源链构建视角研究了跨组织资源共享问题,提出了以时间、成本、服务能力综合最优来构建跨组织资源链无约束数学模型,并设计了求解该模型的改进二进制粒子群算法。该算法通过采用惩罚函数,并引入时变粒子位置编码、参数设置和位置更新,提高了算法的收敛速度和全局搜索能力。最后对一个跨组织资源链的构建算例进行了仿真,并利用改进的粒子群算法构建了基于时间、成本和服务能力综合最优的跨组织资源链,研究结果及分析对比结果表明,该方法是有效可行的。     

基于粒子群优化的最小二乘支持向量机在时间序列预测中的应用

为提高基于最小二乘支持向量机（LSSVM）的时间序列预测方法的泛化能力与预测精度,研究了一种基于粒子群优化（PSO）的LSSVM。该方法以交叉验证误差为评价准则,利用PSO对多个具有不同超参数的LSSVM进行基于迭代进化的优化选择,并以交叉验证误差最小的LSSVM作为最终优化后的LSSVM。时间序列预测实例表明,经PSO优化后的LSSVM的预测精度高于未经优化的LSSVM与传统时间序列预测方法的预测精度。     

基于进化SVM的洞室位移非线性时间序列智能分析

考虑地下工程的复杂性和洞室围岩变形的非线性特点,提出了一种利用遗传算法优化支持向量机参数的进化支持向量机围岩位移时间序列预测方法.该方法不但克服了神经网络的过学习问题,也解决了支持向量机的参数选取问题.基于该方法,结合数据库技术建立洞室位移变形非线性时间序列计算机智能分析系统.将该系统用于水布垭电站地下厂房交通洞监测位移分析,获得满意的预测精度.     

基于PSO优化的LS-SVM的混沌时间序列预测

在非线性混沌动力学的发展中,混沌时间序列预测已成为一个非常重要的研究方向。最小二乘支持向量机（LS-SVM）是标准支持向量机的再形成形式,包含了分类、回归、预测等多种算法。微粒群优化（PSO）是当今智能寻优算法中较为简单快速的算法。运用PSO算法可以很好地解决LS—SVM的参数优化问题。针对以上问题。提出了基于PSO优化的LS—SVM预测方法。并对混沌时间序列预测进行了仿真。仿真结果证明了该算法的有效性。     

基于遗传算法的支持向量机时间序列预测模型优化

建立在统计学习理论和结构风险最小原则上的支持向量机在理论上保证了模型的最大泛化能力，因此与建立在经验风险最小原则上的神经网络模型相比，理论上更为完善。本文运用支持向量机建立时间序列预测模型，研究影响模型预测精度的相关参数，在分析参数对时间序列预测精度的影响基础上，提出用遗传算法建立支持向量机预测模型的参数自适应优化算法。最后，用算例表明了本文算法的正确性和有效性。     

基于粒子群优化SVM的刀具磨损量预测

针对SVM预测刀具磨损量存在的参数不易确定的问题,提出了新的基于粒子群优化SVM的智能预测方法。在介绍粒子群算法和SVM回归模型基本理论的基础上,提出用自适应粒子群优化算法优化SVM参数的策略,采用小波包方法对切削声信号进行分解处理,建立了基于粒子群优化SVM的刀具磨损量预测模型。试验分析的仿真结果表明,所建立的刀具磨损量智能预测模型具有较强的推广能力和较高的预测精度。     

基于优化灰色-马尔可夫链的销量预测

销售预测是企业决策的基础,管理者根据预测结果能够更合理地制定生产计划、分配生产资源。使用传统灰色-马尔可夫链预测算法对企业的产品销量进行预测,结果精度尚未达到1级标准,需要对该传统算法进行改进。引入模糊分类和粒子群算法,从残差区间划分、残差区间取值以及状态转移矩阵计算3个方面对该算法进行优化。通过对优化前、后预测算法的结果进行比较,表明优化后的灰色-马尔可夫链预测算法预测效果更好、精度更高。     

AMPSO与SVR相结合的铣刀寿命预测研究

针对支持向量回归机在预测铣刀寿命时惩罚参数和核函数参数难确定、不同的参数设置对预测效果影响较大的问题,提出了自适应变异粒子群算法。在支持向量回归算法的基础上,引入AMPSO优化SVR参数,建立AMPSO与SVR相结合的数控铣刀寿命预测模型。通过硬质合金钢铣刀铣削的实验验证表明,相比于网格搜索法和神经网络算法,AMPSO-SVR算法在测试样本集的平均相对预测误差低至0.72%,相较前两者预测误差更小,可准确预测数控铣刀寿命,为数控加工过程中的换刀决策提供依据。     

基于时间序列模型预测汽车销量研究

汽车行业已经在国民经济中占有很大的比重,因此对于无论是调控汽车市场的走向的政策制定者,还是需要了解市场行情的汽车制造厂商而言,汽车销售量的预测都有着极为重要的作用.文中采用时间序列模型对于中国汽车的月销量进行预测,通过比较,选取最优模型,然后对2013年中国汽车的销售量进行一个简单的预测,为政府及企业的相关人员提供一个数据基础,希望其可以根据预测值进行政策以及策略的调整.     

基于隶属度模糊最小二乘支持向量机的工序能力预测

提出了一种基于隶属度模糊最小二乘支持向量机（FLS-SVM）的时间序列预测新方法。一方面,该方法较好地解决了小样本学习问题,避免了人工神经网等智能方法在对小批量生产工序能力进行预测时所表现出来的过学习、泛化能力弱等缺点;另一方面,由于对于历史数据实行的重近轻远的原则,使得该方法预测精度高且容易实现。实验表明,该方法具有很好的有效性与实用性。     

基于广义回归神经网络的时间序列预测研究

介绍了广义回归神经网络的基本理论,提出了应用BIC准则确定输入神经元数目的方法．将其应用于大型旋转机械振动状态时间序列的单步和多步预测,与传统的采用误差反向传播学习算法的三层前馈感知器网络(BP神经网络)的预测结果进行对比。结果表明,该网络的预测性能优于后者,即使样本数据稀少,也能获得满意的预测结果。     

非平稳时间序列自适应线性神经网络在线预测

研究了应用自适应线性元件（Adaline）神经网络解决非平稳时间序列在线预测问题的可行性，提出根据自回归模型定阶方法来确定Adaline预测模型中的输入神经元数目，并分析了自适应学习率对预测性能的影响，仿真结果表明，Adaline在线预测非平稳时间序列的工作性能良好。     

基于模拟退火-粒子群算法优化支持向量机参数的连铸漏钢预报

针对连铸漏钢预报神经网络模型在小样本训练数据情况下难以获得较高预报准确率的问题,提出了一种基于模拟退火-粒子群（SA-PSO）算法优化支持向量机（SVM）参数的连铸漏钢预报算法。将粒子群优化算法引入支持向量机的训练过程中,利用其调整参数少、寻优速度快的优点,有效地提高了漏钢预报模型的寻优速度;利用模拟退火算法对粒子群算法迭代更新后粒子的新位置加以评价,来决定新位置是否被接受,避免了粒子群算法在迭代寻优过程中陷入局部极值的问题。结合某钢厂连铸现场历史数据对提出的连铸漏钢预报算法进行了测试,测试结果表明,所提算法的连铸漏钢预报准确率可达98.8%。     

油液在线监测系统中磨粒识别技术研究

针对磨损状态监测要求,构建了基于显微图像分析的油液在线监测系统。根据系统光路特点,对磨粒图像进行了基于彩色特征的转换,并通过与背景图像的差值处理来快速提取磨粒目标。基于最小二乘支持向量机设计了磨粒两类分类器,并利用粒子群优化算法对最小二乘支持向量机模型中的参数进行了优化选取;根据磨粒识别体系,设计了基于最小二乘支持向量机的磨粒综合分类器。最后,利用铁谱分析技术对系统性能和识别效果进行了检验,结果表明本系统具有较高的检测精度和识别效果。     

小波网络在振动信号时间序列预报中的应用

介绍了离散仿射小波神经网络的原理及其构建方法 ,用正交最小二乘算法进行小波基函数的选择 ,用最小二乘算法确定小波网络权值。说明小波神经网络具有高度的非线性函数逼近能力 ,可以用于建立时间序列预报模型 ,最后给出了小波网络用于建立旋转机械振动信号时间序列预报模型实例。     

基于支持向量回归机的切削力预测

针对神经网络方法在切削力预测方面存在的缺陷,提出了一种新的基于支持向量回归机的切削力智能预测方法。分析了以往切削力预测模型中输入参数和输出参数的选择问题,在此基础上选择轴向切深、进给量、主轴转速和曲面半径四个关键指标作为预测模型的输入,选择XY平面上的切削力合力和轴向切削力作为预测模型的输出,进一步建立了基于支持向量回归机的切削力预测模型。仿真实例的预测结果表明,建立的智能切削力预测模型合理有效。