PSO算法在非线性回归模型参数估计中的应用

非线性回归模型的参数估计是较为困难的寻优问题,经典方法常会陷入局部极值.由于粒子群算法是一种有效的解决优化问题的群集智能算法,它的突出特点是操作简便、容易实现且全局搜索功能较强,故将粒子群优化算法用于非线性系统模型参数估计,并通过对6种非线性回归模型的参数估计进行了验证.实验结果表明:粒子群优化算法是一种有效的参数估计方法.     

基于粒子群优化算法的非线性系统模型参数估计

非线性模型的参数估计是较为困难的寻优问题,经典方法常会陷入局部极值。由于粒子群算法是一种有效的解决优化问题的群集智能算法,它的突出特点是操作简便、容易实现且全局搜索功能较强,故将粒子群优化算法用于非线性系统模型参数估计,并通过对3种典型的非线性模型的参数估计进行了验证。实验结果表明：粒子群优化算法参数估计精度高,是一种有效的参数估计方法。     

PSO算法在非线性回归模型参数估计中的应用

非线性回归模型的参数估计是较为困难的寻优问题,经典方法常会陷入局部极值。由于粒子群算法是一种有效的解决优化问题的群集智能算法,它的突出特点是操作简便、容易实现且全局搜索功能较强,故将粒子群优化算法用于非线性系统模型参数估计,并通过对6种非线性回归模型的参数估计进行了验证。实验结果表明：粒子群优化算法是一种有效的参数估计方法。     

非线性系统模型参数估计的算法模型

针对非线性系统模型的多样性,提出了适用于多种非线性模型的基于粒子群优化算法的参数估计方法。计算结果表明,粒子群优化算法是非线性系统模型参数估计的有效工具。     

基于微粒群算法的非线性系统模型参数估计

微粒群优化(PSO)算法是一种进化算法,包含的概念简单.本文不同于传统的非线性模型参数估计方法,将微粒群优化算法应用于非线性系统模型(NSM)的参数估计,并通过重油热解三集总模型参数估计进行PSO算法效果测试.实验结果表明:微粒群算法为非线性系统模型参数估计提供了一种新方法.     

PSO算法在非线性模型参数估计中的应用

将微粒群优化(PSO)算法用于非线性系统模型参数估计，并通过对谷氨酸菌体生长模型的参数估计进行了验证．实验结果表明：微粒群算法为非线性系统模型参数估计提供了一种有效的途径．     

基于粒子群算法的Logistic回归模型参数估计

针对Logistic回归模型中的参数估计计算复杂难题,提出一种基于粒子群优化算法（PSO）的估计方法。以最大似然准则作为粒子群优化算法的适应度函数,建立了Logistic回归模型中的参数估算模型。数值仿真分析表明,粒子群优化算法可以更精确地计算出相关参数。     

应用改进粒子群算法辨识Hammerstein模型

研究非线性系统辨识问题.针对非线性系统中单输入单输出Hammerstein模型,由于传统辨识方法对Hammerstein模型中非线性部分具有不易辨识的缺陷,造成辨识精度低、辨识效果差等问题.为此,在基本粒子群算法的基础上,提出了一种带有收缩因子的改进的粒子群算法对非线性系统进行辨识的方法,可将参数辨识问题转换为参数空间上的函数优化问题,然后利用粒子群算法的并行搜索能力进行参数寻优.通过MATLAB软件进行仿真,并与基本粒子群算法进行比较,结果表明,利用改进算法不仅提高了辨识精度而且获得了良好的辨识效果,从而验证了算法的有效性和可行性.     

基于PSO的软件可靠性模型参数估计方法

软件可靠性建模是一个重要的研究领域,现有的软件可靠性模型基本上是非线性函数模型,估计这些模型的参数比较困难。粒子群优化是一类适合求解非线性优化问题的随机优化方法,提出一种基于粒子群优化的软件可靠性模型估计参数方法,该方法的关键是构造合适的适应函数。用该方法分别估计了5个实际软件系统的指数软件可靠性模型以及对数泊松执行时间模型,实验结果表明：该方法参数估计的精度高,对模型的适应性强。     

基于改进粒子群优化算法的锌电解过程模型研究

针对锌电解过程各参数之间耦合严重、能耗高、建模困难,研究了锌电解电流效率与各工艺过程参数之间关系的数学模型,提出了一种改进的粒子群优化算法(IPSO)进行模型参数估计,该算法在粒子失活时,对粒子进行变异或扰动操作,重新激活粒子,避免了算法陷于局部最优解,改善了优化算法性能;以锌电解过程实验数据为样本,采用改进的粒子群优化算法对模型进行参数估计和检验,并与基本粒子群算法和BP神经网络模型进行比较,仿真结果证明了模型的有效性。