基于改进粒子群算法的模糊小波神经网络建模

随着射频功放非线性对射频前端的影响日益增大,使得功放建模变得越来越重要。提出了一种自适应模糊小波神经网络模型结构,并利用改进的粒子群优化算法,建立有记忆的功放模型。将小波函数融入到自适应模糊推理系统的模糊规则中,得到新的网络模型;在粒子群算法中引入最差位置影响因子,提高搜索效率,并进一步简化,忽略粒子的速度项,同时采用与适应度函数值相关的动态变化惯性权重,加快了收敛速度,避免出现“早熟”现象。仿真结果表明：该方法建立的功放模型误差小、精度高,能够有效地表征功放特性。     

基于改进粒子群算法的动态3D实时建模技术

针对传统3D建模技术无法满足在脱离专业测量工具的情况下，实时创建出与用户所处房间等比例尺寸的3D模型的需求。提出一种基于陀螺仪传感器结合改进粒子群算法计算房间3D模型尺寸与镜头位置的动态3D建模技术，该技术可以实现实时房间等比例建模，使用者可以预览到整个房间所有方位的装修效果，让用户对房间整体装修效果有直观的印象，操作方便且实时性强。实验结果表明，改进粒子群算法的动态3D实时建模技术解决了国内传统3D建模技术测量不精确的缺陷，具有一定的理论和实际意义。     

基于改进粒子群优化算法的新型小波神经网研究

本文提出了改进的粒子群优化算法（Improved Particle Swarm Optimization,IPSO）的新型BP 小波 神经网络,并且对非线性辨识问题进行了仿真实验．实验结果表明,基于改进的粒子群优化算法的BP 小波网 络不仅具有小波分析良好的局部特性以及神经网络的学习、分类能力,而且具有粒子群优化算法全局快速寻 优的特点．与简单的粒子群优化算法相比,该方法在收敛性和稳定性方面都有了较明显的提高,验证了它的 合理性和有效性．     

基于改进的量子粒子群优化小波神经网络的网络流量预测

为了改善小波神经网络（WNN）进行流量预测的性能及避免量子粒子群算法（QPSO）搜索后期的早熟收敛缺陷,提出了一种改进的 QPSO。该算法定义粒子群聚拢度,改进收缩—扩张系数使其表示为聚拢度的函数并服从随机分布,以使粒子群具有动态自适应性,避免陷入局部最优,并通过搜索使用 WNN 待优化参数编码位置向量的粒子群的全局最优位置来实现目标参数的优化,使用本算法优化 WNN 参数,建立了基于改进的 QPSO优化 WNN 的网络流量预测模型。使用真实网络流量通过两组对比实验对其预测精度进行验证,证明了该方法的可用性。实验结果表明,该方法的预测精度优于 WNN 和 QPSO-WNN 方法。     

基于混合粒子群算法的小波神经网络故障诊断

针对复杂的飞控系统传感器故障类型,建立了故障诊断模型,提取了各种故障数据.构建3层小波神经网络,并提出一种改进粒子群算法--混合粒子群算法对小波神经网络进行训练,该算法使用离散粒子群算法优化小波神经网络连接结构,同时使用基本粒子群优化算法优化小波神经网络权值.将这种改进的小波神经网络算法应用于飞控系统传感器故障诊断中....     

基于粒子群优化的小波神经网络的停车位数量短时预测

针对停车场有效停车位的短时间预测精度低的问题,首先提出基于梯度下降法的小波神经网络模型,并且用粒子群优化算法对小波神经网络的参数作进一步的优化。用天津站后广场地下停车场的历史数据进行实验,结果表明该模型能对短时间内有效停车位数进行较准确的预测,且用粒子群优化算法对小波神经网络的参数优化后预测的平均绝对误差减小了5.23,平均相对误差减小了2.11%,最大相对误差降低了10.39%。实验结果表明,该模型能较准确地预测短时间内停车位数量,且优化后预测精度得到了进一步的提高。     

基于混沌粒子群优化小波神经网络的短时交通流预测

根据交通流量的非线性、时变性和复杂性等特点,提出基于混沌粒子群CPSO(Chaos Particle Swarm Optimization)优化小波神经网络WNN(Wavelet Neural Networks)的短时交通流预测。结合混沌的随机性和遍历性改进粒子群优化算法,改善粒子群优化算法容易陷入局部最优的问题。利用混沌粒子群算法优化小波神经网络的模型参数,克服传统小波神经网络采用梯度下降法易陷入局部极值和引起振荡效应现象缺陷。仿真结果表明,混沌粒子群优化小波神经网络与粒子群优化小波神经网络和小波神经网络两种方法相比,其提高了收敛速度和预测精度。     

一种改进的小波变异粒子群优化算法

为提高粒子群优化(PSO)算法的优化性能,提出一种改进的小波变异粒子群算法(IPSOWM)。在每次迭代时以一定的概率选中粒子进行小波变异扰动,从而克服PSO算法后期易发生早熟收敛和陷入局部最优的缺点。数值仿真结果表明,IPSOWM算法的搜索精度、收敛速度及稳定性均优于PSO和PSOWM算法。     

神经网络基于粒子群优化的学习算法研究

研究神经网络基于粒子群优化的学习算法，将粒子群优化算法用于神经网络的学习训练，并与遗传算法进行了比较，结果表明，神经网络基于粒子群优化的学习算法简单容易实现，而且能更快地收敛于最优解。     

基于改进的DeepESN软测量建模方法及应用

针对硫回收装置中硫化氢和二氧化硫浓度的实时监控预测问题,提出一种基于改进的深度回声状态网络(DeepESN)软测量建模方法,给出了其离线学习算法.改进的DeepESN网络能够通过多层回声状态网络的结构,可以对具有强非线性特性的化工过程进行有效的深度学习和预测.离线学习算法在求输出权值时加入了岭回归算法,有效地提高了网络学习的稳定性.将该方法在同等条件下与现有的软测量建模方法进行了比较,基于改进的DeepESN软测量建模方法具有更好的学习能力、更高的学习效率和预测精度.     

传感器动态建模算法的仿真研究

研究传感器动态优化建模,传感器存在不同程度的相位滞后和惯性等动态特性,当被测参数随时间迅速变化时,动态测试误差较大,严重影响控制精度,对传感器的这种动态性能进行描述是提高检测精度和控制准确度的重要手段.为了提高传感器系统控制精度,减少传感器建模误差,提出一种基于支持向量机的传感器动态建模算法.采用非线性支持向量机对传感器进行动态建模,描述传感器动态、滞后特性,并采用混沌粒子群算法对模型参数进行优化,进一步提高控制精度.仿真结果表明,改进方法能提高传感器系统控制精度,可以很好的应用于现代工业生产过程中,为传感器动态建模提供了一种新的方法.     

基于改进PSO算法的WSN覆盖优化方法

提出基于概率测量模型的改进粒子群优化方法,以网络有效覆盖率为优化目标,通过改进粒子群算法实现无线传感器网络的覆盖控制。分析传感半径以及离散化栅格点数对覆盖性能的影响。仿真实验表明,利用改进粒子群优化方法的有效覆盖率达到88.22%,证明了该方法的有效性。     

基于变惯性权重及动态邻域的改进PSO算法

分析并验证基于变惯性权重的粒子群优化(PSO)在粒子寻优过程中的有效性,论述类无标度网的特殊拓扑性质。将有向动态类无标度网作为粒子寻优邻域,提出一种基于变惯性权重及动态邻域的改进PSO算法。实验结果证明,与传统PSO算法相比,改进算法的寻优效果较好,可在一定程度上避免陷入局部最优。     

基于改进的PCA-LS-SVM的软测量技术及应用

针对工业过程中某些重要过程变量难以实现实时在线检测和高维数据处理的问题,提出了将主元分析与改进的最小二乘支持向量机相结合的软测量建模方法,建立了催化裂化主分馏塔柴油凝固点的软测量模型。最小二乘支持向量机与标准支持向量机相比,失去了"稀疏性",最小二乘支持向量机的稀疏化方法解决了这一难题;主元分析方法的引入,有效地提高了最小二乘支持向量机软测量模型的精度和泛化能力。应用结果表明,该改进的PCA- LS-SVM方法具有学习速度快、跟踪性能好以及泛化能力强等优点。     

基于改进的PCA—LS—SVM的软测量技术及应用

针对工业过程中某些重要过程变量难以实现实时在线检测和高维数据处理的问题，提出了将主元分析与改进的最小二乘支持向量机相结合的软测量建模方法，建立了催化裂化主分馏塔柴油凝固点的软测量模型。最小二乘支持向量机与标准支持向量机相比，失去了“稀疏性”，最小二乘支持向量机的稀疏化方法解决了这一难题；主元分析方法的引入，有效地提高了最小二乘支持向量机软测量模型的精度和泛化能力。应用结果表明，该改进的PCA—LS-SVM方法具有学习速度快、跟踪性能好以及泛化能力强等优点。     

基于协同进化的动态双重自适应改进PSO算法

针对PSO算法易陷入局部最优，发生早熟这一先天缺陷，在一定的误差容忍度下，借鉴协同进化理论中主体的能动性，系统的非线性，个体与环境的协同进化及个体的自适应性等优良特性，利用Feigenbaum迭代构造混沌序列，对粒子的位置和速度进行初始化取值；采用非线性和自适应调整策略对算法中的自我学习因子、社会学习因子及惯性权重进行取值，从而形成了动态双重自适应PSO改进算法（DDAPSO）。在单模态和多模态Benchmark函数上对上述算法进行仿真，并与其他5种算法进行了对比，仿真结果表明，DDAPSO算法较其他算法在求解精度、寻优效率和稳定性上具有极大的优势，表现出了较强的寻找全局最优解的能力，具有广泛的应用前景。     

基于WNN的亚法糖厂澄清过程工艺指标建模

研究亚硫酸制糖生产中澄清过程工艺指标的优化预测问题.对亚法糖厂澄清过程操作参数进行优化可以确保各项工艺指标满足生产要求,提高白糖的品质和产量,但目前各项工艺指标无法全部实现在线检测,且人工化验滞后时间长,难以及时对生产过程的操作参数进行优化.为了解决上述问题,根据澄清过程的生产工艺要求和大量的现场数据,建立用小波神经网络(Wavelet Neural Network,WNN)的澄清过程工艺指标预测模型,并与BP网络模型进行了性能比较分析.仿真结果表明:基于WNN的糖厂澄清过程工艺指标预测模型,可以达到对澄清工程工艺指标的预测作用,进行预测精度高、收敛速度快,优化预测效果比BP模型好.     

遗传优化支持向量机的传感器动态建模

传感器动态建模是研究传感器工作机理、评价动态性能指标及设计动态校正环节的重要途径.在分析最小二乘支持向量机回归算法的基础上,针对其可调参数的选择问题.提出了基于遗传算法进行全局优化的方法.仿真结果表明,将遗传优化最小二乘支持向量机算法应用于传感器的动态建模中,具有学习速度快和建模精度高的优点,所建模型具有较强的实用性和...     

一种基于PSO的动态聚类算法

传统的划分聚类算法必须指定簇的数量且聚类结果受初始条件的影响较大.针对此缺点,提出了一种基于PSO和K-means的混合动态聚类算法--DKPSO,运行过程中能够自动确定聚类簇的最佳数量.此算法在初始时将聚类数据划分为较多数量的簇以减少初始条件的影响,然后使用离散PSO算法不断优化簇的数量并使用K-means算法进一步优化每个粒子代表的聚类中心.为了提高收敛速度,对算法进行了的改进,使每个粒子的惯性权重随迭代次数非线性自适应地调整.最后通过实验对算法的有效性进行了验证,并给出实验结果.