基于人工鱼群BP神经网络算法的压力传感器温度补偿研究

为实现压力传感器的温度补偿,采用BP神经网络作为压力传感器软件补偿系统的核心算法,但由于BP神经网络算法易陷入局部极值,因此采用具有全局搜索能力的算法—人工鱼群算法(AFSA)进行优化,得到的结果是压力传感器的线性度提升1个数量级,温度灵敏度系数降低2个数量级,得到了很好的补偿效果。     

改进的粒子群算法在传感器温度补偿中的应用

针对红外气体传感器测量精度受环境温度影响较大的问题,提出了一种基于嵌入自适应Levy变异免疫粒子群-最小二乘支持向量机（ALIPSO-LSSVM）的温度补偿算法。ALIPSO算法引入Levy flight对子代粒子进行自适应变异,确保粒子多样性,并在每次迭代之前,采用相对基学习方法初始化粒子群,提高算法的收敛速度。通过5个基准测试函数对ALIPSO算法进行性能评价,仿真结果表明该算法收敛速度较快、精度高,且具有较强的全局搜索能力。利用ALIPSO算法对LS-SVM的参数进行优化,并将该混合算法应用于红外气体传感器温度补偿,数值仿真结果表明采用该算法可将补偿结果的相对误差控制在6%范围内。     

基于改进人工蜂群算法的WSNs覆盖优化

随着无线传感器网络（WSNs）被广泛地应用,覆盖优化问题已经成为网络服务质量中的一个关键问题。针对基本人工蜂群（ABC）算法的缺陷,基于混沌优化和自适应变化提出了一种改进的ABC（IABC）算法;并在此基础上,设计了基于IABC算法的动态网络覆盖优化方案。实验结果表明：IABC算法明显改善了基本ABC算法的缺陷,有效地延长了网络寿命,保证了网络的服务质量。     

基于人工蜂群改进算法的无线传感器网络定位算法

针对无线传感器网络无需测距的DV-Hop定位算法中,利用最小二乘法进行节点定位时存在较大误差的问题,提出了一种改进的DV-Hop智能定位算法。首先在详细分析DV-Hop算法中最小二乘法原理的基础上,将定位问题转化成全局最优化问题;其次根据人工蜂群算法计算最优化问题的优势,结合定位具体问题,提出了一种自适应人工蜂群算法;最后将改进的人工蜂群算法运用到DV-Hop算法未知节点的坐标估计阶段实现定位。仿真实验表明,改进的定位算法与最小二乘法及基于传统人工蜂群算法的DV-Hop算法相比,在不同锚节点比例和不同节点数的情况下,定位精度和精度稳定性都有明显提高。     

基于人工蜂群算法的DV-Hop定位改进

针对无线传感器网络无需测距依赖的DV-Hop定位算法节点定位精度不高的问题,将鲁棒性强、收敛速度快且全局寻优性能优异的人工蜂群算法引入到DV-Hop算法的设计中,提出了一种ABDV-Hop(Artificial Bee ColonyDV-Hop)算法。该算法在传统DV-Hop算法的基础上,利用节点间的距离和锚节点的位置信息,在DV-Hop算法的最后阶段,通过建立目标优化函数,实现对未知节点坐标的估计。仿真结果表明,与传统DV-Hop算法相比,在不增加传感器节点的硬件开销的基础上,改进算法能有效降低定位误差。     

人工蜂群算法的改进

为改善人工蜂群算法(ABC)的深度搜索能力,提出一种改进的人工蜂群算法(SABC)。借鉴混合蛙跳算法(SFLA)的进化机制,将蜂群划分为多个模因组,使每个新个体与自身所在模因组的最坏个体进行优劣比较,能够更加容易保存群体中的"新生"个体,改善群体的整体质量,增加算法的深度搜索能力。通过7个测试函数进行实验,统计结果表明了SABC算法在求解函数优化问题时具有较好的算法性能。     

基于伊藤算法的改进人工蜂群算法

针对人工蜂群算法(ABC)在求解复杂问题时出现的收敛速度慢、易陷入局部最优的缺点,在布朗运动和伊藤随机过程的启示下,借鉴伊藤算法的设计思想,提出了一种基于布朗运动的改进人工蜂群优化算法(BMABC)。在采蜜蜂和观察蜂阶段分别设计了不同的漂移算子和波动算子。漂移算子保证算法向着最优解的位置漂移,波动算子保证了解的多样性。分别使用ABC、GABC和BMABC对5个经典函数进行了测试。实验结果表明,BMABC算法具有收敛速度快、收敛精度高的特点,并具有良好的稳定性。     

基于信息熵的改进人工蜂群算法

为了克服人工蜂群算法在处理复杂性问题时收敛速度慢、收敛精度不高、易早熟等缺陷,在原始人工蜂群算法的基础上引入信息熵。信息熵本身是不确定性的一种度量,由信息熵的值来度量人工蜂群算法中跟随蜂选择的不确定性,通过控制信息熵的值达到控制算法中跟随蜂选择过程的目的,实现算法的自适应调节。通过对测试函数和不同规模TSP问题的模拟仿真,对人工蜂群算法、蚁群算法和其他改进方法进行了对比,验证了所提出改进方法的可行性和有效性。     

基于模拟退火思想的改进人工蜂群算法

针对人工蜂群算法(ABC)容易陷入局部极值点、进化后期收敛慢和优化精度较差等缺点。把模拟退火技术(SA)引入到ABC算法中,提出了一种改进的优化算法。混合优化算法在各温度下依次进行ABC和SA搜索,是一种两层的串行结构。由于ABC提供了并行搜索结构,所以,混合优化算法使SA转化成并行SA算法。SA的概率突跳性保证了种群的多样性,从而防止ABC算法陷入局部极小。基于模拟退火的改进人工蜂群算法保持了ABC算法简单容易实现的特点,改善了算法的全局优化能力,便于收敛的同时也可以防止算法陷入局部最优解。     

基于改进局部搜索策略的人工蜂群算法

针对人工蜂群算法在函数优化问题求解过程中容易陷入局部最优,收敛速度慢的缺点,提出了一种基于改进局部搜索策略的人工蜂群算法。该算法中跟随蜂采用基于当前最优解的混沌局部搜索策略,侦查蜂采用基于当前最优解的自适应侦查策略,并使其局部搜索范围随着迭代次数的增加逐渐减小,从而提高了人工蜂群算法的局部搜索能力,有效地避免了其陷入局部最优。6个测试函数的仿真实验结果表明,与传统的人工蜂群算法相比,改进后算法的求解精度和收敛速度明显提升。     

基于GA-WNN的电涡流传感器的温度补偿

针对电涡流传感器的温度漂移对其测量精度带来较大影响的问题,提出了基于遗传优化小波神经网络(GA-WNN)算法对电涡流传感器进行温度补偿修正模型。通过对电涡流传感器做标定实验,并且利用LM35温度传感器监测其工作温度,建立GA-WNN神经网络模型。该模型用遗传算法对小波神经网络的权、阈值进行全局的优化,改善了小波神经网络训练速度慢的问题,克服了易陷入局部最优的缺陷。研究结果表明,补偿后的灵敏度温度系数由8.69×10^-3/℃提升到3.48×10^-4/℃;零位温度系数由4. 78×10^-3/℃提升到1.85×10^-4/℃,均提高了一个数量级,成功实现了温度补偿的目的。     

基于RBF神经网络的电化学CO气体传感器的温度补偿

针对电化学CO气体传感器的输出精度易受环境温度影响的缺点,提出了一种基于RBF神经网络的温度补偿方法,并借助所设计的气体采集系统进行了实验研究.实验结果表明,未进行温度补偿时传感器输出最大误差为20.0%,基于BP神经网络温度补偿方法的误差为1.44%,而采用RBF神经网络进行温度补偿后最大误差可达到0.12%,故该方法可有效的用于电化学CO气体传感器的温度补偿,令传感器具有更高的测量精度和温度稳定性.     

基于人工蜂群的 BP 神经网络算法

传统BP神经网络存在容易陷入局部极小点、收敛速度慢等缺点。人工蜂群算法是基于蜜蜂群体的觅食行为而提出的一种新的启发式仿生算法,属于典型的群体智能算法。它为全局优化算法,该算法简单、实现方便、鲁棒性强。针对BP神经网络算法的不足,提出利用人工蜂群算法交叉优化BP网络参数的权值和阈值,实验证明该优化算法确实提高了解的精度,加快了网络收敛速度。     

基于DE优化BP的压阻式压力传感器的温度补偿研究

压阻式压力传感器存在温度漂移的问题,因此需要对该传感器进行温度补偿。为此,首先从标定实验中获取被测压力值、压阻式压力传感器的输出电压值以及环境温度值、温度传感器的输出电压值,然后用差分进化算法（DE）优化的BP神经网络算法从该标定数据中得到补偿后的数据。实验结果表明,所提出的温度补偿方法对压阻式压力传感器进行温度补偿后,其灵敏度温度系数提高了一个数量级,相对误差也得到很大的改善,因而其具有显著的理论意义和应用价值。     

气体传感器阵列温度漂移抑制的研究

半导体气体传感器存在漂移问题,温度变化对漂移的影响尤为明显.在气体传感器阵列中,可以加入温度、湿度等传感器,监测其工作环境.实验系统采用恒温箱设定一组温度,制备气体样本20例(两种浓度样本各10例),采集传感器对样本的响应;通过人工神经网络来识别样本;当有误判发生时,在原网络中引入温度传感器的响应值,消除了误判,在一定程度上抑制了漂移,改善了网络性能,验证了该温度漂移抑制方法的可行性.     

基于PSO的BP神经网络在压力传感器温度补偿中的应用

针对硅压阻式压力传感器的温度漂移问题,提出了基于粒子群优化算法PSO(Particle Swarm Optimization Algorithm)的BP神经网络的温度补偿模型,通过粒子群化算法对BP网络的权值和阈值进行全局寻优,克服了BP网络收敛速度慢和易陷入局部极值的缺陷,而且温度补偿的精度较高。研究结果表明,该方法有效的抑制了温度对压力传感器输出的影响,提高了传感器的稳定性和准确性。     

基于改进全局人工蜂群算法的WSN节点定位研究

无线传感器网络(Wireless Sensor Network,WSN)系统性能的提高,离不开对WSN中每一个传感器节点地理位置的精准定位。全局人工蜂群算法在基本人工蜂群算法的基础上,在邻域搜索后将迭代最优解添加到新解的更新公式中,提高了算法的开发能力。但将其应用于WSN节点位置求解时,存在计算时间长、收敛不稳定的问题。提出一种改进的全局人工蜂群算法,在邻域搜索后对新解进行衡量,若新解适应值在可接受的范围内,与迭代最优解进行交叉操作;若新解适应值较好,不与迭代最优解进行交叉操作;若新解适应值较差,舍弃新解。这较好地平衡了算法的探索和开发能力。求解WSN节点位置时,证明了该算法有更快的收敛速度和更好的收敛效果。     

两种数据融合算法对扩散硅压力传感器的温度补偿

针对扩散硅压力传感器在实际应用中对温度存在交叉灵敏度的问题,文章采用改进的多维回归分析法和BP神经网络法两种实用的智能化数据融合方法对压力传感器输出进行处理,以消除非目标参量(温度)对传感器的影响;研究结果表明这两种方法均能有效地抑制交叉灵敏度,减小灵敏度温漂和零点温漂;由于这两种融合算法具有各自的特点,因此可应用于不同要求的智能传感器系统中。     

改进人工蜂群算法优化RBF神经网络的短时交通流预测

为了提高径向基函数RBF神经网络预测模型对短时交通流的预测准确性,提出了一种基于改进人工蜂群算法优化RBF神经网络的短时交通流预测模型。利用改进人工蜂群算法确定RBF网络隐含层的中心值以及隐含层单元数,然后训练改进的人工蜂群算法RBF神经网络预测模型,并将其应用到某城市4天的短时交通流量数据的验证。将实验结果与传统RBF神经网络预测模型、BP神经网络预测模型和小波神经网络预测模型进行了比较。对比结果表明,该方法对短时交通流具有更高的预测准确性。     

基于分段融合的压阻式传感器温度补偿方法

针对硅压阻式压力传感器在工程应用中受环境温度和压力的影响产生漂移,影响测量精度等问题.提出一种基于粒子群优化RBF神经网络与最小二乘法融合的温度补偿模型.使用粒子群算法对常规RBF神经网络的权值和阙值进行优化,提高神经网络的泛化性能和训练效率,增强传感器非线性段温度补偿的效果;使用最小二乘法对线性段进行温度补偿,提高整体模型的补偿效率.以飞思卡尔24 PC型压力传感器进行补偿实验,结果表明:对比优化前的神经网络和最小二乘方法,利用本文方法进行温度补偿,耗时短,总体误差低于其他两种方法.传感器在整个温度区间和压力测试点下的输出基本不受影响,补偿效果明显,数据精度符合课题实验的要求.