基于改进粒子群算法的模糊神经网络PID控制器设计

针对模糊神经网络PID控制器中参数初始值的设置对控制器性能影响大的问题,提出一种改进的PSO算法优化模糊神经网络PID控制器参数的设计方法.该方法采用实数编码的方式对控制器参数进行优化,并以ITAT指标作为改进的PSO优化算法的适应度函数.实验仿真表明:经过改进的PSO算法优化的模糊神经网络PID控制器具有良好的动静态性能,响应速度更快,超调量更小,控制精度更高.     

改进的PSO在说话人辨识中的应用

针对PSO算法容易陷于局部极值的缺点,提出了一种改进的PSO优化算法（IPSO）。该算法根据粒子进化速度对粒子个体极值进行自适应扰动,使粒子及时跳出局部极值点而继续优化,从而扩大粒子搜索范围。改进后的PSO算法加快了收敛速度,能够很好地调整算法的全局与局部搜索能力之间的平衡。同时,给出了应用IPSO算法训练支持向量机的方法,并将其应用于说话人辨识。改进后的PSO可以使SVM用较少的SV取得最优分类面,从而减少SVM的训练量,提高了说话人辨识速度。     

一种非线性权重的自适应粒子群优化算法

针对粒子群优化算法中出现早熟和不收敛问题,分析了基本PSO算法参数对其优化性能的影响,提出了基于非线性权重的自适应粒子群优化算法（NWAPSO）。在优化过程中,惯性权重随迭代次数非线性变化,改进的算法能使粒子自适应地改变搜索速度进行搜索,并与基本粒子群算法以及其他改进的粒子群算法进行了比较。实验结果表明,该算法在搜索精度和收敛速度等方面有明显优势。特别对于高维、多峰等复杂非线性优化问题,算法的优越性更明显。     

基于改进PSO优化LSSVM的MEMS陀螺随机漂移预测

提出一种基于改进粒子群算法（PSO）优化最小二乘支持向量机（LSSVM）的MEMS陀螺随机漂移的预测模型建立方法。该方法首先应用最小二乘支持向量机对MEMS陀螺随机漂移建立预测模型,然后应用改进粒子群算法对该模型进行优化,最后应用参数优化后的LSSVM预测模型对随机漂移进行预测。该方法不仅解决了支持向量机训练速度慢和所需计算资源多的问题,而且文中提出的改进的惯性权值递减策略使PSO算法在全局或局部搜索能力上的侧重具有更好的适应度。实验结果表明,该预测模型可以有效地进行陀螺随机漂移的预测,且预测效果优于基本PSO优化的最小二乘支持向量机。     

带有扰动项的改进粒子群算法

在介绍基本粒子群优化（PSO）算法及其现有一些改进的基础上,分析了PSO算法更新公式的固有缺陷。指出其三段式结构所隐含的易陷入局部最优问题,进而提出了一种带有扰动项的改进粒子群算法（PSO—DT）。它改变了现有算法的速度更新公式,加入了用于避免陷入局部最优的扰动项。分析了该改进算法的收敛性。测试表明,改进算法在优化性能上有较大提高。     

一种求解高维约束优化问题的γ-PSO算法

PSO算法是一种随机搜索的群体智能算法,在求解高维约束优化问题,尤其是在约束条件较多时,PSO算法易陷入局部极值且收敛速度慢。针对上述问题,对PSO算法进行了改进,提出了γ-PSO算法,把PSO算法的随机数由(0,1)扩展到(-1,1),这样加大了粒子飞行速度和飞行方向的多样性,从而使PSO算法具有摆脱局部极值的能力。对γ-PSO算法进行了求解高维约束优化问题的实验,实验结果表明γ-PSO算法能收敛到全局最优值,收敛性能明显优于其他改进的PSO算法和其他优化算法。     

改进的粒子群优化算法设计FIR低通数字滤波器

粒子群优化算法(PSO)因具有参数少、易于实现等优点,在解决优化问题时表现出很好的性能。有限长单位脉冲响应(FIR)数字滤波器因具有稳定的结构、易于实现等优点,在实际中有着很广泛的应用。因此,将基于三角函数因子的改进PSO算法(TFPSO)用于对FIR低通数字滤波器性能的优化,并将其与基于折射原理反向学习(refrPSO)、基于反向学习(OPSO)的PSO算法所设计的FIR低通数字滤波器的性能进行比较。在实验中构造出一种性能较好的适应值函数,以验证这几种改进的PSO算法所设计的FIR低通数字滤波器的性能。实验结果表明,基于三角函数因子的PSO算法滤波性能较差,而基于折射原理反向学习的PSO算法性能最佳。     

基于PSO算法和BP神经网络的PID控制研究

针对PID控制中的参数整定的难点及基本BP算法收敛速度慢、易陷入局部极值的问题,提出利用PSO算法的全局寻优能力和较强的收敛性来改进BP网络的权值调整新方法,从而对PID控制的比例、积分、微分进行优化控制。该方法是在基本BP算法的误差反向传播的基础上,使粒子位置的更新对应BP网络的权值和阈值的调整,既充分利用了PSO算法的全局寻优性又较好地保持了BP算法本身的反向传播特点。仿真结果表明基于PSO算法的BP神经网络的PID优化控制具有较好的性能和自学习、自适应性。     

改进PSO算法及在无人机路径规划中的应用

在无人机路径规划问题中,传统算法存在计算复杂与收敛慢等缺点,粒子群优化算法(PSO)得益于其算法原理简单、通用性强、搜索全面等特性,现多用于无人机航路规划.然而,常规PSO算法容易陷入局部最优,本文在优化调整自适应参数的基础上综合引入全局极值变异与加速度项,以平衡全局和局部搜索效率,避免种群陷入“早熟”.对基准测试函数进行测试的结果表明,本文所提改进PSO算法收敛速度更快,精度更高.在实例验证部分,首先提取飞行场景特征,结合无人机性能约束,进行环境建模;然后将多项运行约束和期望的最小化飞行时间均转化为罚函数,以最小化罚函数作为目标,构建无人机飞行任务场景下的航路规划模型,并利用本文所提改进粒子群算法进行求解,最后通过对比仿真验证了改进粒子群算法的高效性和实用性.     

基于觅食算子的粒子群优化算法

针对粒子群优化算法PSO（Particle Swarm Optimization）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,把人工鱼群算法中的觅食算子改进后引入到基本PSO算法中,提出了一种具有觅食算子的PSO算法。算法在每次迭代后,对全局最优结果执行小规模觅食算法进行局部寻优,并用优化结果代替全局最优结果,从而防止PSO算法陷入局部极小,改善了算法的全局优化能力,提高了算法的收敛速度和计算精度。仿真结果表明,该算法的优化性能优于基本PSO算法。     

改进小波阈值法与极限学习机在MEMS陀螺误差补偿中的应用

MEMS陀螺随机误差是影响其精度的主要因素之一。针对MEMS陀螺随机误差的问题,提出一种基于改进的阈值函数的小波去噪结合极限学习机算法建模的补偿方法。通过改进小波阈值法提高去噪效果,然后由极限学习机构建MEMS陀螺误差补偿模型。通过实例研究,结果显示该方法能良好地补偿随机误差,与其他方法比较,具有更好的效果。     

基于Kalman滤波和神经网络的MEMS陀螺温度漂移补偿

MEMS陀螺温度漂移严重影响系统的测量精度。传统的BP神经网络建模补偿容易使权值和阈值陷入局部极小值,导致网络训练失败。陀螺输出信号中的高频噪声也会影响模型精度。针对上述问题,该文提出一种Kalman滤波结合粒子群算法(PSO)优化BP神经网络的MEMS陀螺温度漂移补偿方法。首先对陀螺进行了温度漂移测试实验,然后采用Kalman滤波对实验数据进行降噪,最后建立陀螺温度漂移模型,从而实现温度漂移的补偿。实验结果表明,采用该方法补偿后MEMS陀螺在不同温度下的输出方差降低了65.09%,与传统的BP神经网络相比补偿精度明显提高。     

An Improved Particle Swarm Optimization for Evolving Feedforward Artificial Neural Networks

This paper presents a new evolutionary artificial neural network (ANN) algorithm named IPSONet that is based on an improved particle swarm optimization (PSO). The improved PSO employs parameter automation strategy, velocity resetting, and crossover and mutations to significantly improve the performance of the original PSO algorithm in global search and fine-tuning of the solutions. IPSONet uses the improved PSO to address the design problem of feedforward ANN. Unlike most previous studies on only using PSO to evolve weights of ANNs, this study puts its emphasis on using the improved PSO to evolve simultaneously structure and weights of ANNs by a specific individual representation and evolutionary scheme. The performance of IPSONet has been evaluated on several benchmarks. The results demonstrate that IPSONet can produce compact ANNs with good generalization ability.     

Fibonacci multi-modal optimization algorithm in noisy environment

Noises are very common in practical optimization problems. It will cause interference on optimization algorithms and thus makes the algorithms difficult to find a true global extreme point and multiple local extreme points. For the problem, this paper proposes a Fibonacci multi-modal optimization (FMO) algorithm. Firstly, the proposed algorithm alternates between global search and local optimization in order not to fall into local optimum points and to retain multiple optimum points. And then, a Fibonacci regional scaling criterion is proposed in the FMO algorithm to alleviate the effects of noise, and the position of optimum point is determined according to its probability distribution under noise interference. In experiments, we evaluate the performance of the proposed FMO algorithm through 35 benchmark functions. The experimental results show that compared with Particle Swarm Optimization (PSO) algorithm, three improved versions of PSO, and Genetic algorithm (GA), the proposed FMO algorithm can gain more accurate location of optimum point and more global and local extreme points under noisy environment. Finally, an example of practical optimization in radio spectrum monitoring is used to show the performance of the FMO algorithm.     

基于微分演化的PSO参数选择策略

粒子群优化方法（Particle Swarm Optimization,PSO）是由Kennedy和Eberhart于1995年提出的一种基于群体智能（Swarm Intelligence）的演化计算技术,用于求解各类优化问题。PSO方法通过各种参数控制粒子的运行轨迹,并对参数设置有很强的敏感性。因此,如何为PSO方法选择最优的参数是PSO方法的关键。本文提出了一种不依赖个人经验的参数选则策略,针对特定问题,将PSO方法的性能表示成参数的函数,从而将参数选择问题转变成函数优化问题。采用微分演化（Differential Evolution,DE）方法对该函数进行优化,来确定PSO的最佳参数,收到了较好的效果。     

基于改进PSO的发酵过程同步串联混合建模

准确可靠的过程模型是实现发酵过程优化的基础和前提. 对于反应机理复杂的发酵过程,串联混合建模是一种相对有效的建模方法, 但现有方法需要利用插值所得的数据进行中间变量黑箱模型的构建, 较大程度地影响了所建混合模型的泛化性能. 为此,提出一种可将黑箱模型构建问题转化为动态模型参数辨识问题的同步串联混合建模方法, 从而避免了现有方法需利用插值数据来构建黑箱模型的不足; 通过引入多精英学习策略和惯性权重自适应调整策略, 构造了一种改进的粒子群优化(Particle swarm optimization, PSO)算法自适应多精英学习PSO (Adaptive multi-elite learning PSO, AMLPSO)算法,并采用该算法求取黑箱模型的参数; 借鉴均匀设计思想确定黑箱模型的结构. 利用诺西肽分批发酵过程实际生产数据进行实验研究, 结果验证了所提方法的有效性.     

一种利用种群平均信息的粒子群优化算法

利用粒子群的平均信息,对基本粒子群算法进行了改进,对4种测试函数进行了函数优化仿真实验,并与其它改进的粒子群算法进行了比较,结果表明改进后的粒子群算法在精度及收敛率方面有明显提高。     

金属壳谐振陀螺研究进展

金属壳谐振陀螺是振动陀螺的一个重要分支,其敏感结构为金属制成的壳体,称为金属谐振子,当谐振子随载体旋转时,哥氏效应引起敏感结构振型的"移动"是其对"旋转"敏感的基本表现形式.金属壳谐振陀螺不仅具有传统陀螺的惯性品质,而且具有能够抗高过载、量程大的特点,这是其他类型陀螺所不具备的.本文综述了金属壳谐振陀螺的研究进展,从设计思想、理论建模、结构设计、信号处理等方面进行了讨论,并指出了金属壳谐振陀螺的发展趋势.     

铂热敏电阻器在液浮陀螺仪温控系统中的应用

建立了液浮陀螺仪温控模型,深入分析了其结构组成和工作原理。针对所建立的数学模型对各个结构参数进行了分析研究。对满足条件的热敏线圈和铂热敏电阻器的温控系统进行了实验验证,实验结果表明:改进后温控系统的静态性能和动态性能得到加强,控制精度较之前未受影响,铂热敏电阻器的使用未影响液浮陀螺仪的各项性能指标,为液浮陀螺仪选择更可靠的温控元件提供了有力的依据。     

基于神经网络观测器的卫星姿态控制系统陀螺故障诊断

针对基于解析模型的卫星姿态控制系统陀螺故障诊断方法存在设计复杂、参数求解困难的问题,提出一种基于神经网络观测器的陀螺故障诊断方法。由系统内的冗余关系导出故障诊断逻辑,实现对陀螺故障的检测和隔离;同时利用先验模型知识和神经网络的非线性建模特性对陀螺故障进行估计。仿真结果表明,该方法能够实现对陀螺故障的检测、隔离和估计。