基于退火遗传算法的传感器非线性校正方法

针对实际传感器的非线性问题,结合遗传算法和模拟退火算法的优点,提出了一种基于退火遗传算法的传感器非线性校正方法.该算法通过计算传感器自校正方程中的待定常数,实现非线性特性的线性化.实验结果表明:该方法不但可以实现非线性校正,而且校正后的精度也高于传统的最小二乘法.     

基于神经网络的传感器非线性误差校正

介绍了用神经网络校正传感器系统非线性误差的原理和方法 ,提出了基于BP神经网络传感器非线性误差校正及其模型、算法与实现技术。通过计算机仿真与应用 ,显示出这种逆模型不但可实现温度补偿和非线性校正 ,而且网络结构简单 ,准确度高     

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.     

基于神经网络的传感器非线性误差校正

介绍了用神经网络校正传感器系统非线性误差的原理和方法,提出了一种基于RBF神经网络的传感器非线性校正模型及其算法,并与采用BP神经网络校正非线性误差进行了比较,并给出一个仿真实验,实验结果表明:采用RBF神经网络的传感器非线性校正精度和网络训练速度均大大优于BP神经网络,能满足实用要求.     

用遗传网络校正传感器非线性误差的研究

文章描述了一种用反函数校正传感器非线性误差的方法。阐述了校正原理，提出了利用BP神经网络和遗传算法相结合，拟合传感器传输特性反应函数的算法，该算法可将传感器传输特性的非线性模型，改造成为与实际物理过程相一致的不失真的线性模型，给出了一个应用实例，其结果表明，可使传感器的非线性误差有较大的减少。     

用遗传算法实现信号转换电路的非线性校正

采用了遗传算法的最新成果，提出了一种新颖的基于实数编码的改进遗传算法用以校正信号转换电路的非线性误差。该算法采用基于代沟最小的代选择模型，选用BLX—α混合交叉算子和非一致变异算子，算法简单、鲁棒性强、优化效率高。仿真和实验表明，用本文提出的方法对信号转换电路进行非线性校正不仅能够自动搜索到最优多项式，而且精度高于最小二乘法。该算法同样适用于传感器等其他电子测量元件的非线性校正。     

基于正交多项式的称重仪表非线性校正算法

针对称重仪表检测电路中输入与输出值之间存在非线性关系的特性,在比较了几种非线性校正方法的基础上,给出了一种易于微处理器实现的正交多项式的非线性校正方法,求取称重仪表检测电路的非线性特征,实现了称重仪表的非线性校正。同时讨论了该算法的原理、校正参数的空间复杂度和算法的时间复杂度,从而论证了此算法在简单微处理器上的可用性,并以3阶多项式为例介绍了该算法的实验效果。实践表明,该算法简单实用,效果较好。     

PSO-BP网络模型在温室数据融合中的应用研究

由于温室的众多要素之间是相互制约、互相配合的,为了形成一个准确、合理的判断,将PSO算法的全局优化能力和BP神经网络良好的非线性映射能力相结合,优化BP神经网络的权值和阈值,提出了一种基于PSO的BP网络数据融合算法,并利用该算法对温室多传感器(温度传感器、湿度传感器和光照度传感器)同时检测到的数据进行融合。仿真结果表明:基于PSO-BP网络的数据融合算法能够获得温室准确有效的信息,提高温室控制的有效性与准确性。     

原油含水率测量PSO-BP非线性校正技术

针对电容法测量原油含水率过程中存在的测量误差大、精度低等问题,提出了一种基于神经网络的非线性校正技术。此方法结合了微粒群(PSO)算法与BP网络在全局搜索与局部搜索上的优势,克服了以往方法的不足,可使原油含水率测量结果的校正过程具有寻优全局性和精确性,并能加快其收敛速度。仿真结果表明:该方法能有效消除非目标参量对传感器输出结果的影响,在工程上具有一定的应用价值。     

基于遗传神经网络的传感器非线性校正研究

针对实际传感器的非线性问题,介绍了用神经网络进行传感器非线性校正的原理,提出了基于自适应遗传算法的神经网络传感器非线性校正模型、算法及实现方法。通过实验结果显示:此方法不但可以实现非线性校正和减少环境因素的影响,而且,校正后的精度也高于单一的神经网络模型。     

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。     

多速微粒群优化算法及其在软测量中的应用

多速微粒群优化算法（MVPSO）是一种改进的微粒群优化算法,具有概念清晰、操作简单、易实现等优点,同时克服了PSO算法易陷入局部极值的不足多速粒子群优化算法（MVPSO）是一种改进的粒子群优化算法,具有概念清晰、操作简单、易实现等优点,同时克服了标准PSO算法易陷入局部极值的不足。用MVPSO和PSO对几种典型多峰值函数优化问题进行测试,结果表明MVPSO优化算法更容易找到全局最优解,优化效率和优化性能明显提高。将MVPSO优化算法应用于青霉素发酵过程产物（青霉素）浓度软测量,建立基于MVPSO算法的青霉素发酵过程产物浓度软测量模型。实验表明,基于MVPSONN的软测量模型比基于BPNN的软测量模型具有更好的性能。     

Constrained particle swarm algorithms for optimizing coverage of large-scale camera networks with mobile nodes

Proper sensor placement is crucial for maximizing the usability of large-scale sensor networks. Specially, the total sensible area covered by a sensor network can be maximized if we optimally arrange all sensors. To address this coverage optimization problem, this paper studies a typical sensor network—camera network. In this network, both locations and orientations of the cameras can be adjusted. An interesting constraint is the moving distance limitation. It transforms the optimization into a constrained problem. To tackle this problem, we investigate as possible solutions three variations of the particle swarm optimization (PSO) algorithm, namely the absorbing PSO, the penalty PSO, and the reflecting PSO. They are tested against several benchmarks. The experiments show that the PSO can be effectively applied on optimizing the coverage of the constrained camera network. And it can be easily adapted for coverage optimization of general sensor networks. The statistical analysis shows that the performances of the above three algorithms are in descending order. The results further prove that the absorbing PSO is an optimal choice for improving the coverage of the aforementioned sensor network.     

基于改进聚类算法的传感器非线性数据拟合研究

针对传感器输出电信号与物理量之间存在的非线性问题,提出了一种新的曲线拟合方法。该方法通过将改进的粒子群优化算法,混沌搜索法和改进的模糊C-均值算法相结合,对实验数据搜索聚类中心点,然后利用分段线性逼近对传感器输入输出关系进行拟合。介绍了粒子群优化算法和模糊C-均值算法,给出了相关的公式推导过程,对传感器输出电信号与物理量的对应关系进行曲线拟合,最后将该方法应用于电涡流智能传感器。实验结果表明,该方法精度高、可靠性好,具有较强的自适应性和快速性,能够更准确的将电信号转换为物理量。     

粒子群算法在求解方程组中的应用

提出了采用粒子群算法求解线性方程组和非线性方程组的智能算法。采用粒子群算法求解方程组具有形式简单、收敛迅速和容易理解等特点,且能在一次计算中多次发现方程组的解,可以解决非线性方程组多解的求解问题,为线性方程组和非线性方程组的求解提供了一种新的方法。     

Non-parametric particle swarm optimization for global optimization

In recent years, particle swarm optimization (PSO) has extensively applied in various optimization problems because of its simple structure. Although the PSO may find local optima or exhibit slow convergence speed when solving complex multimodal problems. Also, the algorithm requires setting several parameters, and tuning the parameters is a challenging for some optimization problems. To address these issues, an improved PSO scheme is proposed in this study. The algorithm, called non-parametric particle swarm optimization (NP-PSO) enhances the global exploration and the local exploitation in PSO without tuning any algorithmic parameter. NP-PSO combines local and global topologies with two quadratic interpolation operations to increase the search ability. Nineteen (19) unimodal and multimodal nonlinear benchmark functions are selected to compare the performance of NP-PSO with several well-known PSO algorithms. The experimental results showed that the proposed method considerably enhances the efficiency of PSO algorithm in terms of solution accuracy, convergence speed, global optimality, and algorithm reliability.     

基于高斯扰动和自然选择的改进粒子群优化算法

为了有效地平衡粒子群算法的全局与局部搜索性能,提出一种基于高斯扰动和自然选择的改进粒子群优化算法。该算法在采用简化粒子群优化算法的基础上,考虑到个体最优粒子间的相互影响,使用所有融入高斯扰动的个体最优的平均值代替每个粒子的个体最优值,并且借鉴自然选择中适者生存的进化机制提高算法优化性能;同时通过含有惯性权重停止阈值的自适应调节余弦函数递减策略来实现对惯性权重的非线性调整并采用异步变化调整策略来改善粒子的学习能力。仿真实验结果表明,所提算法在收敛速度和精度等方面均有提高,寻优性能优于近期文献中的几种改进的粒子群优化算法。     

基于改进PSO和FCM的模糊辨识

为了提高T-S模糊模型的辨识精度和效率,本文提出了一种改进的粒子群算法和模糊C均值聚类算法相结合的模糊辨识新方法。在该方法中,针对粒子群算法在处理高维复杂函数时容易陷入局部极值的问题,提出了一种粒子群局部搜索和全局搜索动态调整的全新优化算法。模糊C均值聚类算法是模糊辨识最常用的方法之一,该算法简单,计算效率高,但是对初始化特别敏感,容易陷入局部最优。为了解决这一问题,利用改进粒子群算法的全局搜索能力优化聚类中心,显著地提高了算法的辨识精度和效率。最后,针对非线性系统进行建模仿真,仿真结果表明了本文方法的有效性和优越性。