基于参数谱估计方法的谐波检测研究

在分析自回归模型的基础上,研究了Yule Walker,Burg和Covariance三种参数谱估计方法的检测原理,提出了一种改进Covariance方法。在Matlab仿真平台上,采用4种参数谱估计方法对谐波、间谐波、次谐波进行检测。仿真结果表明,参数谱估计方法不仅能检测整数次谐波,对间谐波和次谐波也有很好的检测效果,其中Burg方法和改进Covariance方法谐波检测效果最好。     

粒子群优化RBF神经网络的自适应谐波检测

有源电力滤波器补偿性能与所采用的谐波检测方式有很大的依赖关系,针对现有的检测方法存在精度不高、对电网频率变化比较敏感、自适应能力不强的缺点,本文提出基于粒子群优化算法的R B F神经网络的谐波检测方法。用自适应的方法对粒子群优化算法的参数进行了调整,使其能够更好地适应复杂的非线性环境,从而可以更灵活地调节P S O算法的全局搜索能力和局部开发能力。在算法的基础上,根据已开发的系统配置和学习算法,探讨了模拟电路的实现方法,运用P S I M软件对电路进行了模拟仿真。仿真结果表明,该方法具有很好的实时性、较高的检测精度以及自适应跟踪负载电流变化的能力。     

结合粒子群优化和LightGBM的入侵检测方法

随着互联网的发展，人们在享受互联网带来的诸多便利之外，同时也面临着许多威胁，如蠕虫、木马等。为了抵御上述恶意攻击，入侵检测系统应运而生。通过检测当前网络中的异常情况，入侵检测系统能有效检测各项攻击进而采取对应措施。然而，传统的机器学习算法在入侵检测模型中准确率并不高，为此，提出一种基于粒子群优化和LightGBM的入侵检测方法，使用LightGBM方法搭建入侵检测模型，采用粒子群算法优化LightGBM的参数。实验表明，本文提出的方法能够有效提升效果，准确率达98.61%、精确率达98.25%、召回率达99.17%、F1值达98.70%。     

基于粒子群优化的粒子滤波定位方法

为了实现移动机器人精确高效的自定位,提出了基于粒子群优化的粒子滤波定位方法.文章分析了常规粒子滤波定位方法存在的不足之处.将最新观测值融合到采样过程中,并利用粒子群优化算法提高了常规粒子滤波器的预估性能.接下来,建立了系统的概率运动模型和感知模型,并利用粒子群优化粒子滤波方法解决了移动机器人的自定位问题.粒子群优化算法的优化结果使得采样集向后验概率密度分布取值较大的区域运动,从而克服了粒子贫乏问题并且显著地降低了精确定位所需的粒子数.仿真实验表明该算法的有效性.     

基于粒子群优化粒子滤波和CUDA加速的故障诊断方法

在非线性系统中,粒子滤波需要大量粒子才能保证状态估计的准确度,这降低了算法的实时性,导致故障诊断的准确率和实时性不佳。针对该问题,提出基于GPU平台的粒子群优化粒子滤波(PSOPF)并行算法。通过分析PSOPF算法的并行性,设计并实现一种基于CUDA并行计算架构的PSOPF并行算法,利用大量的GPU线程对算法进行加速。为解决拒绝重采样对GPU全局内存的非合并访问带来的执行效率低问题,通过改进拒绝重采样并行算法,使线程束中的线程对同一内存区段中的粒子进行重采样,提高了其执行效率。通过对风力机组变桨距系统故障诊断验证了算法的有效性。实验结果表明,该方法可满足故障诊断准确率和实时性的要求。     

粒子群优化粒子滤波方法

针对粒子滤波方法存在粒子贫乏以及初始状态未知时需要大量粒子才能进行鲁棒状态预估等问题,将粒子群优化思想引入粒子滤波中．该方法将最新观测值融合到采样过程中,并对采样过程利用粒子群优化算法进行优化．通过优化,可使粒子集朝后验概率密度分布取值较大的区域运动,从而克服了粒子贫乏问题,并极大地降低了精确预估所需的粒子数．实验结果表明,该算法具有较高的预估精度和较好的鲁棒性．     

基于新型粒子群优化粒子滤波的故障诊断方法

针对基于粒子群优化算法的粒子滤波(PSO-PF)算法精度不高,容易陷入局部最优,难以满足电厂温控系统故障诊断的需求,提出一种适用于故障诊断的新型粒子群优化粒子滤波(NPSO-PF)算法。该算法引入社会个体对群体的认知规律优化了粒子更新的方式,并且完善了粒子速度的更新策略,对优势速度赋有较小概率的变异,提高了粒子的寻优能力,同时随机初始化劣势速度,保证了样本的多样性。实验结果表明,与PSO-PF相比,NPSO-PF提高了故障检测的精度和鲁棒性,可以有效地应用于温控系统故障的诊断。     

基于粒子群优化的灰色预测方法

对灰色预测算法进行了研究。在GM(1,1)模型中,发展系数a和灰色作用量u是两个关键的参数,对系统的性能有较大的影响。传统的方法使用最小二乘法来求解,不仅计算复杂,而且预测结果的误差也较大。论文对此进行了研究,并提出了一种改进的灰色预测算法PSOGP。PSOGP的主体仍使用GM(1,1)模型,但在求解相关参数时,PSOGP使用了粒子群优化算法。仿真试验表明,与经典的GM(1,1)模型相比,PSOGP算法的预测精度得到了较大的提高。     

基于粒子群优化的移动机器人SLAM 方法

针对移动机器人的粒子滤波SLAM（同时定位与建图）方法中需要大量粒子来提高精度的问题,将粒 子群优化思想引入到FastSLAM 中,提出了一种基于粒子群优化的同时定位与建图方法．通过粒子群优化方法对 FastSLAM 中预估粒子进行更新,调整粒子的提议分布,使得预测采样粒子集中于机器人的真实位姿附近．该方法 能有效提高SALM 精度,并减少所使用的粒子数以及计算的时间复杂度．仿真实验结果表明该方法有效、可行．     

基于粒子群优化算法的属性异常检测

提出一种新的基于粒子群优化算法的属性异常检测算法。该算法利用粒子群优化算法简单、寻优速度快的优点检测属性异常,在粒子群寻找最优值的过程中发现可能是属性异常的数据,并采用Omeasure适应度评估属性异常,算法的时间复杂度是多项式级的。与全搜索检测算法相比,大幅减少了搜索范围;同时,与完全随机算法相比,采用启发式搜索规则,提高了查全率及查准率。实验结果表明,粒子群检测算法不仅执行效率高,而且保持了较高的查全率与查准率。     

免疫Agent和量子粒子群优化的入侵检测方法研究

针对传统入侵检测系统检测速度慢和误检率高的问题,将免疫原理、移动Agent技术和量子粒子群优化算法相结合,提出了基于免疫Agent和粒子群优化算法的入侵检测模型。介绍了系统模型与体系结构,并对系统性能进行仿真实验。实验结果对比表明,系统能提高传统入侵检测系统的检测速度和降低误检率。     

基于神经网络和粒子群算法的锅炉燃烧优化方法

通过对火电厂锅炉燃烧控制系统送风调节系统研究现状分析,提出一种基于粒子群优化算法的锅炉燃烧优化方法.其基本思想:首先利用燃烧特性试验数据,借助于 Matlab 软件建立了火电厂锅炉燃烧特性的神经网络模型,在此基础上利用粒子群优化算法寻找送风调节系统最佳氧量设定值,进而调节送风量,实现锅炉燃烧的整体优化.结果表明:基于粒子群优化神经的算法为锅炉燃烧优化方法优化提供一条新的途径.     

基于粗糙集和粒子群优化神经网络的智能决策方法

针对多属性决策中的高维、非线性问题,提出一种基于粗糙集和粒子群优化神经网络的智能多属性决策方法.该方法利用粗糙集对多属性决策问题的条件属性进行约简,利用粒子群算法训练神经网络的权重和阈值形成粒子群优化神经网络模型,约简后的属性数据进入粒子群优化神经网络的智能决策系统.实证结果表明,该方法具有较好的泛化能力,与标准支持向量机、遗传神经网络等方法相比,该方法具有一定的优势.     

群核进化粒子群优化方法

粒子群优化方法（PSO Particle Swarm Optimization）是由Kennedy和Eberhart于1995年提出的进化计算技术,并成功应用于各类优化问题。其基本思想源于对鸟群捕食等群体行为的研究。本文对标准PSO方法进行了分析,给出了“群核”（Swarm-Core）的概念,并在此基础上,提出了群核进化粒子群优化方法（Swarm-Core Evolutionary Particle Swarm Optimization,SCEPSO）,同时把该方法与其它版本PSO方法进行了比较。试验结果表明：在相同环境下,SCEPSO方法能较好地克服传统PSO方法中的不足,测试结果较其它几个版本的PSO方法有很大提高,是非常有效的。     

基于深度Q-学习和粒子群优化的僵尸检测算法

深度Q-学习算法常用于检测社会网络平台上的僵尸攻击.但是Q-学习算法的收敛慢.为此,提出基于深度Q-学习和粒子群优化的僵尸检测(Deep Q-Learning and Particle Swarm Optimization-based Bot Detection,DQL-PSO)算法.DQL-PSO算法引用粒子群优化算法提高Q-学习算法性能,进而获取最优的学习动作序列.将学习动作序列作为粒子的位置;将状态转换概率转换成粒子速度,进而利用粒子群优化算法提升Q-学习算法性能.仿真结果表明,提出的DQL-PSO算法提高了僵尸检测的准确率,并提升了收敛速度.     

基于粒子群优化算法的室内定位方法

为了减小无线传感器网络节点的定位误差,将粒子群优化算法应用于定位中,与以往的适应度函数来源不同,为解决误差累积问题,在最小二乘原理基础上采用加权系数,确定适应度函数的表达式。在粒子群优化算法中引入三种不同的参数组合观察不同的参数对迭代次数以及定位精度的影响,然后通过两种不同的适应度函数对定位误差进行比较。实验结果表明,合适的参数选择能降低算法的复杂度,新的适应度函数更能减小定位误差。     

基于粒子群优化的主动队列管理方法

针对网络拥塞现象,基于粒子群优化(PSO)提出了一种新的主动队列管理算法RQQM。该算法首先通过粒子群优化和变异算子来计算当前队列长度,并且基于到达速率和当前队列长度给出了丢包策略和丢包概率。最后,以实际数据将RQQM算法与基于速率的早期检测公平队列管理(RFED)算法和自适应主动队列管理(ABLUE)算法进行仿真实验,
发现丢包率受利用率和缓冲区影响较大;同时实验结果表明RQQM算法的公平性远远优于其他两种算法,其平均丢包率降低至12.21%。     

基于动态粒子群优化信息熵的人脸识别方法

人脸识别研究的目标主要有两个,一是提高识别正确率,二是降低训练与识别时间.信息熵等方法主要取决于参数选择,然而传统的优化算法难以解决此问题.粒子群算法等智能搜索技术可在较少的时间内给出问题的近似解.动态粒子群优化算法是在经典的微粒群算法的基础上所提出的一种高效的收敛性、稳定性的进化算法.采用动态粒子群算法对信息熵优化寻找最优参数,并结合特征提取方法,用于人脸图像的识别中,为人脸识别问题的研究开辟了新的途径.最后通过仿真实验得出结论表明,既减少了计算复杂度,降低训练与识别时间,又保证实时性,提高识别正确率,得到了理想的结果.