基于粒子群算法优化 BP 神经网络的色彩空间转换

目的研究基于粒子群算法优化BP神经网络对显示器色彩空间转换的预测准确性的方法。方法主要通过数据归一化处理、改进最大限制速度、惯性常数和适应度函数来优化BP神经网络的权值和阈值,以缩小其分布范围,再用BP神经网络法进行色差预测。结果改进粒子群算法优化BP神经网络预测模型,测试20次得到色块平均色差为2.8526,最小平均色差为2.0453。结论该方法大大降低了BP神经网络预测模型陷入局部极小值的可能性,对显示器色彩空间转换具有较好的非线性拟合能力和更高的预测准确性。     

基于模糊聚类的RBF神经网络算法

文章提出一种根据模糊聚类的思想来确定RBF神经网络隐层节点数,并用K-Means的聚类算法来训练RBF神经网络.并根据此算法进行仿真,并证明是有效的.     

粒子群算法的混沌优化

粒子群算法具有较强的普适性、鲁棒性、全局搜索性等特点,在求解复杂问题时具有明显的优越性,本文对粒子群算法进行混沌优化,使其为决策者提供一种有效的优化工具。     

基于随机权重粒子群和K-均值聚类的图像分割

K-均值聚类具有简单、快速的特点,因此被广泛应用于图像分割领域.但K-均值聚类容易陷入局部最优,影响图像分割效果.针对K-均值的缺点,提出一种基于随机权重粒子群优化（RWPSO）和K-均值聚类的图像分割算法RWPSOK.在算法运行初期,利用随机权重粒子群优化的全局搜索能力,避免算法陷入局部最优;在算法运行后期,利用K-均值聚类的局部搜索能力,实现算法快速收敛.实验表明：RWPSOK算法能有效地克服K-均值聚类易陷入局部最优的缺点,图像分割效果得到了明显改善;与传统粒子群与K-均值聚类混合算法（PSOK）相比,RWPSOK算法具有更好的分割效果和更高的分割效率.     

一类带最小约束的模糊聚类问题

考虑到模糊聚类中引入传递性可能使问题失真,提出了一类带最小约束的模糊聚类问题.给出了解决这类问题的两类方法:直接聚类法与基于无约束聚类的方法.并将这些方法与一般模糊聚类的方法进行了比较.     

基于色彩聚类的老年病房色彩设计研究

目的 基于感性工学理论,以K-Means色彩聚类为基础获取老年病房患者的色彩感性意象评价。方法 首先搜集并筛选现代医院老年病房设计案例,通过K-Means聚类方法进行色彩提取以建立老年病房色彩样本库;其次运用语义差异法量化老年病房色彩的感性意象认知,再将所得评价结果运用SPSS软件进行因子分析;最后,提取影响色彩意象评价的主因子,并探讨各感性意象与色彩样本之间的对应关系。结果 通过量化老年病房患者的色彩感性意象认知,可知老年患者更倾向于选择中高明度、暖色调的色彩作为病房空间的主要色彩。结论 该流程能获取科学、客观的色彩搭配方案,并有助于缓解老年患者的疾病压力,促进康复过程,同时也为医疗环境设计领域提供了新的思路和方法。     

基于粒子群与聚类的多目标优化算法

针对粒子群优化算法容易陷入局部最优的问题,提出了一种基于粒子群优化与分解聚类方法相结合的多目标优化算法。算法基于参考向量分解的方法,通过聚类优选粒子策略来更新全局最优解。首先,通过每条均匀分布的参考向量对粒子进行聚类操作,来促进粒子的多样性。从每个聚类中选择一个具有最小聚合函数适应度值的粒子,以平衡收敛性和多样性。动态更新全局最优解和个体最优解,引导种群均匀分布在帕累托前沿附近。通过仿真实验,与4种粒子群多目标优化算法进行对比。实验结果表明,提出的算法在27个选定的基准测试问题中获得了20个反世代距离(IGD)最优值。     

基于混沌差分进化粒子群算法的模糊资源受限项目调度问题

本文研究了工期模糊情况下的资源受限项目调度问题,采用一种基于区间数距离的模糊取最大运算比较模糊工期的大小,解决了以往研究中忽略的工期模糊情况下,项目关键路径可能会发生改变,相应地各活动的模糊调度时间以及项目的模糊最短工期也可能随之发生改变的问题。引入一种基于混沌和差分进化的混合粒子群优化算法,并对算法的惯性权重进行改进来求解上述问题。通过一个算例验证了所建立模型及提出方法的有效性。     

基于粒子群优化聚类的汽轮机组振动故障诊断

针对模糊C-均值聚类算法(FCM)容易陷入局部极值和对初始值敏感的不足,提出了一种新的模糊聚类算法(PFCM),新算法利用粒子群优化算法(PSO)全局寻优、快速收敛的特点,代替了FCM算法的基于梯度下降的迭代过程,使算法具有很强的全局搜索能力,很大程度上避免了FCM算法易陷入局部极值的缺陷,同时也降低了FCM算法对初始值的敏感度。将该算法应用于汽轮机组振动故障诊断中,与电厂运行实际故障状态对照,仿真结果表明该算法提高了故障诊断的正确率。为汽轮机振动故障诊断方法的研究提供了一种新的思路。     

基于K-means聚类的马王堆帛画色彩特征分析与应用

目的 提取马王堆帛画特征色彩,分析帛画色彩间配色关系,为文创产品设计的配色过程提供指导,在设计中更加准确地展现帛画的文化特色。方法 首先使用优化后的K-means聚类算法提取出帛画的特征色彩,生成帛画的标准色卡;然后利用图像中的色彩占比数据和色彩邻接关系,建立色彩网络模型,确定色彩主辅色搭配;最后利用CorelDRAW插件color shuffle自动生成多个配色种群,使用模糊综合评价方法验证帛画特征色彩提取的可行性与运用色彩网络模型辅助配色的可操作性。结论 使用K-means聚类方法提取出的帛画标准色卡应用于设计时具有色彩代表性,构建色彩网络模型和插件辅助配色能够提高设计师的配色效率,为文创产品的配色设计过程提供了新的思路。     

基于 LMBP 神经网络的柔印专色配色模型研究

目的针对柔印专色配色模型甚少问题,构建柔版印刷专色配色模型。方法以BP人工神经网络非线性、自学习等特点为基础,引入LMBP算法对传统的BP算法进行改进,从而构建柔版印刷专色配色模型,同时运用Matlab软件结合标准印刷测试版对模型进行训练。结果隐层节点为17的单隐层BP算法虽然也可达到预计要求,但隐层节点为8的单隐层LMBP算法精度更高,逼近效果更好。结论该柔版印刷专色配色模型符合精度要求,可以用于实践。     

基于粒子群优化与卷积神经网络的电能质量扰动分类方法

针对传统电能质量扰动分类方法中人工选取特征困难、步骤繁琐和分类准确率低等问题,提出了一种基于粒子群优化(particle swarm optimization,PSO)算法与卷积神经网络(convolutional neural network,CNN)的扰动分类方法。首先,利用reshape函数将各电能质量扰动信号的一维时间序列分别转成行列相等的二维矩阵,并对这些二维矩阵进行适当划分,形成训练数据集和测试数据集;其次,基于CNN构建电能质量扰动的分类模型;再次,采用PSO算法对该分类模型的参数进行优化,使用训练数据集对优化后的电能质量扰动分类模型进行训练;最后,使用测试数据集对经过训练的电能质量扰动分类模型进行测试,根据输出标签得到各类电能质量扰动的分类结果。仿真结果表明：该分类模型可以自行提取电能质量扰动数据的特征,相较于其他电能质量扰动分类模型,其对电能质量扰动信号的分类准确率更高。     

基于粒子群优化算法的结构模型修改

结构模型修改已经演化为一个多学科的研究课题．在最优化框架内，应用了国际上最近提出的粒子群优化算法，该算法具有全局搜索能力并且不需要目标函数的解析表达式。对于一实际钢结构，利用部分和全部测量得到的模态数据进行了模型修改的实验研究．并与基于灵敏度分析、神经网络和遗传算法的模型修改方法进行了对比．以修改后模型计算出的模态数据与实验测得的模态数据的相似度来衡量模型修改的准确性。结果表明，在多数情况下，所提出的模型修改方法得到了最好的修改结果，因此，应用粒子群优化算法进行结构模型修改是可行的。     

基于粒子群优化算法和BP神经网络的变频压缩机功率预测

本文针对变频压缩机的功率测量困难,测量误差大等问题,提出了一种仿真测量模型。利用粒子群算法寻找全局最优粒子,用它初始化BP神经网络的阈值和权值,测量变频压缩机的功率。本文共建立了3种仿真模进行对比,分别为BP神经网络模型、GA-BP神经网络模型和PSO-BP神经网络模型,然后分别通过3种模型的内插、蒸发温度外推和冷凝温度外推的测试方法对变频压缩机进行功率测量,对比分析其预测结果的平均相对误差和拟合程度。结果表明:基于粒子群算法优化的BP神经网络模型明显优于其他两个模型,特别是在冷凝温度外推测试中,较其他两个神经网络相对误差降低了1. 11%、2. 64%,3种测试方法下的平均相对误差均小于1%,拟合程度在0. 9以上,表明基于粒子群算法优化的BP神经网络模型对变频压缩机功率有较好的测量能力,而且有较强的泛化能力。     

Reliability Analysis Using Chaotic Particle Swarm Optimization

Reliability analysis is an important and practical way of considering uncertainty in an engineering system. In practical engineering, the limit state functions are usually implicit in terms of random variables. Traditional reliability analysis methods are time‐consuming and require derivative computing. In this paper, particle swarm optimization (PSO) is applied to reliability analysis by combining it with the first‐order reliability method. To improve the global search performance, chaotic PSO (CPSO) was proposed by combining PSO with a chaotic system. CPSO‐based reliability analysis is described and applied to four classic examples. The results show that implementation of CPSO‐based reliability analysis is easy and can yield a reliability index and design point with good accuracy. The proposed method was applied to analyze the reliability of a circular tunnel in different cases. The results show that the CPSO algorithm is very efficient at solving global optimization problems and is a good approach for reliability analysis. Copyright © 2014 John Wiley & Sons, Ltd.     

Recurrent Functional-Link-Based Fuzzy Neural Network Controller With Improved Particle Swarm Optimization for a Linear Synchronous Motor Drive

A recurrent functional link (FL)-based fuzzy neural network (FNN) controller is proposed in this study to control the mover of a permanent-magnet linear synchronous motor (PMLSM) servo drive to track periodic reference trajectories. First, the dynamic model of the PMLSM drive system is derived. Next, a recurrent FL-based FNN controller is proposed in this study to control the PMLSM. Moreover, the online learning algorithms of the connective weights, means, and standard deviations of the recurrent FL-based FNN are derived using the back-propagation (BP) method. However, divergence or degenerated responses will result from the inappropriate selection of large or small learning rates. Therefore, an improved particle swarm optimization (IPSO) is adopted to adapt the learning rates of the recurrent FL-based FNN online. Finally, the control performance of the proposed recurrent FL-based FNN controller with IPSO is verified by some simulated and experimental results.      

基于粒子群优化的小波神经网络及其在齿轮箱故障诊断中的应用

用粒子群算法（PS0）取代传统的梯度下降法,优化小波神经网络中的各个参数。将经过PS0训练的小波神经网络应用于齿轮箱故障诊断,实验结果表明,基于PS0算法的小波神经网络训练方法是有效的神经网络训练算法,同时也是解决故障诊断问题的有效途径。