粒子群优化的最小二乘支持向量机在通信装备故障预测中的应用

提出了一种通信装备故障预测的智能算法.该方法将粒子群算法(PSO)和最小二乘支持向量机(LS-SVM)算法相结合,采用PSO算法优化LS-SVM的参数,克服了人为参数选择的盲目性,在全局优化与收敛速度方面具有较大优势.仿真实验表明,相比BP神经网络、未经优化的支持向量机(SVM)和LS-SVM模型,经PSO算法优化后的LS-SVM有更高的预测精度和运算速度,具有较好的有效性和可行性.     

改进型粒子群算法解决多维背包问题

微粒群优化算法(PSO)是一种基于种群的随机优化技术.将EDA算法与PSO算法结合起来,形成一种新的改进的算法(EPSO).算法将全局统计信息和全局最优解运用于解空间搜索,以期能更有效解决组合优化问题,最后将EPSO算法用于解决多维背包问题并进行了对比仿真实验.实验结果表明,在解决多维背包问题上,EPSO优于传统的PSO算法以及多种启发式智能算法,与此同时,EPSO算法使用更少的参数,因此更容易实现,运行更加稳定,效果更好.     

基于粒子群算法的相机参数优化

针对相机参数标定问题,本文在Matlab标定工具箱的标定算法原理的基础上利用PSO和MCPSO优化算法代替传统的LM算法对相机内参数加以优化。在同一组标定数据下,进行了PSO与MCPSO优化性能的比较实验,结果证明粒子群算法及其改进算法在相机参数寻优过程中比LM方法更具有优势,可以获得更高的标定精度。     

改进PSO优化RBF网络的配电网线损计算方法

针对低压配电网结构复杂、用户类型多样、数据难收集等问题,提出了一种结构简单计算快速的理论线损计算方法。利用RBF神经网络的强逼近和强拟合特性和PSO算法的快速寻优能力,建立改进PSO算法优化RBF神经网络的理论线损计算模型。通过自动调节PSO算法中的惯性权重使得算法在保证全局最优的情况下增强了局部搜索能力。克服了传统优化算法结构复杂、计算量大等缺点,实验数据验证了所提方法的有效性和实用性。     

基于区间全局优化的非线性最小二乘估计

分析了使用区间全局优化算法进行非线性系统模型参数估计的原因,介绍了非线性最小二乘估计和区间全局优化算法.在非线性系统模型参数估计中,相对于通过优化目标函数求得待估参数点估计的现有算法,基于区间分析的区间全局优化算法不仅可以求得待估参数的点估计,还可得到肯定包含待估参数真值的估计区间,并且该算法还具有计算结果稳定以及更大范围收敛的性质.通过仿真实验并与其他方法进行比较,结果表明算法的可行性和有效性.     

基于协同粒子群优化的GTD模型参数估计方法

针对雷达目标散射中心GTD(Geometric Theory of Diffraction)模型最大似然估计中存在的高维、非线性、混合参数估计问题,提出一种基于协同粒子群优化算法的参数估计方法.该方法能够同时估计得到散射中心的类型、幅度和位置参数,且对初始值不敏感,与基于RELAX的估计方法相比,不需要反复迭代估计,降低了计算复杂度.仿真实验结果表明,该算法能够较准确地估计得到GTD模型的散射中心参数.     

基于PSO的K-means聚类优化

针对机器学习中聚类算法参数多样调参复杂的问题,分析了基于PSO算法在机器学习参数组合寻优方面的可行性,设计了一种基于PSO算法的K-means机器学习聚类算法的参数寻优策略。通过PSO算法找到模型最佳的参数组合,提高K-means机器学习模型的性能。通过对算法调优策略进行测试结果表明,使用PSO算法对K-means机器学习聚类算法进行参数调优,不仅能够找到适于该数据的最佳参数组合提高聚类算法的性能,也可以减少经验调参所带来的误差和成本。     

改进的PSO算法在非线性模型参数辨识中的应用

参数辨识是过程建模的基础,对于参数辨识问题提出了许多不同的方法.针对传统模型参数辩识方法和遗传算法用于模型参数辨识时的缺点,提出一种基于微粒群优化(PSO)算法的模型参数辨识方法,利用PSO算法的强大优化能力,通过对算法的改进,将过程模型的每个参数作为微粒群体中的一个微粒,利用微粒群体在参数空间进行高效并行的搜索,以获得过程模型的最佳参数值,并将其用于对非线性系统模型的参数辨识,可有效提高参数辨识的精度和效率.该方法应用到实际例子中,获得了满意的辨识精度和效率,得到较为精确的过程模型,模型输出与实际输出基本一致,仿真结果令人满意.实例仿真结果表明,微粒群算法为非线性系统模型参数辨识提供了一种有效的途径.     

基于H.264码率控制技术的模型参数更新算法

为了获得精确的模型参数.本文从率点选择和模型参数估计两个方面对H.264中的码率控制算法加以改进.利用帧内宏块间的时空相关性以及使用一种基于曼哈顿距离和改进的二维滑动窗口机制的率点选择策略;利用率点对模型参数估计的影响强弱.使用一种加权的线性回归模型参数估计算法.大量实验结果表明:改进的算法实现了模型参数的预测精确,提高了率失真优化性能.     

PSO优化SVM的MEMS陀螺温度零偏补偿

针对微机械陀螺零偏受温度影响较大的问题,提出一种粒子群优化(PSO)算法和支持向量机(SVM)相结合的陀螺零偏温度补偿方法。首先,将平滑处理后的陀螺数据作为样本点,采用基于径向基核函数的支持向量机方法构建漂移模型,把数据从低维空间映射到高维空间,并进行线性拟合,保证泛化能力。然后,利用粒子群算法对支持向量机的惩罚参数、核函数参数以及不敏感系数进行优化,避免了人为选择参数的盲目性且提高了建立模型的精度。实验结果表明:经PSO调节支持向量机算法补偿后,陀螺输出精度更高;与最小二乘法、BP神经网络法相比,陀螺输出数据方差分别减小了81.3%和57%,最大误差分别减小54.7%和48.5%。     

小数据集BN建模方法及其在威胁评估中的应用

贝叶斯网络是数据挖掘领域的主要工具之一。在某些特定场合,如重大装备的故障诊断、地质灾害预测及作战决策等,希望用少量数据得到较好的结果。因此,本文针对小数据集条件下的贝叶斯网络学习问题展开研究。首先,建立基于连接概率分布的结构约束模型,提出I-BD-BPSO（Improved-Bayesian Dirichlet-Binary Particle Swarm Optimi-zation）结构学习算法;其次,建立单调性参数约束模型,提出MCE（Monotonicity Constraint Estimation）参数学习算法;最后,应用所提算法构建威胁评估模型并应用变量消元法进行推理计算。实验结果表明,在小数据集条件下,本文的结构学习算法优于经典的二值粒子群优化算法,参数学习算法优于最大似然估计、保序回归及凸优化算法,并能够构建有效的威胁评估模型。     

基于混沌特征的网络延迟预测模型

 结合非线性时间序列分析方法与CAIDA组织授权的真实Internet海量样本数据,计算了网络延迟演化序列的混沌特征量,结果表明演化序列具有混沌特征.在此基础上,对混沌系统中典型的Logistic模型加以改进,提出了一种基于Logistic模型的以正余弦函数作为指数衰减因子的模型,以描述网络延迟的演化态势.使用微粒群算法根据实际数据,分别从算法收敛性、模型的拟合准确度及预测准确度等方面对备选模型参数选优.实验结果表明最终优选模型在结构选择上比较合理,能够准确反映网络延迟的变化情况.     

一种改进型CE-ML算法的二维DOA估计

基于最大似然估计（ML）的阵列测向方法具有测向精度高、可以分辨相干信号等优点,但是因为计算复杂度过高而工程应用受限。针对该问题,利用交叉熵（CE）方法对最大似然估计快速求解,并对初始样本的产生和平滑参数的设置进行了优化,提出改进型CE—ML二维测向算法,最后进行了算法运算量分析和仿真验证。仿真实验表明,在精度相近条件下,改进型的CE-ML算法的迭代次数大约是粒子群算法（Ps0）的1／3,大大减少了ML测向的计算量。     

基于天牛须算法的粒子群算法在PID参数整定上的应用

PSO虽然被广泛应用于包含PID参数整定等各种寻优问题中,但是传统粒子群算法在某些场合收敛速度慢且较容易陷入局部最优值。针对这些问题,文中提出一种将新型高效BAS融合进PSO算法的全局寻优过程,该方法可以更好地跳出局部最优点。同时,由于BAS算法为单一个体的算法,易因为早熟收敛陷入局部最优,故将BAS和传统的PSO结合也增强了BAS的丰富度。在Schaffer函数进行的20次独立测试显示,该算法相对于传统PSO和BAS取得了较好的寻优结果。最后,将算法应用到不稳定对象的PID参数寻优中,结果显示相对于PSO和改进PSO算法,新算法下的ts、tr、IAE、ISE等各项指标均得到了提高。     

广义K分布杂波模型参数估计

假设杂波散斑分量和幅度调制分量均服从广义Gamma分布是广义K分布杂波模型的前提条件.本文以参数解耦技术为突破点,提出了一种杂波模型参数估计算法,将一个四维非线性最优化问题转化为一个一维最优化问题,从而降低了计算量和所需样本数,提高了估计性能.仿真结果验证了算法的有效性与准确性.     

Genetic algorithms for finite mixture model based voxel classification in neuroimaging

Finite mixture models (FMMs) are an indispensable tool for unsupervised classification in brain imaging. Fitting an FMM to the data leads to a complex optimization problem. This optimization problem is difficult to solve by standard local optimization methods, such as the expectation-maximization (EM) algorithm, if a principled initialization is not available. In this paper, we propose a new global optimization algorithm for the FMM parameter estimation problem, which is based on real coded genetic algorithms. Our specific contributions are two-fold: 1) we propose to use blended crossover in order to reduce the premature convergence problem to its minimum and 2) we introduce a completely new permutation operator specifically meant for the FMM parameter estimation. In addition to improving the optimization results, the permutation operator allows for imposing biologically meaningful constraints to the FMM parameter values. We also introduce a hybrid of the genetic algorithm and the EM algorithm for efficient solution of multidimensional FMM fitting problems. We compare our algorithm to the self-annealing EM-algorithm and a standard real coded genetic algorithm with the voxel classification tasks within the brain imaging. The algorithms are tested on synthetic data as well as real three-dimensional image data from human magnetic resonance imaging, positron emission tomography, and mouse brain MRI. The tissue classification results by our method are shown to be consistently more reliable and accurate than with the competing parameter estimation methods.     

Dictionary-based stochastic expectation-maximization for SAR amplitude probability density function estimation

In remotely sensed data analysis, a crucial problem is represented by the need to develop accurate models for the statistics of the pixel intensities. This paper deals with the problem of probability density function (pdf) estimation in the context of synthetic aperture radar (SAR) amplitude data analysis. Several theoretical and heuristic models for the pdfs of SAR data have been proposed in the literature, which have been proved to be effective for different land-cover typologies, thus making the choice of a single optimal parametric pdf a hard task, especially when dealing with heterogeneous SAR data. In this paper, an innovative estimation algorithm is described, which faces such a problem by adopting a finite mixture model for the amplitude pdf, with mixture components belonging to a given dictionary of SAR-specific pdfs. The proposed method automatically integrates the procedures of selection of the optimal model for each component, of parameter estimation, and of optimization of the number of components by combining the stochastic expectation-maximization iterative methodology with the recently developed "method-of-log-cumulants" for parametric pdf estimation in the case of nonnegative random variables. Experimental results on several real SAR images are reported, showing that the proposed method accurately models the statistics of SAR amplitude data.     

基于改进粒子群优化算法的摄像机标定

本文在充分研究多种摄像机标定方法和粒子群优化算法（PSO）的基础上,针对传统PSO算法存在早熟和局部收敛的问题,提出了一种改进的新型粒子群优化算法在摄像机标定中的应用。该算法在基本PSO惯性权重部分加入了收缩因子,很好的改善了算法的收敛性;为了进一步提高优化的速度和可靠性,引入了多适应值函数策略。最后在OpenCV上实现了基于该改进方法的摄相机标定。实验结果表明：该摄像机标定方法有效提高了原有张正友平面标定法的标定精度,结果稳定可靠,具有一定的工程应用价值。     

Monkey King Evolution: an enhanced ebb-tide-fish algorithm for global optimization and its application in vehicle navigation under wireless sensor network environment

Optimization algorithms are proposed to maximize the desirable properties while simultaneously minimizing the undesirable characteristics. Particle Swarm Optimization (PSO) is a famous optimization algorithm, and it has undergone many variants since its inception in 1995. Though different topologies and relations among particles are used in some state-of-the-art PSO variants, the overall performance on high dimensional multimodal optimization problem is still not very good. In this paper, we present a new memetic optimization algorithm, named Monkey King Evolutionary (MKE) algorithm, and give a comparative view of the PSO variants, including the canonical PSO, Inertia Weighted PSO, Constriction Coefficients PSO, Fully-Informed Particle Sawrm, Cooperative PSO, Comprehensive Learning PSO and some variants proposed in recent years, such as Dynamic Neighborhood Learning PSO, Social Learning Particle Swarm Optimization etc. The proposed MKE algorithm is a further work of ebb-tide-fish algorithm and what’s more it performs very well not only on unimodal benchmark functions but also on multimodal ones on high dimensions. Comparison results under CEC2013 test suite for real parameter optimization show that the proposed MKE algorithm outperforms state-of-the-art PSO variants significantly. An application of the vehicle navigation optimization is also discussed in the paper, and the conducted experiment shows that the proposed approach to path navigation optimization saves travel time of real-time traffic navigation in a micro-scope traffic networks.     

基于混合PSO算法的加速度计快速标定

针对粒子群优化算法(PSO)在加速度计标定中存在早熟及陷入局部最优的不足,提出了基于差分进化(DE)的双种群信息共享及并行进化的混合PSO算法,并将该算法应用于加速度计快速标定。为提高混合算法的优化性能,提出了一种平衡DE算法全局探索和局部开发能力的加权变异算子,将Logistic函数的非线性特性引入到PSO算法惯性权重和DE算法加权系数的动态调整中。基准测试函数仿真表明所提出的混合算法在收敛速度、收敛精度、全局搜索性能和鲁棒性等方面明显优于PSO、DE算法;加速度计标定仿真结果表明,提出的混合算法能有效提高加速度计的标定精度。