基于自适应权重PSO的模型参数估计算法

将自适应权重PSO算法应用到了模型参数估计中,提出了基于改进PSO算法的模型参数估计算法,介绍了该算法用于模型参数估计的步骤和方法,并采用所提算法对线性模型和非线性模型两个实例进行了仿真研究,证明了改进PSO算法应用于模型参数估计的有效性,参数估计的效率和精度均优于传统方法.     

基于RBF网络的非线性动力系统辨识方法的改进

基于资源分配网络（ＲＡＮ）的增长标准并结合隐单元的修剪 策略,提出了同时具有增长及修剪功能的径向基函数（ＲＢＦ）网络结构学习方案。利用该方案进行了非线性时间序列的建模以及振动系统中的未知非线性力的识别。结果表明：提出的网络结构８学习算法是有效的;ＲＢＦ网络对非线性时间序列具有很高的建模精度 ;振动系统未知非线性力的神经网络识别法是可行的。     

RBF网络在线辨识算法与应用研究

提出了一种确定RBF网络中心向量的动态递推算法，介绍了RBF网络线性层连接权值的递推最小二乘算法，利用这些算法对蒸发器过热度进行了在线辨识，同时对网络结构和算法的参数变化对辨识精度的影响进行了研究，仿真结果表明该算法辨识速度快、精度高，可用于在线控制。     

基于灰色RBF网络的我国能源消费预测

利用我国能源消费总量的历史数据,采用灰色预测法建立预测模型,再利用径向基（RBF）神经网络对灰色预测模型结果进行预测,以作为其最终的预测值．实验结果表明,灰色RBF网络模型在预测精度方面优于单一的灰色模型．该模型计算简便,有较高的拟合和预测精度,拓宽了灰色模型的应用范围．     

RBF神经网络的混合学习算法

针对RBF神经网络的最近邻聚类学习算法存在的学习精度不理想和固定网络结构的梯度下降训练学习算法存在的中心不易确定、训练时间长等问题,提出一种基于最近邻聚类中心选取和梯度下降训练的RBF神经网络混合学习算法,解决了RBF网络径向基函数的中心取值问题,提高了网络的学习精度和训练速度.将该算法应用于非线性系统的在线辨识与二维函数的逼近,仿真实验结果证明了该方法的有效性.     

基于RBF网络的汽轮发电机组故障诊断

针对电厂汽轮发电机组故障诊断问题,设计了RBF网络故障诊断系统．根据输入特征向量进行RBF网络的学习,并将RBF网络诊断故障的方法成功地应用于汽轮发电机组故障诊断．仿真结果表明：RBF网络比BP网络更稳定,训练误差更小。     

改进PSO优化RBF智能电能表端子温度检测方法

针对智能电表前端接线端子温度难以直接检测的问题,提出一种改进粒子群优化径向基神经网络的智能电能表温度端子检测方法。首先基于RBF神经网络建立电能表端子温度与其影响因素映射关系式,通过K-Means++算法获取合适网络核函数的中心位置;然后利用递推最小二乘法求解网络核函数连接权值;最后通过改进粒子群优化RBF神经网络宽度系数和模型训练,推导优化温度映射表达式,据此实现智能电能表端子温度检测。仿真实验结果表明：提出的多种群互生改进粒子群优化径向基神经网络算法计算准确度高、搜索能力强、收敛速度快,温度检测相对误差小于0.17%,相比于现有检测方法具有更高的准确度。     

基于RBF和BP网络的机器人逆运动学求解

针对传统的求逆运动学方法相当复杂以及一般的神经网络收敛速度慢、精度不高的缺陷,提出一种由1个RBF(Radial Basis Function)网络和2个BP(Back Propagation)网络组成的系统来解决运动学逆问题,输入数据分别通过3个并行的神经网络,对输出分别求正运动学解,计算误差,选择误差最小的作为系统的输出,其中BP网络运用LM(Levenberg-Marquardt)方法进行训练.仿真表明:该方法可以有效的解决运动学逆问题,避免了传统解法中的一些棘手问题.     

基于RBF网络的水位传感器故障诊断方法

将RBF网络应用于水位传感器的故障诊断,通过构建RBF网络估值器,提出了一种故障诊断方法。首先用影响汽包水位的各种相关参量的实测数据对RBF网络进行训练,然后用达到训练目标的RBF网络对汽包水位进行较高精度的估值;通过RBF网络估值器输出和水位传感器实际输出之差与设定的阈值比较检测传感器故障;若水位传感器出了故障,则诊断系统通过故障转换开关及时对水位监视或控制系统进行重构以消除故障的影响。仿真试验表明该方法能对水位传感器进行较有效的状态监测和故障诊断。     

基于粒子群算法的RBF神经网络的优化方法

本文用粒子群算法来优化RBF神经网络的中心值和连接权值,使之具有更强的非线性逼近能力,并将优化后的RBF神经网络和未经优化的RBF神经网络用于非线性函数的逼近,实例证明优化后的RBF神经网络比未经优化的RBF神经网络具有更强的非线性函数的逼近能力。     

混合粒子群径向基神经网络的短期负荷预测的应用

电力短期负荷预测的结果对电力系统的经济效益具有重要影响.为了克服基本粒子群(Particle Swarm Optimization,PSO)算法收敛精度不高、易陷入局部最优的缺点,提出一种将自然选择和变异结合的混合粒子群(Hybrid Particle Swarm Optimization,HPSO)算法,可以保持种群的多样性,有效地避免粒子早熟,并利用混合粒子群算法优化径向基神经网络的权值,最后将优化好的径向基神经网络进行广西某市的短期电力负荷预测.计算结果表明,该算法收敛速度快,并达到了提高预测精度和改善网络性能的要求.     

基于粒子群优化的生物网络布局

基本粒子群算法（Particle Swarm Optimization,PSO）用于生物网络布局优化存在以下不足：存在影响布局优化的边界效应（boundary effects）,并且仅适用于小规模网络.针对边界效应提出了无边界限制的PSO算法（FPSO算法）.该算法一定程度上减少了边界效应对布局的影响.针对较大规模生物网络布局,提出了具有免疫反向学习特性的PSO算法（IO_FPSO算法）.采用主观评价、目标函数评价和布局准则定量评价进行算法比较,实验结果表明FPSO算法明显优于基本PSO算法,而IO_FPSO则进一步改善了较大规模生物网络布局效果.     

基于粒子群优化算法和RBF神经网络的水质评价方法研究

将粒子群优化算法和RBF神经网络相结合,建立了基于神经网络的水质评价模型,实现了对水质的合理评价。通过采用粒子群优化算法对RBF神经网络的参数进行优化,提高了神经网络的收敛速度和精度,进一步提高了水质评价方法的精确程度。通过与传统的神经网络水质评价方法的对比,验证了本文方法的可靠性和优越性。     

基于粒子群优化的神经网络容错控制算法

针对一类非线性系统的传感器故障,将故障诊断与容错控制方法相结合,提出了一种容错控制方法。用BP网络建立传感器故障模型,并用粒子群算法来训练BP网络的参数,在线估计系统的状态和故障参数。然后将故障参数与修正的Bayes分类算法相结合,对传感器故障在线检测、分离和估计,通过补偿算法,实现容错控制。对连续搅拌釜式反应器（CSTR）的仿真结果表明,该方法收敛性好,对传感器故障具有很强的容错能力。     

基于改进粒子群优化算法的贝叶斯网络结构学习

贝叶斯网络结构学习是数据挖掘和知识发现领域的重要研究技术之一,在网络结构的搜索空间较大的情况下,传统的二值粒子群优化算法往往存在收敛速度慢,容易陷入局部最优,学习精度较差的缺陷。在传统二值粒子群优化算法基础上,利用互信息限制粒子群算法的初始化,缩小算法的搜索空间,同时构建新的进化模型代替原有的进化公式,使得改进后的算法具有更强的寻优能力。采用ASIA网络作为仿真模型,并与原有算法比较,结果表明,改进算法能够在较少的迭代次数下找到较优的解,并且基本没有增加算法的复杂度。     

基于神经网络和粒子群算法的移动机器人路径规划

针对移动机器人传统路径规划算法效率不高,寻优能力差等问题,提出一种基于神经网络和粒子群优化算法相结合的移动机器人路径规划方法.该方法利用神经网络实现大量的并行和分布计算,发挥PSO简单、容易实现的优点,提高了路径规划的计算效率和可靠性.仿真结果表明,这种新路径规划方法是可行且有效的.     

基于多级惩罚函数的粒子群约束优化算法

基于多级惩罚函数和粒子群算法解决多约束优化问题,采用粒子种群中的多个粒子并行寻优,避免多约束优化问题收敛于局部优化解。定义了多级分配函数作为约束因子表达惩罚函数与约束条件间函数关系,约束因子按照约束条件的不同分为多个等级。提出了粒子群多级惩罚函数算法,应用于三个经典约束优化问题,均在较少迭代次数内得到高精度优化解。     

基于禁忌搜索的混合粒子群优化算法

针对粒子群优化算法（PSO）易于陷入局部最优解并存在早熟收敛的问题,利用禁忌搜索算法较强的“爬山”能力,搜索时能够跳出局部最优解,转向解空间的其他区域的特点,提出了一种新的基于禁忌搜索（TS）的混合粒子群优化算法（TS—PSO）,并选用两个函数进行测试．结果表明,TS—PSO比其他改进粒子群算法更能提高收敛速度,获得全局最优解．     

基于微粒群算法的lp数据拟合及其应用

在动态测试数据处理中,常常要进行稳健回归分析和最小最大值回归分析,讨论了微粒群算法及其在lp数据拟合中的应用.微粒群算法通过多个粒子在解空间中根据自身的信息和群体的信息不断调整自己的位置进行寻优,在寻优过程中粒子间不断地进行信息交流,使得算法收敛速度很快,特别适合用于函数优化,从而能够在lp数据拟合中得到很好的应用.实例计算结果表明,该方法能够更准确地进行lp数据拟合,理论上可以以任意逼近真实值,从而减小了计算误差,并且有更快的收敛速度,可以快速收敛到全局最优解,因而具有一定的理论意义和现实意义.