基于小生境技术的改进鲸鱼优化算法北大核心CSCD

针对标准鲸鱼优化算法全局搜索能力不足、收敛速度慢等问题,采用小生境技术和引入自适应权重对鲸鱼优化算法进行改进。首先,引入小生境技术中的竞争选择策略,通过比较距离添加共享函数计算适应度来提高鲸鱼算法的寻优能力,避免WOA算法陷入局部最优,解决算法早熟现象;其次,采用自适应参数作为位置权重调整鲸鱼算法的位置公式,提高算法的收敛速度和寻优精度。将该算法引入单峰和多峰模态基准测试函数中,仿真实验表明,在保证算法收敛速度的同时,所提出的改进鲸鱼优化算法有效地提高了搜索能力和寻优精度。     

基于改进核模糊聚类算法的软测量建模研究

针对发酵过程软测量建模采用单模型建模方法存在计算量大和精度较差的问题,提出一种基于改进核模糊聚类算法的多模型神经网络软测量建模方法.该方法首先使用主元分析方法对样本数据进行数据处理,所得主元变量作为模型的输入变量,然后使用基于粒子群优化算法的核模糊C均值聚类算法(PSKFCM)对数据集作聚类划分,最后针对每个聚类建立局部神经网络模型,多个局部神经网络模型估计结果的融合即为软测量模型的输出.将所提建模方法应用于红霉素发酵过程生物量浓度软测量建模,结果表明所建软测量模型具有较高的精度和良好的泛化能力.     

模糊免疫算法及其在溶剂脱水塔软测量建模中的应用

本文针对基本免疫算法收敛速度慢、计算精度低等缺点,提出了模糊免疫算法.该算法引入模糊技术,对关键参数(交叉概率和变异概率)实现了模糊自适应调整.通过标准测试函数实验结果的对比,其可行性和有效性得到证明,不仅减轻了原始算法中参数确定存在的困难,而且提高了算法的计算速度和精度.其次,本文将模糊免疫算法用于径向基神经网络的训练,并将该神经网络应用于溶剂脱水塔软测量模型.仿真实验证明,模糊免疫算法优化的径向基函数神经网络具有良好的泛化性能.     

基于ICEEMD及AWOA优化ELM的机械故障诊断方法

旋转机械设备故障检测及识别一直是研究的热点。针对目前故障特征提取和诊断方法的不足,提出一种基于改进的完备集合经验模态分解(ICEEMD)与自适应鲸鱼优化算法(AWOA)优化极限学习机(ELM)的机械故障诊断方法。ICEEMD能够避免在分解过程中产生伪模态,其模式中残留噪声小,使提取故障信息更加准确。利用ICEEMD将采集到的信号分解成多个本征模态函数(IMF),对滚动轴承不同故障状态IMF的斯皮尔曼等级相关系数(SRCC)的计算结果进行分析,得出筛选IMF的标准为其SRCC大于0.02;将筛选后的IMF的混合熵(HE)作为特征向量。WOA相比其他仿生算法所需要调整的相关参数少、收敛速度快、稳定性好。AWOA利用自适应权重优化WOA的局部搜索方式,进一步提高了收敛精度。利用AWOA对ELM的权值和阈值进行优化,可以提高故障诊断的准确率。通过对比实验证明,AWOA-ELM的学习能力强、故障诊断的准确率更高。AWOA-ELM应用在滚动轴承不同尺寸滚珠和外圈故障诊断中,对滚珠故障诊断的准确率达到99.5%,对外圈故障诊断的准确率达到100%。     

基于AWLS-SVM的污水处理过程软测量建模

针对污水处理过程建模中样本数据可能存在的测量误差对模型性能的影响,提出一种自适应加权最小二乘支持向量机(AWLS-SVM)回归的软测量建模方法。该方法基于最小二乘支持向量机模型,根据样本拟合误差,并结合改进的指数分布赋权规则,自适应地为每个建模样本分配不同的权值,以降低随机误差对模型性能的影响;同时采用一种全局优化算法——混沌粒子群模拟退火(CPSO-SA)算法对最小二乘支持向量机的模型参数进行优化选择,以提高模型的泛化能力。仿真实验表明,AWLS-SVM模型的预测精度及鲁棒性能优于LS-SVM和WLS-SVM。最后,应用AWLS-SVM方法建立污水处理过程出水水质关键参数的软测量模型,获得了较好的效果。     

基于改进型鲸鱼算法的云制造资源配置研究

针对云制造模式下资源配置问题,提出了一种新的解决方案-鲸鱼优化算法(WOA),旨在解决以时间、成本、质量和服务为目标的优化模型。在基本鲸鱼优化算法的基础之上引入编码解码方式和惯性权重,以增强局部搜索能力,提高收敛精度和加快收敛速度。最后通过实例,将改进的鲸鱼优化算法与传统遗传算法(GA)、基本布谷鸟算法(CS)进行比较分析,验证了改进鲸鱼优化算法的有效性。     

基于IQPSO优化ELM的熟料质量指标软测量研究

水泥熟料游离氧化钙(f Ca O)含量是水泥生产过程的重要质量指标。针对难以建立其精确的数学模型和难以实时在线测量的问题,首先采用序列二次规划方法增强量子粒子群算法的局部搜索能力,提出了一种局部区域可调的改进量子粒子群优化(IQPSO)算法,并采用提出的IQPSO算法优化超限学习机(ELM)的输入层权值和隐层阈值参数,在优化过程中同时兼顾均方根误差和隐层输出矩阵条件数最小的原则,建立了基于IQPSO优化ELM的水泥熟料f Ca O软测量模型,仿真验证结果表明,IQPSO算法具有较高的搜索精度以及较快的收敛速度,建立的软测量模型精度高、泛化能力强。最后基于该模型,通过软件编程的方法给出了水泥熟料质量指标软测量仪表,实现了f Ca O含量的在线软测量。     

基于PSO-SVM的关键生物参数软测量方法研究

微生物发酵过程中一些关键生物参数难以实时在线测量,严重影响发酵的优化控制。为解决关键生物参数的测量难题,采用了一种基于PSO-SVM的软测量方法。该方法利用粒子群优化(PSO)算法优化选择支持向量机(SVM)的最佳参数,并建立了基于PSO-SVM的软测量模型。利用赖氨酸发酵的数据对模型进行仿真验证,结果表明该模型具有很好的学习精度和泛化能力。另外在建模耗时上,PSO-SVM算法所用时间远少于标准SVM算法所用时间。     

KPCA和LSSVM在SCR脱硝反应器入口NO_x含量软测量中的应用

SCR脱硝反应器入口NO_x含量及时、准确地测量,对于精确调节喷氨量,控制NO_x排放至关重要。针对NO_x气体分析仪测量滞后的问题,提出了基于KPCA和LSSVM的软测量模型。根据某电厂采集的数据样本规模较大的情况,为了提高NO_x软测量模型的精度,该文首先进行基于相似度函数的样本优选,减少样本冗余信息,简化样本模型。然后对于选取的与反应器入口NO_x有关的18个辅助变量进行核主元分析(KPCA),对样本进行特征提取,降低样本维数,以此作为最小二乘支持向量机(LSSVM)软测量模型的输入,提高软测量模型的精度,对反应器入口NO_x含量的实时、准确测量提供一定的理论依据,为提高反应器脱硝效率打下良好基础。     

基于改进算法BP神经网络的软测量技术

利用动量法和自适应改变学习率改进BP神经网络算法的基础上,针对网络权值调整时不容易跳出误差平坦区的问题,进一步对神经网络的学习算法进行了改进,引入一个陡度因子.并把改进算法后的BP神经网络在盐酸浓度的软测量中做了仿真实验,实验结果表明陡度因子的引入不但可以提高模型的精度而且也使网络的泛化能力得到了增强.     

基于ASOS-ELM的湿式球磨机负荷软测量方法

针对湿式球磨机在磨矿过程中内部负荷靠专家经验难以准确预测的问题,提出一种基于改进的共生生物搜索(ameliorated symbiotic organisms search,简称ASOS)-极限学习机(extreme learning machine,简称ELM)的磨机负荷软测量方法。首先,利用ELM算法建立磨机负荷软测量模型,运用ASOS算法优化软测量模型的隐含层参数;其次,以筒体振动与振声信号的特征信息构建磨机负荷特征向量,并将其作为软测量模型的输入,将磨机负荷参数作为输出;最后,通过磨矿负荷检测实验和对比分析表明,磨机负荷软测量模型的负荷参数预测准确率较高,泛化能力较强,为磨机磨矿效率的提高及控制优化提供了有益的指导。     

基于机器视觉的螺纹钢丝头检测方法

针对目前常用的螺纹钢丝头人工检测方法效率低、精度差的问题,提出了一种基于视觉技术的螺纹钢丝头检测方法。首先对采集到的图像进行预处理获取角点,接着采用基于Sigmoid亚像素细分算法对螺纹钢丝头的边缘像素进行细分,提高角点检测精度。针对传统的鲸鱼算法(WOA)在中经测量中容易陷入局部最优等缺陷问题,提出了一种基于自适应权重非线性收敛的鲸鱼算法,对螺纹钢丝头进行参数检测。试验和测试结果表明,该方法的精度满足国标GB-T 197-2018的要求,与传统的检测方法相比提高了效率和准确度。     

基于CPSO与LSSVM融合的发酵过程软测量建模

发酵过程是一个复杂的时变、非线性、强耦合过程.发酵过程中的关键参量菌体浓度通常难以用传统物理传感器实时在线检测.为了测量该参数,将CPSO算法与LSSVM相结合构建发酵过程软测量模型.模型采用CPSO算法优化LSSVM软测量模型参数,克服了常规交叉验证法选取参数的耗时和盲目性.仿真结果表明,CPSO-LSSVM软测量模型较LSSVM软测量模型更能在较短的时间内获得较高的收敛精度,其平均误差为2.05％,说明该软测量模型可用于发酵过程不可在线测量的菌体浓度的实时在线软测量,并且预测精度高,预测速度快,预测能力强.该软测量建模方法也为发酵过程其他关键参量的实时在线测量提供了新的途径.     

污水处理控制系统设计与出水参数的软测量

随着工业技术的发展,各种污染已经严重影响了人类的生存环境。近年来人们由于对水环境保护意识不断增强,更多的技术被要求应用于污水处理过程之中。针对某焦化厂污水处理系统,设计了一套基于W INCC、PLC的污水处理控制系统,从而实现了污水处理系统自动化控制。利用已测得进水数据,基于最小二乘支持向量机(LSSVM)建立了软测量模型,并且引入小波分析这一数学分析方法,选用径向基小波核函数。针对支持向量机参数,采用自适应粒子群优化(APSO)算法对其进行了调整。实验结果表明,此方法能够实现对污水处理系统出水BOD5、COD浓度的软测量预测。     

基于CPSO的混合核LSSVM生物发酵软测量建模

针对赖氨酸发酵过程非线性、强耦合及关键参数难以在线实时测量等问题,将混合核函数概念引入最小二乘支持向量机中,提出了一种基于混合核LSSVM的软测量建模方法。该方法采用混合核函数代替传统的RBF核作为支持向量机的核函数建立模型,并利用全局搜索能力较强的混沌粒子群优化（CPSO）算法对模型参数进行了寻优处理。仿真结果表明,该方法建立的软测量模型可以实现对发酵过程中的菌体浓度C、基质浓度S及产物浓度P等参量的在线实时预测,在改善了模型全局性的同时也提高了预测精度。     

一种自适应CMAC软测量与控制模型

通过研究了小脑模型神经网络(CMAC)存在的不足,设计了基于自适应的CMAC算法,对CMAC的重要组成部分概念映射、学习率和惯性系数进行了自适应设计,提高CMAC的计算速度和精度以满足复杂动态环境下的非线性实时控制的需要.结合沉降分离控制系统工艺优化的需求,提出了基于自适应CMAC的沉降系统软测量和控制模型,用于准确实时地预测稀释矿浆固含,在此基础上进行絮凝剂投放措施优化.工业试验说明了该模型在对化学量软测量的预测精度和快速性上具有明显的优越性,本模型已应用于某氧化铝厂工艺优化系统中动态调节絮凝剂投放量,节省了生产成本,取得了明显的经济效益.     

基于改进粒子群优化LSSVM的短期电力负荷预测

电力系统正常运行时,负荷预测是其运行和规划的重要依据之一。因此,针对粒子群算法(Particle Swarm Optimization,PSO)优化最小二乘支持向量机(Least Square Support Vector Machine,LSSVM)存在的速度变化梯度方向产生的非最优粒子问题,提出了一种基于自适应粒子群优化LSSVM参数的短期电力负荷预测方法。该预测模型在保持PSO优点的基础上,引入了自适应步长,使PSO在速度梯度上找到更优的粒子;引入遗传算法的变异操作保持粒子群的多样性,减小算法陷入局部极值的可能。随后将自适应PSO对LSSVM回归估计方法的参数进行优化,得到自适应PSO-LSSVM。最后将该方法应用于短期电力负荷预测。     

基于自适应控制器的电动汽车电机驱动速度控制研究

针对电动汽车速度控制需要安装传感器,以及精度低和成本高的问题,本文提出了一种基于模型参考自适应控制的异步电机驱动电动汽车无速度传感器控制技术,并引入了一种基于黄金分割算法的能量优化技术.基于电阻模型作为参考模型,该自适应控制不受定子电阻变化的影响,完全消除了速度估计过程中对任何流量估计的要求.黄金分割能量优化算法可根据...     

基于卷积神经网络的磁瓦表面缺陷识别

针对现有的磁瓦表面缺陷识别算法准确率低且泛化能力不足的问题,提出一种基于卷积神经网络的磁瓦表面缺陷识别算法.该算法在轻量级NASNet卷积神经网络的基础上,引入双线性模型增强网络的特征表达力,提高算法识别精度.其次,为了减少模型参数量与计算量,改进NASNet模型结构进行特征降维.同时采用Adam算法作为网络的优化算法...     

基于支持向量机的催化剂颗粒浓度软测量

软测量技术的关键是建立优良的软测量数学模型,最小二乘支持向量机(LS-SVM)以其优良的泛化特性而被应用到软测量建模中.在分析炼油厂烟气催化剂颗粒浓度测量原理和现状的基础上,提出了基于最小二乘支持向量机建模的催化剂颗粒浓度软测量方法,给出了相应的系统结构和算法.针对系统慢时变特性,采用模型校正机制,以提高软测量的在线监测精度.仿真和实际运行结果表明,基于LS-SVM的软测量精度优于经验公式,是软测量建模的一种有效方法.