基于RBF神经网络和粒子群算法的ECT传感器结构优化

给出一种RBF神经网络与粒子群算法相结合的电容层析成像（ECT）传感器结构参数优化方法。该方法以敏感场整体灵敏度大小等系统性能为优化目标,基于管壁厚度、屏蔽层厚度、径向屏蔽插入管壁深度、径向电极宽度、电极宽度（中心夹角）、管壁材料的相对介电常数、屏蔽层填充物相对介电常数7种重要的结构参数进行试验。应用RBF神经网络对多组结构参数以及对应的系统性能指标进行学习,得到回归模型,并应用粒子群算法进行寻优。结果显示,该方法参数寻优范围大,局限性小,寻优过程收敛快。优化后的系统整体灵敏度增大,成像质量改进。     

基于粒子群神经网络的异步电机故障诊断系统的研究

采用粒子群算法与BP算法结合的综合方式训练神经网络,用粒子群优化算法调节和优化全局性的网络参数,用BP神经网络学习方法优化局部性的参数,解决单纯的BP算法训练收敛较慢且易陷入局部最小值等问题,用于提高异步电机故障诊断的性能。在此基础上借助MATLAB进行计算机程序的编写,并使用Visual Basic进行异步电机故障诊断系统用户操作界面的开发。实践证明该系统能有效识别电机常见故障,操作简单方便且诊断精度高。     

神经网络和粒子群算法优化γ-氨基丁酸发酵培养基的研究

通过进行过的预实验,已知葡萄糖、L-谷氨酸钠和四水硫酸锰这三种发酵培养基成分对乳酸菌产GABA有重大影响.今运用神经网络和粒子群算法,对这三种成分进行了摇瓶发酵优化.首先,通过逐一单因素实验,来确定神经网络建模时三个输入参数的合适取值区域:葡萄糖10～30 g·L-1,L-谷氨酸钠50～80 g·L-1,四水硫酸锰2～20 mg·L-1.然后按照Hybrid设计进行实验,选取11组训练样本来建立人工神经网络模型,得到三种培养基成分浓度和GABA产量之间的关系模型.最后依赖于建立好的ANN模型,由PSO进行全局搜索寻优得到使GABA产量最大时的培养基浓度.在优化后的条件下,GABA积累浓度平均达到(33.42±1.35)g·L-1,较优化前提高96.5%.     

基于EBF神经网络和粒子群算法的注射成型优化设计

基于拉丁超立方设计建立了椭球基（EBF）神经网络模型描述注塑工艺参数与翘曲值间的函数关系,将EBF神经网络模型与Kriging模型对比,说明EBF神经网络模型可以准确地描述注塑工艺参数与翘曲值之间的函数关系,并结合多目标粒子群算法对工艺参数进行优化,并与邻域培植遗传算法优化结果对比,说明多目标粒子群算法的优点。结果表明,基于EBF神经网络模型和粒子群优化算法可以使塑料出水管翘曲值减小11.64 %,同时使保压时间和冷却时间总和减小了2.13 s,从而在出水管批量生产过程中减少了生产时间。     

基于聚类分析与粒子群算法优化神经网络的灰熔点预测

针对解决燃煤锅炉或气化炉的结渣现象,影响锅炉安全性问题,以灰成分金属氧化物为自变量,灰熔点流动温度为因变量,建立了K-Means-PSO-BPNN的灰熔点预测模型,误差分析结果表明,经过粒子群算法优化,BP神经网络模型在聚类分析后的预测效果得到了显著提高,表现出更好的相关性,相关系数为0.967,高于未优化的0.917,平均绝对误差为5.81,小于未聚类的26.98,并且模型的准确性提高到98.89%。因此,聚类分析以及粒子群算法优化后的神经网络模型能够更准确预测煤灰的流动温度(FT)。     

粒子群优化算法的研究

粒子群优化算法是一种基于群体智能的优化算法。介绍粒子群优化算法及其基本原理,给出各种改进技术及研究现状,并展望未来的发展趋势。     

混合粒子群优化算法及其应用

提出了一种通过改进全局最优位置粒子寻优策略而提高粒子群优化计算效率的混合粒子群优化算法。针对流程工业典型设备的状态跟踪预报等有计算时间限制的优化问题,混合粒子群优化算法在不改变原有粒子群粒子寻优策略的前提下,将粒子群整体已搜寻到的全局最优位置看作一个特殊的粒子,令该粒子执行梯度下降寻优的寻优策略。在粒子群的寻优迭代计算中增加全局最优位置粒子单独的梯度下降寻优过程,从而将粒子群优化算法的全局寻优特性与梯度下降算法的邻域寻优特性相结合,以提高粒子群优化算法的整体寻优效率,进而缩短寻优计算的时间。针对流程工业典型设备的实际应用表明,混合粒子群优化算法能够减少寻优迭代次数,进而缩短优化计算时间。     

粒子群优化算法的发展及应用

讨论了粒子群优化算法的发展和应用。介绍了粒子群优化算法的基本原理和算法流程,并且与其他演化算法进行了比较,给出了一些经常用到的测试函数。针对粒子群优化算法在搜索后期存在的不足,介绍了改进的粒子群优化算法,重点介绍了在实际应用领域中用到的改进粒子群优化算法。     

基于粒子群优化算法-广义回归神经网络的磷化膜耐蚀性预测模型

选取磷化液温度、磷化液游离酸度和磷化时间作为输入参数,耐点蚀时间作为输出参数,引入广义回归神经网络(GRNN)建立磷化膜耐蚀性预测模型,并分别采用果蝇优化算法(FOA)、粒子群优化算法(PSO)对平滑因子寻优进而优化预测模型.使用18组训练样本对优化后模型进行训练,9组检验样本用于优化后模型的预测准确度评价.结果表明:PSO-GRNN模型的预测值非常接近真实值,预测相对误差在[0.001,1.778]区间内,均方根误差最低、为0.682.与常规BPNN模型和FOA-GRNN模型相比,PSO-GRNN模型的预测准确度较高,对磷化膜耐蚀性预测效果良好.     

基于粒子群优化算法的板翅式换热器优化设计

以板翅式换热器的质量作为目标函数,以换热器芯体外形尺寸和翅片参数作为优化变量,采用粒子群优化算法对其结构尺寸进行优化设计,获得了换热器质量减轻、体积减小的效果。     

微粒群神经网络在常压塔汽油干点软测量建模中的应用

首先将微粒群优化算法用于神经网络连接权值和阈值的训练,构造微粒群神经网络,然后将微粒群神经网络用于常压塔汽油干点软测量建模。通过与实际值的对比,结果表明基于微粒群神经网络的软测量模型具有良好的性能和极好的应用前景。     

粒度配比对WC基金刚石钻头的性能影响研究

文章以Fe-Co-Cu基预合金粉为主要粘结剂,WC为骨架相,在相同的金刚石浓度条件下,通过调配6种不同粒度金刚石的配比,来研究金刚石粒度配比对钻头性能的影响。共设计了9种不同参数的孕镶金刚石钻头,通过微钻实验来验证其钻进性能。实验结果表明：在以WC-预合金粉配方体系为胎体材料时,40/45,60/70,80/100目的金刚石粒度组合具有最高的效率;45/50,70/80,100/120目的金刚石粒度组合具有最长的寿命;在调整金刚石粒度时,粗中细三种金刚石的粒度差别不宜太大,否则钻头的效率和寿命将明显降低。     

基于遗传神经网络的NEPE推进剂寿命预估

将遗传算法和神经网络相结合,建立了NEPE推进剂寿命预估的遗传神经网络(GA-BP)模型.以推进剂拉伸强度下降至原来的50%作为失效判据,利用GA-BP模型预估了NEPE推进剂在常温(20℃,相对湿度65%)下,可靠度为90%时的贮存寿命约为12.5年.结果表明,该模型预估精度高,泛化能力强.     

基于改进粒子群算法的变压器故障诊断研究

针对基本粒子群算法存在收敛慢、易陷入局部极值的缺点,分析了粒子群算法中惯性权重和加速因子的作用,对其作了修改,并用改进后的粒子群算法训练神经网络,应用在变压器故障诊断上。仿真结果表明:改进后的粒子群算法迭代次数少,收敛速度比改进的BP算法快,可以对变压器的故障类型进行区分。     

用基团贡献+神经网络+颗粒群优化相结合的方法来预测有机化合物的闪点温度

The flash points of organic compounds were estimated using a hybrid method that includes a simple group contribution method (GCM) implemented in an artificial neural network (ANN) with particle swarm optimization (PSO). Different topologies of a multilayer neural network were studied and the optimum architecture was determined. Property data of 350 compounds were used for training the network. To discriminate different substances the molecular structures defined by the concept of the classical group con-tribution method were given as input variables. The capabilities of the network were tested with 155 substances not considered in the training step. The study shows that the proposed GCM+ANN+PSO method represent an excellent alternative for the estimation of flash points of organic compounds with acceptable accuracy (AARD 1.8%; AAE 6.2 K).     

基于对角递归神经网络的小区用电负荷预测研究

为了提高小区用电负荷预测的准确度,在研究对角递归神经网络的基础上,分析比较几种优化算法,提出基于粒子群算法的对角递归神经网络预测方法。通过对小区用电负荷影响因素的分析以及对大量历史数据进行训练,最后经Matlab仿真分析,结果表明:该方法预测的准确度较高。     

复合粒子群优化算法在模型参数估计中的应用

化工非线性模型的参数估计是较为困难的寻优问题，经典方法常会陷入局部极值。粒子群算法操作简便、容易实现且全局搜索功能较强，适用于非线性参数估计。但其参数值的确定与问题相关，若设定不当，会严重影响全局搜索的性能。今提出引入遗传算法，在粒子群算法的搜索过程中，逐代优选参数，包括惯性权值，加速常数，以此构建为复合粒子群优化算法。分析与测试表明，其全局搜索性能有显著改善。进一步的工作又将两种粒子群算法成功地应用于重油热解模型的参数估计。采用复合粒子群优化算法估计参数构建的重油热解模型，其预报相对误差比常规粒子群优化算法降低了8.97％，比简单遗传算法降低了23.21％，效果明显。     

混合神经网络在污水毒性预测中的应用

分析了污水处理厂污水毒性对其它工艺参数的影响,选取DO、0RP、NH4-N及COD等过程参数为毒性测量的辅助变量.介绍了粒子群算法和混沌算法,运用混沌粒子群算法和BP算法相结合的混合神经网络,对生化池污水毒性进行预测,实现毒性的定量测量和报警.仿真结果表明,混合神经网络的泛化性能和时间复杂度要优于BP神经网络.