PSO算法在非线性回归模型参数估计中的应用

非线性回归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.由于粒子群算法是一种有效的解决优化问题的群集智能算法,它的突出特点是操作简便、容易实现且全局搜索功能较强,故将粒子群优化算法用于非线性系统模型参数估计,并通过对6种非线性回归模型的参数估计进行了验证.实验结果表明:粒子群优化算法是一种有效的参数估计方法.     

基于粒子群优化算法的非线性系统模型参数估计

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。由于粒子群算法是一种有效的解决优化问题的群集智能算法,它的突出特点是操作简便、容易实现且全局搜索功能较强,故将粒子群优化算法用于非线性系统模型参数估计,并通过对3种典型的非线性模型的参数估计进行了验证。实验结果表明：粒子群优化算法参数估计精度高,是一种有效的参数估计方法。     

基于粒子群优化算法的非线性系统模型参数估计

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.由于粒子群算法是一种有效的解决优化问题的群集智能算法,它的突出特点是操作简便、容易实现且全局搜索功能较强,故将粒子群优化算法用于非线性系统模型参数估计,并通过对3种典型的非线性模型的参数估计进行了验证.实验结果表明:粒子群优化算法参数估计精度高,是一种有效的参数估计方法.     

非线性系统模型参数估计的算法模型

针对非线性系统模型的多样性,提出了适用于多种非线性模型的基于粒子群优化算法的参数估计方法。计算结果表明,粒子群优化算法是非线性系统模型参数估计的有效工具。     

基于改进的粒子群算法的多元线性回归模型参数估计

针对基本粒子群算法易陷入局部解的不足,本文基于基本粒子群算法,着重对惯性权重因子进行改进,在非线性递减惯性权重策略基础上增加随机因素的考虑,给出了改进的算法—非线性递减随机惯性权重粒子群算法。并利用国际常用基准测试函数进行仿真实验,测试结果验证了改进算法的计算性能优于基本粒子群算法。在此前提下,本文针对多元线性回归分析中的参数计算复杂问题,又提出一种基于上述改进算法的参数估计方法,以最大似然准则作为粒子群优化算法的适应度函数,建立多元线性回归分析中的参数估计计算模型。算例仿真结果显示,该方法是高效和实用的。     

基于粒子群算法的Logistic回归模型参数估计

针对Logistic回归模型中的参数估计计算复杂难题,提出一种基于粒子群优化算法（PSO）的估计方法。以最大似然准则作为粒子群优化算法的适应度函数,建立了Logistic回归模型中的参数估算模型。数值仿真分析表明,粒子群优化算法可以更精确地计算出相关参数。     

基于PSO算法的probit模型参数估计

针对二值probit回归模型中的参数估计问题,提出一种基于粒子群优化（PSO）的参数估计算法。该算法采用以最大似然准则作为PSO的适应度函数,建立二值probit回归模型中的参数估计计算模型。数值仿真分析表明,该算法性能较好,回归结果具有较高的拟合优度。     

基于微粒群算法的非线性系统模型参数估计

微粒群优化(PSO)算法是一种进化算法,包含的概念简单.本文不同于传统的非线性模型参数估计方法,将微粒群优化算法应用于非线性系统模型(NSM)的参数估计,并通过重油热解三集总模型参数估计进行PSO算法效果测试.实验结果表明:微粒群算法为非线性系统模型参数估计提供了一种新方法.     

一种辨识Wiener-Hammerstein模型的新方法

针对非线性Wiener-Hammerstein模型,提出利用粒子群优化算法对非线性模型进行辨识的新方法.该方法的基本思想是将非线性系统的辨识问题转化为参数空间上的优化问题;然后采用粒子群优化算法获得该优化问题的解.为了进一步增强粒子群优化算法的辨识性能,提出利用一种混合粒子群优化算法.最后,仿真结果验证了该方法的有效性和可行性.     

多智能体粒子群优化的SVR 模型预测控制

参数的优化选择对支持向量回归机的预测精度和泛化能力影响显著,鉴于此,提出一种多智能体粒子群算法(MAPSO)寻优其参数的方法,并建立MAPSO支持向量回归模型,用于非线性系统的模型预测控制,推导出最优控制率.采用该算法对非线性系统进行仿真,并与基于粒子群算法、基于遗传算法优化支持向量回归机的模型预测控制方法和RBF神经网络的预测控制方法进行比较,结果表明,所提出的算法具有更好的控制性能,可以有效应用于非线性系统控制中.     

基于PSO算法的变差函数球状模型参数拟合

对一阶变差函数球状模型及其二阶套合结构的参数拟合进行研究,利用粒子群优化(PSO)算法在求解非线性优化问题时收敛的快速性以及全局寻优的有效性等优势,将待拟合球状模型的参数组合为一个粒子向量,在PSO算法迭代过程中对部分粒子进行混合柯西-高斯变异,实现变差函数球状模型最优参数的自动拟合。仿真实验结果表明,该方法操作简单、可靠性高。     

PSO算法在非线性模型参数估计中的应用

将微粒群优化(PSO)算法用于非线性系统模型参数估计，并通过对谷氨酸菌体生长模型的参数估计进行了验证．实验结果表明：微粒群算法为非线性系统模型参数估计提供了一种有效的途径．     

PSO在非线性电路及器件参数优化设计中的应用

为了解决非线性电路的一个多参数组合优化问题,使用了一种全局优化搜索方法-粒子群优化方法(PSO)来获取非线性电路及其中非线性器件参数的最优组合.首先对非线性电路建立线性化的数学模型,分析关键参数的基本特性,然后利用粒子群优化方法良好的全局搜索特性以及快速的收敛速度,在整个参数空间进行高效并行搜索来获得参数组合的最优化,以有效降低电路功耗.对典型的非线性分压式偏置电路以及其中BJT参数提取的设计实例证明了该方法的有效性以及其在搜索速度上的优越性.     

基于粒子群优化的Wiener模型辨识与实例研究

针对一类工业过程中可描述成Wiener模型的非线性系统,其辨识问题可等价成以估计参数为优化变量的非线性极小值优化问题．利用粒子群优化(PSO)算法在整个参数空间内并行搜索获得极小值优化问题的最优解(Wiener模型的最优估计),通过对粒子的迭代轨迹进行分析,改进了PSO算法中惯性权重和学习因子的选择．通过一个Wiener模型的数值仿真验证了本文提出的辨识方法的有效性和实用性,并将该方法应用在连续退火机组加热炉产品质量模型的辨识研究,取得了满意的辨识效果．     

电液伺服系统多PID控制器参数整定优化

为了解决挖掘机器人动臂、斗杆和铲斗不同电液伺服系统中多个比例–积分–微分(PID)控制器参数优化的难题, 提高挖掘机器人铲斗齿尖轨迹跟踪精度, 采用改进的粒子群算法(PSO)对多PID控制器参数进行整定优化. 首先, 建立电液伺服系统的数学机理模型, 在理论模型的基础上, 采用递推最小二乘辨识法(RLS)得到实际的机理模型. 其次, 提出一种改进的PSO算法, 采用非线性自适应惯性权重、引入异步变化策略、设计精英变异方法. 接着, 搭建仿真验证平台, 跟踪正弦轨迹, 比较传统Z-N参数整定方法、基本PSO算法和改进PSO算法的差别. 最后, 以挖掘机 器人最常见的整平为代表工况, 基于23 t挖掘机器人实验平台进行实验验证. 实验结果表明, 改进PSO算法的跟踪精度最高, 与基本PSO算法相比, 明显提高了轨迹跟踪精度     

基于支持向量机的机载吊舱故障诊断优化算法

提升机载吊舱的后勤保障能力,适应吊舱测试中多型号、多故障类型和测试环境动态变化的测试要求,是打赢现代化战争的重要保障。支持向量机（SVM）算法适用于小样本、高维度、非线性分类问题,SVM相关参数是影响算法性能的重要因素。基于K-CV算法和粒子群算法两种改进的SVM模型可以实现SVM参数优化,K-CV算法可以交叉验证优化模型参数,粒子群算法可以对SVM参数进行动态寻优,建立多核SVM吊舱故障诊断模型。两种算法都可以提高吊舱故障诊断模型的准确率,提高模型的学习能力和泛化能力,有效对吊舱的故障进行定量和定位诊断。     

基于双重预测模型的非线性时间序列预测

在支持向量机( SVM)预测问题中,为了减小错误参数选取对预测结果的影响,提出了1种基于双重预测模型的非线性时间序列预测算法.该算法在充分考虑支持向量机参数对推广能力影响的基础上,分别利用自回归预测模型(AR)、自回归滑动平均模型( ARMA)、线性回归和决策树模型对SVM参数进行预测,将预测参数运用到SVM预测模型中...     

支持向量机与神经网络相结合的板带凸度预测

为提高热轧生产过程中板带凸度的预测精度,提出了一种将粒子群优化算法(particle swarm optimization, PSO)、支持向量回归(support vector regression, SVR)和BP神经网络(back propagation neural network, BPNN)相结合的板带凸度预测模型。采用PSO算法优化SVR模型的参数,建立了PSO-SVR板带凸度预测模型,提出采用BPNN建立板带凸度偏差模型与PSO-SVR板带凸度模型相结合的方法对板带凸度进行预测。采用现场数据对模型的预测精度进行验证,并采用统计指标评价模型的综合性能。仿真结果表明,与PSO-SVR、SVR、BPNN和GA-SVR模型进行比较,PSO-SVR+BPNN模型具有较高的学习能力和泛化能力,并且比GA-SVR模型运算时间短。     

非线性动态系统建模方法研究

讨论了一类非线性动态系统建模的新方法。首先,假设原非线性动态系统可以用Hammerstein模型来表示。然后,将Hammerstein模型的非线性传递函数转换为等价的线性形式,从而建立起中间模型。接下来,利用粒子群优化（Particle Swarm Optimization,PSO）算法辨识出中间模型参数。最后,通过中间模型参数与Hammerstein模型参数之间的关系,推出非线性静态环节和线性动态环节的参数,从而实现原非线性动态系统建模。为了进一步增强建模的性能,提出了利用一种改进的粒子群优化（Improved Particle Swarm Optimization,IPSO）算法。仿真结果说明了该方法的合理性和有效性。