基于NWPSO-BP神经网络的异常用电行为检测算法

用户的异常用电行为会导致电力负荷异常增长,给电力公司造成巨大损失,同时也易造成输电线路故障,从而危害公共安全,然而传统人工检查异常用电行为的检测效率低下且精度较低。针对上述问题,首先分析了异常用电用户存在的行为特征,然后选择用于训练模型的最佳特征指标,最后提出了基于改进的非线性权重调整粒子群优化算法优化BP神经网络(NWPSO-BP)的异常用电行为检测算法。结果表明,与现有的异常用电行为检测方法相比,所提算法具有更高的精度,且误差收敛速度更快。     

基于PSO-PF算法的SVM识别方法 及其在异常声音中的应用

针对异常声音识别率低和算法复杂度高等技术难题,提出了一种基于粒子群优化粒子滤波（PSO-PF）算法优化支持向量机（SVM）的识别方法.将PSO算法引入粒子滤波中,通过不断更新粒子速度和位置,使粒子群向高似然后验概率区域移动,提高粒子滤波的参数估计精度.将PSO-PF算法应用于SVM参数优化中,可解决现有SVM参数优化算法易陷入局部最优值等问题.实验结果表明,将所提方法应用于多类异常声音识别,能够有效提高识别率,降低算法复杂度.     

改进PSO-SVM在说话人识别中的应用

为了加快粒子群优化算法的收敛速度,增强全局的搜索能力,通过对粒子群优化算法中惯性权重和全局最优值的分析,提出了一种根据迭代次数而自适应变化的惯性权重的粒子群优化方法。改进后的粒子群算法在防止陷入局部最优的能力方面有了明显的增强,同时,给出了应用粒子群优化算法训练支持向量机的方法,并将其应用于说话人识别。实验结果证实了在说话人识别中改进PSO-SVM方法比其他传统方法能获得更好的识别精度和识别速度。     

粒子群算法反演密度异常的数值模拟研究

基于引力位理论推导出长方体外任意一点的重力异常公式,将模拟的研究区域划分成许多具有固定长、宽、高且密度均匀的长方体,并给定了每个长方体的密度异常,利用重力的可叠加性,计算了重力异常分布。在此基础上,采用粒子群算法进行密度反演试验,同时将粒子群算法与其它算法进行了比较,结果表明：在适应度值为0.99的条件下,粒子群算法比遗传算法耗时减少了93.7%。     

改进的粒子群优化算法及其在电磁装置优化设计中的应用

基于对鱼、鸟群体捕食行为和过程的深入分析与系统研究，文章提出了一种改进的粒子群全局优化算法。主要内容包括：提出了粒子群初始化新机制以提高算法的收敛性能；引入了重启策略以避免算法陷于局部极值点或死循环；设计了全新的速度与位置矢量调节算法以提高优化方法的全局寻优能力。为验证前述工作的有效性和正确性，应用本文提出的改进粒子群算法对典型的数学函数和TEAM Workshop问题22进行了分析和计算。计算结果表明：与原粒子群算法比较，本文算法的全局寻优能力明显提高。     

基于改进ReliefF-PNN的航空发动机起动系统异常状态识别

在航空发动机起动系统异常状态的识别研究中,起动系统的参数具有数据间相关性强、数据维度高、数据冗余信息多等特点。为降低数据维度,提高异常状态识别的准确率,将改进ReliefF算法与概率神经网络（probabilistic neural network,PNN）结合,提出改进ReliefFPNN的航空发动机起动系统异常状态识别方法,更加有效地降低了参数的维度,并提升了异常状态识别模型的性能。利用该模型针对起动系统进行识别验证和分析。结果表明,利用改进后的ReliefF-PNN算法得到的参数子集进行异常状态识别的准确率优于改进前的结果,模型性能得到了进一步改善。     

量子粒子群算法在结构模态参数识别中的应用

量子粒子群算法作为粒子群算法的改进,具有参数少、好编程、易收敛等优势而备受关注.通过将由结构输入、输出数据计算而得的实测频响函数与包含所需识别的结构模态参数的理论频响函数之差最小化作为优化目标,经过对理论频响函数中的结构模态参数搜索取值而使目标函数最小,此过程将结构模态参数识别问题转化为优化问题.采用量子粒子群算法进行优化而得到结构模态参数.为验证该方法的有效性,对一数值模拟的三层混凝土框架结构进行分析,结果表明,量子粒子群可以有效地识别结构模态参数.     

基于改进随机森林的城市污水处理过程运行数据清洗方法

针对城市污水处理运行过程中出现混合异常数据的问题,提出了一种基于改进型随机森林的数据清洗方法.首先,设计了一个孤立森林的异常数据识别模型,识别数据中的离群值.其次,建立了一种改进型随机森林回归模型,提高随机森林对混合类型异常数据的适应能力,并对数据趋势进行拟合预测.最后,用改进的随机森林数据清洗方法对剔除混合异常数据后的缺失数据进行补偿,实现对污水数据的清洗.实际数据测试结果表明,该方法提高了混合类型缺失数据补偿的准确性.     

改进粒子群算法的两阶段梁式结构损伤识别

针对实际工程监测时损伤识别误差大的问题,提出一种基于改进粒子群算法的两阶段识别方案。第1阶段利用D-S证据理论融合算法进行损伤定位;第2阶段利用改进的粒子群算法,对定位结果进行修正,同时准确定量损伤。仿真算例和实验分析结果表明：由于第1阶段损伤定位减少了可能损伤单元的数量,第2阶段基于改进粒子群算法的搜索范围减小,能更准确地识别多损伤和小损伤的位置和程度,且抗噪性能良好。     

采用HC-MARPSO算法的软件测试数据生成方法

在吸引排斥粒子群算法(ARPSO)基础上,引入新的种群多样性度量指标和排斥操作,提出改进的吸引排斥粒子群算法(MARPSO)。结合爬山算法(HC)的局部收敛能力和改进的吸引排斥粒子群算法避免早熟的特点,提出基于爬山算法和改进吸引排斥粒子群算法(HC-MARPSO)的软件测试数据自动生成方法。实验结果表明,该算法在生成测试数据的效率上高于遗传算法、粒子群算法。     

改进遗传算法与粒子群优化算法及其对比分析

进化算法作为一类新的优化搜索方法，广泛应用于各种优化问题．现对简单遗传算法进行了改进，采用实值编码，并与模拟退火算法及基于适值排序和随机选择的方法相结合，形成了改进遗传算法．同时还介绍了一种新的进化算法一粒子群优化算法．将这两种优化算法应用于函数优化，并对优化结果进行了对比分析．比较结果表明，改进遗传算法和粒子群优化算法都可以在函数优化方面表现出较好的健壮性，但在找寻最优解的效率上，粒子群优化算法较好．     

基于改进FCM聚类的窃电行为检测

窃电行为检测的主要目的 在于发现窃电用户,降低电力系统运营成本.在此背景下,提出基于改进模糊C均值聚类的窃电行为检测模型,包括因子分析、基于改进模糊C均值聚类的局部离群因子计算、ROC曲线模型评价与调参及最佳检测阈值选取等模块,适用于无大量已知窃电用户样本的情况.首先,通过因子分析对用户用电特征(包括用电负荷数据和电能表异常事件)进行维度规约,提升模型检测效率.再利用遗传模拟退火算法对模糊C均值聚类算法进行改进,对用户用电特征进行检测.最后与现有成熟算法进行比较,验证该模型对窃电行为具有较高的检测准确度.检测模型可输出所有被测用户用电行为离群度得分和窃电概率排序,利用该文检测模型的输出,能够以较高精度检测出窃电行为用户,根据结果进行现场稽查,可提升反窃电工作效率.     

基于改进的PSO神经网络的手写体汉字识别

为了克服手写体汉字识别中传统神经网络训练算法存在网络易于过早收敛的缺陷,本文提出采用自适应惯性权值的粒子群优化算法训练神经网络,即利用粒子更新迭代训练神经网络最优的权值和阈值,其中对粒子更新的惯性权值进行了自适应性的改进.试验中提取了大量汉字样本的笔画数量信息和分布信息作为特征向量,利用改进的粒子群神经网络对汉字进行分类,并与BP神经网络的识别效果做了比较.结果表明:自适应惯性权值的粒子群优化算法能有效避免网络"早熟",大大提高了网络训练精度,网络对汉字的识别正确率明显提高.     

基于支持向量机和粒子群算法的结构损伤识别

为了有效地进行结构的损伤识别,提出了一种基于支持向量机和粒子群算法的结构损伤识别方法。首先利用支持向量机为损伤裂缝指标、损伤位置与各阶频率和一阶振型建立函数关系,然后将利用该函数关系得到的频率和振型与实测频率和振型间的差异作为优化目标,进而实现结构的损伤识别。为提高损伤识别的精度,将优化目标转化为多目标优化问题,并利用所提出的灰色粒子群算法进行求解。实验结果表明,该方法在结构损伤识别中具有较好的效果。     

基于粒子群算法求解整数规划的改进方法

标准粒子群算法主要用于优化连续性,而对粒子群算法求解非线性整数规划,算法的粒子位置必须解决取整问题。基此,文章提出一种粒子位置最终取整的方法,以改进粒子群算法解决整数规划的具体过程。基准函数的仿真结果表明,改进后的取整方法的搜索成功率优于直接取整和随机取整,综合搜索效率更佳。     

基于支持向量机和粒子群算法的结构损伤识别

为了有效地进行结构的损伤识别,提出了一种基于支持向量机和粒子群算法的结构损伤识别方法。首先利用支持向量机为损伤裂缝指标、损伤位置与各阶频率和一阶振型建立函数关系,然后将利用该函数关系得到的频率和振型与实测频率和振型间的差异作为优化目标,进而实现结构的损伤识别。为提高损伤识别的精度,将优化目标转化为多目标优化问题,并利用所提出的灰色粒子群算法进行求解。实验结果表明,该方法在结构损伤识别中具有较好的效果。     

基于改进人工蜂群算法的用电异常检测方法

为全面有效分析和检测数据和用电异常,提高异常用电报警准确率和电量管理水平。从两个方面研究用电异常检测:一是通过用户用电异常防止意外,保障用户安全,如检测到用户负荷长期居高不下,则提醒用户可能存在电器漏电;二是防止非技术性电能损失或用户窃电,如检测到用户连续异常负荷骤降,提醒稽查人员到现场检测用户是否存在窃电。通过改进人工蜂群算法自动提取电力负荷曲线进行关联对比,实现上述行为的判断。实验结果表明,基于改进人工蜂群的异常检测算法具有较好的适应性和较高的异常检测精度。     

基于QPSO的雷达辐射源信号识别方法研究

鉴于支持向量机(SVM)方法对雷达辐射源信号具有较理想的识别结果,但对模型参数没有具体选择方法的问题,设计了一种以具有量子行为的粒子群优化(QPSO)算法为参数优化方法的SVM分类器,并提出了基于QPSO-SVM的雷达辐射源信号识别方法.QPSO-SVM分类器在采用QPSO算法对SVM进行优化改进的同时,继承了SVM分类器泛化能力强的特点,对雷达辐射源信号识别问题具有良好的适应性.实验结果表明,与其他方法相比,本文方法在保证识别准确率的同时,降低了参数选择时间.     

基于改进粒子群算法的匹配追踪分解优化研究

文章针对使用牛顿法进行匹配追踪分解信号的速度慢、精度低等问题,在具有全局优化能力的粒子群算法基础上,提出了一种结合局部单纯形搜索并引入变异操作的改进粒子群算法实现信号匹配追踪分解.利用单纯形搜索增加了算法的局部开发能力,通过变异操作控制种群多样性以避免早熟收敛,增强了算法全局探测能力;并以描述机械系统的振动冲击响应作为基原子与单一粒子群算法实现匹配追踪分解信号的结果进行对比,证明了使用改进粒子群算法的匹配追踪分解能够快速准确提取信号特征参数,同时成功识别出某轴承发生外圈损伤时隐含在振动信号中的周期性冲击脉冲故障特征.结果表明,加入单纯形和变异的改进粒子群算法有效降低了匹配追踪计算复杂度,提高了信号特征提取准确度.     

SVM-KNN分类器在异常行为检测中的应用

提出了一种新的异常行为检测方法,将SVM算法和KNN算法结合,在对识别样本判别时,当其与最优分类面的距离大于给定阈值时,采用SVM分类算法,否则采用KNN算法,从而减少了SVM算法的错误率。实验结果表明,SVM-KNN算法对异常行为检测的准确率达到95.86%。