一种自适应粒子群算法的小波神经网络优化

针对传统粒子群算法易陷入局部最优解的问题,提出了一种变权重粒子群算法.该算法通过引入交叉权重因子和粒子个体状态最优权值,对传统粒子群算法进行了优化,使粒子在移动过程中利用更多的信息来调整各自的移动方向,扩大粒子在运动过程中的自我认知范围,提高了粒子群算法的收敛精度和收敛速度.最后,利用改进的变权重粒子群算法对小波神经网络控制器进行优化,有效地验证了变权重粒子群算法的精确性.     

基于改进粒子群算法的神经网络建模

文章利用粒子群算法优化神经网络的参数,提出了基于粒子群算法的神经网络建模方法。为了提高基本粒子群算法的搜索性能,采用了基于外推技巧的引导型更新公式,并在粒子的搜索过程中,不断监测各个粒子的最优位置,多次没有变化并且距离优化目标太远时,粒子跳出当前位置继续搜索,从而避免陷入局部值。最后使用改进后的粒子群神经网络算法对函数进行拟合,仿真结果表明,新的算法有较好的收敛性。     

基于改进粒子群算法的神经网络PID控制研究

BP神经网络PID控制是利用BP神经网络的自学习和逼近任意非线性函数功能,对PID控制器的三个参数进行在线整定,但网络初始权值的选取困难.采用改进的PSO算法优化BP神经网络的初始权值,并对基于PAO算法的BP神经网络PID控制进行仿真实验.仿真结果表明,PSO算法使得网络初始权值的选取比较快速,系统的性能有所提高.     

基于改进粒子群算法和小波神经网络的高强钢扭曲回弹工艺参数优化*

针对高强钢复杂件冲压后出现的扭曲回弹现象,运用有限元仿真软件DYNAFORM对复杂件的冲压、回弹过程进行数值模拟,提出了评价复杂件扭曲回弹程度的指标,并运用试验设计和小波神经网络代理模型方法对扭曲回弹进行了优化研究。以某弯曲梁为研究对象,以扭曲回弹为成形目标,通过正交试验设计筛选出对扭曲回弹影响较大的工艺参数作为影响因素。利用拉丁超立方对影响因素进行抽样,通过数值模拟获得样本数据,建立影响因素与成形目标之间的小波神经网络代理模型,利用改进的粒子群算法对该模型迭代寻优获得最优参数。结果表明：采用优化后的工艺参数能有效地减小该弯曲梁的扭曲回弹,该方法为减小复杂件的扭曲回弹提供一种有益的指导。     

基于改进粒子群和神经网络的订单预测研究

随着经济的快速发展,市场经济的竞争也越发激烈.企业为了更好地适应经济的发展,必须要有强大的竞争力.通过订单与客户保持联系,能够准确了解客户的需求,为企业的生产提供充足的准备时间,有利于实现快速生产.通过选择自适应权重粒子群算法和BP神经网络相结合的方法,建立神经网络模型,训练数据,得到预测结果.并通过一个企业的订单实例,完成订单预测,从而验证算法的实用性.     

一种动态改变惯性权重的粒子群优化算法

针对粒子群优化算法的局限性，提出了一种动态改变惯性权重的粒子群算法，在优化迭代过程中，惯性权重值随粒子的位置和目标函数的性质而变化。函数测试表明，改进后的算法使收敛速度显著加快，而且不易陷入局部极值点。     

基于粒子群算法优化BP神经网络的SRM磁链模型

以一台6/4级SRM电机模型的电流和磁链为输入,转子位置角度为输出,拟合了磁链-电流-角度模型,并在MATLAB/Simulink中进行了仿真实验。在拟合模型时,为了提高训练效率,简化拟合模型,采用了粒子群优化BP神经网络隐含层神经元个数的算法,并进行了仿真实验。结果表明,粒子群算法优化BP神经网络的控制策略具有较高的训练效率。     

粒子群优化算法训练模糊神经网络

研究合适的神经网络学习算法是令人感兴趣的问题.提出一种用粒子群优化(PSO)算法训练模糊神经网络的方法.PSO的位置向量对应模糊神经网络的权值向量,而PSO的适应函数对应模糊神经网络的目标函数,然后,通过演化PSO达到训练模糊神经网络的目的.用PSO算法训练模糊神经网络预测混沌时间序列的实验结果表明PSO算法性能优良,适合训练模糊神经网络.     

基于改进粒子群算法的机械结构优化设计

针对粒子群算法在寻优过程中存在的容易陷入局部极小、收敛速度慢等缺点,结合粒子在实际寻找食物的过程中,大部分可以飞到其预期的最佳位置,而少数粒子由于受不确定因素影响,发生飞行偏离,本文提出了一种改进粒子群算法。算法中的模拟不确定因素干扰操作,能够有效避免群体过度集中现象,有效增加了种群的多样性。典型复杂机械优化设计的仿真结果表明,该改进算法能够快速、有效地进行全局搜索。     

基于神经网络和粒子群算法的管材弯曲工艺参数优化

针对弯管成形质量受多个工艺参数耦合影响的问题,提出基于神经网络和粒子群算法相结合的工艺参数优化方法。以压模压力、压模助推力、芯轴间隙、芯轴伸出量作为优化对象,以壁厚减薄率、横截面畸变率和起皱值最小为优化目标,通过神经网络构建优化对象和优化目标之间的非线性函数关系,并以此作为粒子群优化算法的适应度函数,实现管材弯曲的多目标工艺参数优化,最后进行了理论分析和实验验证。     

基于改进型模糊神经网络PID阀位控制研究

针对调节阀控制系统在实际生产中存在的大滞后、非线性等问题,提出一种改进粒子群算法优化的模糊神经网络比例积分微分(PID)控制模型用于阀位控制,该模型利用模糊神经网络的自学习能力,实现对PID控制参数的实时在线整定,并且通过将改进粒子群算法与BP算法相结合的方式,实现对模糊神经网络参数的粗调和细调,克服了模糊神经网络收敛缓慢、易陷入局部最优的缺点;最后,利用MATLAB和AMESim软件进行联合仿真,仿真结果表明,该模型相比于其他两种算法在调节时间、超调量等性能方面都有很大的提升,并且表现出更强的鲁棒性和抗扰动能力,能够使阀位控制更加稳定可靠。     

基于MPSO-BP算法的摄像机标定的应用研究

摄像机标定在光学应用系统中是一个必不可少的步骤,大量的直接信息都来源于图像。为获得精确的摄像头内外参数,提出一种利用改进粒子群算法训练小波神经网络进行摄像机标定的方法。该算法中引入随机粒子群机制,可以有效地克服传统算法收敛速度慢、易陷于局部极小值等缺点。标定实例仿真和分析表明,该算法在收敛速度、计算精度和平均收敛性能方面都有较大改进,可有效确定摄像机的内外参数。     

基于神经网络与PSO算法的发动机装配工艺参数优化

针对汽车发动机装配过程中缸体泄漏问题,结合Back Propagation(BP)神经网络及粒子群优化(Particle Swarm Optimization, PSO)算法,提出了一种发动机装配工艺参数优化方法。首先,使用BP神经网络建立了生产工艺参数与质量指标之间的非线性映射关系,并以此作为泄漏率预测模型。其次,根据实际生产需求,应用皮尔逊相关性分析法求解得到相关性最强的部分工位工艺参数,并以其作为后续优化对象。最后,以BP神经网络预测模型作为适应度函数,使用粒子群优化算法求解得到工艺参数的最优值。使用400台发动机的实际生产数据进行试验。试验结果显示,BP神经网络具有较准确的预测效果,结合粒子群优化算法得到了优化后的工艺参数值,显著降低了发动机的泄漏率,具有一定的指导意义。     

一种基于改进遗传算法的神经网络优化算法研究

遗传算法是目前优化搜索算法中应用比较广泛的一种,但基本遗传算法存在收敛速度慢、易于陷入局部最优等缺点。针对上述问题对遗传算法(GA)的选择算子进行改进,在最优保存策略的基础上将每代种群按照适应度由小到大排序,平均分成前中后3段,按照0.6、0.8、1的比例进行选择;从尾段中随机抽取个体来补足种群由于选择操作而损失的个体;既利用了最优保存策略的全局收敛特性同时也保持了种群的多样性;用改进的遗传算法调整神经网络的权值形成了新的改进遗传算法优化BP神经网络(IGA-BP);通过与选择算子为适应度比例选择算子的GA-BP网络进行比较,结果表明算法改进后缩短了收敛时间同时减少了运行误差;最后将该改进算法应用于水泥回转窑的故障诊断中,验证了算法的可行性。     

基于模糊神经网络和遗传算法的仿人智能PID控制器设计

阐述一种新型的模糊神经网络加遗传算法的智能PID控制器     

基于改进算法的锅炉燃烧系统的经济性研究

针对锅炉燃烧系统的非线性、时变性和强耦合的特点,传统的控制方法的控制精度不高、自适应能力差等,提出了一种改进的模糊神经网络控制算法,对烟气含氧量进行控制。为克服常规算法的缺陷,将BP算法和粒子群PSO算法二者相结合,充分利用PSO算法的全局寻优能力和BP算法的局部搜索能力。另外引入了动态递归神经网络,对系统模型进行在线辨识,从而提高了网络的训练效率和控制器的控制效果,使系统达到经济燃烧。     

基于粒子群算法的摄像机标定过程优化

摄像机标定为机器视觉在物体位姿与姿态的测量过程中最重要一环,其映射物体三维空间与二维图像之间关系是一个复杂非线性最优化问题。为了更好地解决这一复杂优化问题,阐述了利用粒子群优化(PSO)算法计算摄像机标定过程的一种优化方法,重点描述了PSO算法的原理,单目视觉测量系统,以及基于CMOS摄像机的成像模型及其原理和算法。通过图像软件提取靶体模型上特征控制点,及摄像机标定算法建立了相应的计算公式。结合PSO算法优化像机外参,实验结果表明,PSO算法计算准确、速度快,具有很强的工程应用价值。     

基于改进PSO算法的发酵过程模型参数估计

建立准确的非线性机理模型是发酵过程优化调控的关键.提出了一种基于改进粒子群优化算法(PSO, particle swarm optimization)的发酵过程模型参数估计方法,并将该方法用于青霉素发酵过程建模.改进的PSO算法通过引入粒子群能量对粒子进行自适应分群以防止粒子陷入局部最优,从而保证收敛于全局最优解.实验结果表明,该方法可以有效地实现青霉素发酵过程模型参数的准确估计,所得到的模型精度能够满足发酵过程的状态估计和控制需求.     

基于粒子群优化的神经网络训练算法在产品种类预测中的应用

市场环境的变化导致产品更新换代加快，产品种类预测成为新的难题。传统的线性预测方法只能对产品需求的数量或价格等数值进行预测，而无法对产品的发展趋势和未来种类做出正确预测。通过对产品种类预测、数据挖掘和粒子群优化算法的研究，建立种类预测模型，利用基于粒子群优化的神经网络训练算法进行产品种类预测，并以手机为例进行预测，结果证明该方法是有效的。     

基于改进BP神经网络的故障诊断方法

对于常规BP神经网络,其收敛过程存在两个很大的缺陷:收敛速度慢;存在所谓"局部最小值"问题.文章采用了一种自适应学习速率动量梯度下降反向传播算法对BP神经网络进行训练,建立了智能诊断模型,并应用于某型坦克发动机的故障诊断,测试结果表明该方法相比常规BP算法能够更有效诊断发动机油路和气路的故障,从而为故障诊断及判定的自动化提供了一个新思路.