大坝渗流监测的蚁群神经网络模型

运用蚁群算法和神经网络构造了大坝渗流监测的蚁群人工神经网络模型,采用蚁群算法学习了神经网络的权值.实例表明,用蚁群算法训练神经网络可兼有广泛映射能力和快速全局收敛性能,与常规统计模型相比,提高了模型拟合精度和预测能力.     

小生境蚁群-BP神经网络在大坝变形监测中的应用

针对BP神经网络在大坝监测数据预测模型中后期预测精度不高的问题,基于小生境蚁群算法的智能搜索能力和强鲁棒性、BP神经网络对大量的输入-输出模式的非线性映射关系的学习存贮能力,将两种方法结合,用小生境蚁群算法优化BP神经网络的建模方法建立了水平位移观测数据的预测模型,并与ACA-BP神经网络和传统BP神经网络进行了对比分析。结果表明,本文方法可加快BP神经网络收敛速度、增强局部搜索能力,具有更高的预测精度。     

基于蚁群灰色组合算法的瓦斯爆炸检测仪研究

瓦斯气体检测仪传感器在实际生产中由于自身构造和环境因素的影响会产生输入、输出非线性问题,针对这一问题,通过蚁群灰色组合模型算法对传统BP网络进行优化。该方法在传统BP算法的基础上,建立了蚁群灰色神经组合算法来调整BP网络权值的新模型。将新模型与传统BP模型进行仿真实验比较,实验结果表明:蚁群灰色神经网络算法可以有效的克服BP算法所存在的缺陷,能够提高瓦斯检测系统的精度及收敛速度。     

局部阴影下基于遗传蚁群算法对MPPT的研究

针对光伏阵列局部遮挡时P-V特性曲线存在多个峰值的情况,以最大功率跟踪点为研究对象,提出基于遗传蚁群算法的MPPT算法,该算法基于遗传算法的计算理念,通过引入蚁群算法中信息素累积的概念,将两种算法进行有效融合,解决了遗传算法寻优效率低的问题。文章对基于遗传蚁群算法的MPPT算法进行建模、仿真。研究结果表明:在仿真计算中,与遗传算法相比,基于遗传蚁群算法的MPPT算法在收敛速度和精确性方面均有明显提高;在实际工程应用中,与遗传算法相比,基于遗传蚁群算法的MPPT算法不仅可以稳定跟踪到最大功率点,而且跟踪用时缩减了80%。     

基于遗传-蚁群算法的库群长期优化调度

为克服蚁群算法前期收敛慢、易陷入局部最优解且参数难以确定的缺点,提出了遗传-蚁群算法进行库群长期优化调度问题的求解。该方法应用遗传算法生成问题的初始解,并将初始解的适应度转化为蚁群算法的信息素初始值,同时引入遗传算法染色体交叉、变异的思想进行蚁群算法参数最优组合的确定,提高了蚁群算法的优化性能和求解精度。对乌江流域4座水电站的计算结果表明,该算法可显著改善优化结果质量,获得良好的调度方案,是求解库群长期优化调度问题的一种有效方法。     

子波神经网络在柴油机电控燃油喷射系统中的应用

本文论述了子波神经网络的应用背景，研究了子波神经网络的结构和算法及其在柴油机电控燃油喷射系统中的应用，并与BP神经网络进行了比较。结果表明：子波神经网络具有收敛速度快，逼近性好，学习精度高等优点。     

基于连续蚁群算法的供水水库优化调度

针对供水水库优化调度问题,介绍了一种改进的连续蚁群算法。该算法借鉴蚁群算法的进化思想,主要包括局部搜索、全局搜索和信息素强度更新规则。在随机搜索过程中嵌入确定性搜索,以改善寻优性能,增加经验指导,从而加速收敛。将该算法与离散蚁群算法相比较,结果表明,该算法更优越,具有并行化和较强的全局寻优能力。     

蚁群算法在P-Ⅲ型分布曲线参数估计中的应用

针对蚁群算法具有正反馈、并行计算、较强的鲁棒性,通过对标准蚁群算法的修改,提出一种可用于P-Ⅲ型分布曲线参数估值的连续蚁群算法.以黄河循化站实测资料为例,结果表明,基于离差平方和最小准则的蚁群算法所得的P-Ⅲ型曲线参数精度优于矩法、线性矩法和适线法,收敛速度快.     

基于改进蚁群算法的独立分量谐波检测方法

针对电网谐波检测高精度、实时性、高效率的要求,提出了一种基于改进蚁群算法与独立分量相结合的检测算法,采用数字低通滤波器（FIR）-拉格朗日反插值获得精确基波频率,应用独立分量法分析处理源信号,并建立基于峭度的非高斯最大化目标函数,通过改进蚁群算法求得最优解,很好地解决了电网频率非固定值及传统蚁群算法易局部收敛、收敛速度慢等难题。该方法还可检测间谐波,模拟仿真验证了方法的有效性和优越性。     

同伦BP网络及其在配电网线损计算中的应用

提出用结构电阻来表达网络结构和运行方式对配电网线损的影响，并应用反向传播神经网络和连续同伦学习算法拟合一个中压配电网有代表性的线损数据．同伦算法具有全局收敛特性，迭代次数比常规迭代算法大大减少，且达到较高收敛精度．     

ABC BP模型在混凝土双曲拱坝变形监控中的应用

因大坝变形具有很强的非线性、随机性,致使预测困难,将人工蜂群算法(ABC)与BP神经网络相结合,利用人工蜂群算法具有强全局优化能力、强鲁棒性等优点,克服BP神经网络收敛速度慢、易陷入局部极小点等缺点,建立ABC BP、BP神经网络大坝变形预测模型对小湾大坝变形监测数据进行预测。结果表明,与单纯的BP神经网络预测模型相比,ABC BP算法提高了大坝变形预报的精度,加快了网络的收敛速度,能更高效准确地进行大坝变形监控预报。     

基于蚁群算法的神经网络绝缘子闪络电压预测

为提高覆冰绝缘子闪络电压的预测精度及预测速度,采用BP神经网络和蚁群算法相结合的方法进行预测模型设计。利用闪络电压及其影响因素之间的试验数据,建立其神经网络的预测模型。以网络的权值和阈值为自变量,通过蚁群算法的迭代运算,搜索出误差全局最小值,再进行网络的二次学习训练。结果表明,该方法具有较高的预测精度,适用于绝缘子闪络电压的预测。     

变尺度混沌蜂群算法在梯级库群优化调度中的应用

针对流域梯级水电站长期优化调度模型存在高维、非凸、非线性等特点,提出一种改进的变尺度混沌蜂群算法(VCBA),通过引入混沌方程和余弦收缩策略,使其具有更强的全局收敛能力和更快的收敛速度。以丰枯分时电价下金沙江下游梯级水电站群长期优化调度作为工程背景进行实例研究,并将计算结果与基本蜂群算法(BA)和粒子群算法(PSO)进行比较。结果表明,VCBA求解梯级水电站长期优化调度问题收敛速度快且优化结果精度较高,满足实际优化运行需求,具有很高的工程应用价值。     

PSO RBF神经网络在城市需水量预测中的应用

为克服径向基函数（RBF）神经网络由于参数选取不当而对其收敛性能的干扰,利用粒子群优化算法（PSO）的全局搜索能力对RBF神经网络的三个参数进行寻优,建立了基于PSO RBF神经网络算法的城市需水量预测模型。结果显示,PSO RBF神经网络算法拟合某市1998～2007年需水量数据的平均相对误差为0.18%,预测2008～2010年需水量数据的平均相对误差为3.84%,耗时1.2 s;通过RBF神经网络算法拟合的误差平均值为0.28%,预测的平均相对误差为5.62%,耗时2.1 s,表明PSO RBF神经网络算法具有更高的收敛速度与精度。     

基于自适应遗传算法和BP网络的汽轮发电机组故障诊断

为了克服BP算法中存在的网络学习速度慢,以及容易陷入极小的问题,在运用改进遗传算法的基础上,探讨了一种自适应遗传神经网络算法结合模型,并将其应用于汽轮发电机组故障识别。实验数据表明:该算法收敛速度快,能有效地识别故障,具有一定的参考价值。     

SCE-UA算法在暴雨强度公式参数优化中的应用

针对暴雨强度公式的超定非线性等特点,提出了将SCE-UA算法应用于不同重现期的暴雨强度与降雨历时关系式中参数的优化,并与优选回归法、遗传算法、粒子群算法和蚁群算法的优化结果进行了分析比较。实例应用结果表明,该算法可有效、快速地搜索到参数组全局最优解,且稳定可靠,提高了暴雨强度公式参数优化的精度,较其他算法具有一定的优越性。     

A modified neural learning algorithm for online rotor resistance estimation in vector controlled induction motor drives

Online estimation of rotor resistance is essential for high performance vector controlled drives. In this paper, a novel modified neural algorithm has been identified for the online estimation of rotor resistance. Neural based estimators are now receiving active consideration as they have a number of advantages over conventional techniques. The training algorithm of the neural network determines its learning speed, stability, weight convergence, accuracy of estimation, speed of tracking and ease of implementation. In this paper, the neural estimator has been studied with conventional and proposed learning algorithms. The sensitivity of the rotor resistance change has been tested for a wide range of variation from -50% to+50% on the stability of the drive system with and without estimator. It is quiet appealing to settle with optimal estimation time and error for the viable realization. The study is conducted extensively for estimation and tracking. The proposed learning algorithm is found to exhibit good estimation and tracking capabilities. Besides, it reduces computational complexity and, hence, more feasible for practical digital implementation.     

基于混沌局部扰动蚁群算法的边坡稳定聚类分析

针对蚁群聚类算法用于边坡稳定性分析时存在的缺陷,在传统蚁群聚类算法的基础上,引入混沌特有的随机性和遍历性,利用Logistic映射函数对蚁群分布矩阵进行初始化,以获得较优的初始分布,同时对聚类参数进行局部扰动,以增强跳出局部极值的能力,从而建立了基于混沌局部扰动蚁群算法。以三峡库区的36组边坡资料为例,应用该方法与常规聚类方法、模拟退火算法和常规蚁群聚类算法进行对比分析。结果表明,该方法方便、快捷,聚类效果优于其他三种方法。