基于PSO-BP的电动汽车锂离子电池SOC估算

针对BP神经网络算法对电动汽车锂离子电池荷电状态(SOC)估算的缺陷,提出粒子群(PSO)优化BP神经网络的方法,采用温度、电压、电流、充放电倍率作为PSO-BP神经网络的输入向量,以SOC作为输出向量,进行网络学习和训练,并不断进行神经网络权值、阈值的调整优化。在Matlab中进行仿真验证,实验结果表明BP神经网络算法和PSO-BP神经网络算法均可以使误差减小,但是使用PSO-BP神经网络算法估算SOC效果更优、误差更小、收敛性更佳,可将误差减小到4%以内。     

基于RBF网络的数控直线电机进给定位精度研究

文章研究了数控直线电机工作台的误差测量、建模及补偿技术。分析了定位平台的误差来源,采用激光干涉仪测量工作台的定位误差,用RBF算法建立神经网络误差模型,根据误差校正值进行误差实时补偿实验。仿真和实验结果表明:经过样本训练的神经网络模型对工作台的误差具有良好的学习能力和泛化能力,工作台定位精度显著提高,并且较好地解决了随机误差对系统的影响。     

PSD非线性误差校正研究

为了提高遥控导弹攻击的精确度,针对影响其精确度的主要因素是半导体光电位置敏感器件(position sensitive detector,PSD)的非线性,提出基于改进型BP神经网络算法校正某遥控导弹的PSD非线性误差方法。利用LM改进BP算法以及BP算法训练数据时,使用两个隐含层对神经网络进行训练,结果为:两个隐含层的神经元个数分别为38和34;网络的第一、第二隐含层以及输出层采用的激励函数分别为tansig、tansig、logsig;编程设定最大训练次数为500,目标收敛精度为1×10-4;设置训练函数为trainlm。利用未经训练的数据对网络进行测试,该网络的计算输出误差大约在0.01 mm之内,其中最大误差为0.015 mm。理论分析与仿真结果表明,采用该方法后,即使目标发生机动,遥控导弹也能正确攻击到目标。     

基于PSO-ICA-BP神经网络的短期风电功率预测

针对传统的BP神经网络对短期风电功率预测精度不高的缺点,提出粒子群算法改进帝国竞争算法(PSO-ICA),通过PSO算法改进殖民地同化操作提高ICA算法的全局寻优能力,输出全局最优解作为BP神经网络初始权值阈值。同时用主成分分析法降维压缩输入数据,提高网络泛化能力。利用PSO-ICA-BP预测模型对某风电场实际风电功率数据进行预测,仿真结果表明该模型预测误差更小,对短期风电功率预测更有效。     

UWB与IMU融合的室内动态定位算法

针对超宽带(UWB)定位易受多种噪声和非视距(NLOS)的影响产生定位误差的问题,提出了一种基于UWB与惯性测量单元(IMU)融合的室内动态定位算法。该算法首先采用扩展卡尔曼滤波算法对基于到达角度(AOA)定位方法的位置信息进行滤波,并与IMU数据进行时间同步,通过相邻时刻UWB位置信息变化速度与IMU所测量标签运动速度对比,实现对NLOS数据的识别及补偿,从而降低NLOS对定位精度的影响;然后基于改进粒子滤波算法对融合后的数据进行最优估计,以抑制噪声的干扰,最终实现对标签的准确定位。实验结果表明,所提算法采用基于AOA的定位方法可以在保证定位精度的前提下节约硬件成本;与单一使用UWB传感器的定位方案相比,所提算法可根据IMU提供的先验信息有效降低UWB的定位误差,在非视距环境下具备较高可靠性;与基于扩展卡尔曼滤波和无迹卡尔曼滤波的融合算法相比,定位精度分别提高了65.6%和56.0%;与标准粒子滤波算法相比,所提算法基于改进的粒子滤波算法运行时间缩短了42.3%。     

基于模拟退火优化BP算法的指纹地图构建方法

由于地磁信号的时间稳定性和位置差异性,基于地磁指纹的室内定位越来越受到重视。在离线建库过程中,为了降低采集数据工作量,提高构建精度,提出了一种模拟退火优化传统BP网络的模型预测方法。首先对所有的采集数据进行限幅滤波处理,然后通过模拟退火算法优化BP网络(SA-BP)中的权值以及阈值,避免其在训练过程中陷入局部最优解,提高预测性能。在不同的实验场景下用该方法进行指纹地图构建,并与传统的基于普通克里金插值法进行仿真比较,结果表明,用相同的指纹点数构建出来的指纹地图在正方形的实验区域估值误差控制在8.9%左右,在长方形的走廊实验区域估值误差控制在8.7%左右。同时在实际场景中做了定位实验,结合在线匹配阶段中的动态时间规整(DTW)算法和加权K最近邻(WKNN)算法进行定位,实验结果表明,定位误差均在1m,可以满足定位需求;同时,所构建方法和逐点采集构建方法相比,减少了大约30%的工作量。     

SVR辅助改进鲁棒卡尔曼滤波的UWB/INS组合定位方法

针对UWB/INS组合定位中UWB定位信息异常和短时缺失的问题,本文提出一种SVR辅助改进鲁棒卡尔曼滤波的UWB/INS组合定位方法。该方法对鲁棒卡尔曼滤波（RKF）进行改进,采用改进的IGG3权函数分段修正新息,减小异常量测信息对滤波结果的影响。在UWB信号正常时,采用改进RKF估计位置误差;在UWB信号缺失时,采用在线训练的SVR模型预测位置误差,并根据估计或预测的位置误差校正载体位置信息。实验结果表明,本文所提的方法不但可使UWB信号正常时的组合定位误差减小33.33%,而且在线训练SVR模型辅助比固定SVR模型辅助可明显提升定位算法的性能,在UWB信号短时缺失时仍能持续有效定位,使组合定位误差减小29.63%。     

基于传统BP神经网络和经云遗传优化的神经网络配电网故障定位研究

针对配电网故障定位问题提出一种基于人工神经网络(ANN)中结构较为简单并且可塑性强的误差反向传播(Error Back Propagation,BP)神经网络方法的定位模型。建立BP网络模型,并将训练好的BP网络模型和通过云遗传算法改进后的BP网络模型,应用于同一个简单的配电网系统中,分别对不同分支的反射信息进行特征提取与模式识别。通过对两种算法的训练曲线图和诊断精度的比较来反映优化算法的高效性和准确性,最终得以确定诊断的实际输出值,实现故障分支的判别和精确定位。     

关于 PDR 算法步长估计模型的改进研究

为了更加精确地判别基于微惯性测量单元( IMU)的行人定位信息,本文深入研究了传统行人航迹推算(PDR)算法模 型,发现传统算法所采用的判别条件单一且精准度不高。 针对传统算法中步长估计模型不准确的问题,本研究首先提出一种基 于扩展卡尔曼滤波的误差补偿优化算法,以实现 IMU 内集成的加速度计、陀螺仪等传感器的误差补偿。 将优化后的原始数据 放入 BP 神经网络算法对单参数步长估算经验模型进行训练。 实验结果表明,基于 BP 神经网络融合基础模型的步长算法相比 单纯的基础步长模型,闭环精度提高了 0. 3%以上,开环误差减小了 8. 5 倍,基于 BP 神经网络的改进 PDR 算法可以有效抑制惯 性算法的误差发散。     

基于粒子群优化神经网络的变压器故障诊断

为克服电气分析应用中误差反向传播(BP)神经网络存在的不足,提出了一种利用改进粒子群算法优化神经网络的变压器故障诊断新方法。该法的惯性权重自适应调整,以平衡局部和全局搜索能力;收缩因子加快算法的收敛速度,有利于更快地收敛于全局最优解。利用改进的粒子群算法优化神经网络参数,并结合BP算法训练网络可有效地克服常规BP算法训练网络权值和阈值收敛速度慢、易陷入局部极小和遗传算法独立训练神经网络速度缓慢等缺点。最后,进行变压器故障实例分析的仿真结果表明,该算法具有较快的收敛速度和较高的诊断准确度,证实了该方法的正确性和有效性。     

加动量项且变学习速率的BP算法应用于变压器故障诊断

BP神经网络具有自学习和自适应能力,非常适合于变压器故障诊断。分析了加动量项BP算法和变学习速率BP算法存在的不足,给出了加动量项且变学习速率的BP算法的原理和优点,减轻了网络训练过程中的振荡,加速了网络的收敛。构造了适合于变压器油中溶解气体分析故障诊断的神经网络,并将训练所得的神经网络用于变压器故障诊断,结果表明了该算法的有效性。     

BP学习算法在CNN发电机建模中应用

在应用混沌神经网络(CNN)进行同步发电机的建模过程中,对于CNN的学习,网络训练过程的收敛性很难控制。在研究了BP学习算法及其一些改进方法进行人工神经网络训练的轨迹收敛特性后,观测到运用梯度下降动量与自适应学习速率相结合的BP学习算法的神经网络训练轨迹的收敛特性良好。在用基于Aihara混沌神经元构成的3层反馈CNN进行同步发电机建模的应用中,用该BP学习算法对CNN进行了训练。结果表明:用该BP算法进行CNN发电机建模具有学习速度快和均方误差曲线轨迹收敛性好的特点,而且所建立的CNN同步发电机模型运行的动态过程误差小。     

Multi-Point Prediction of Aircraft Motion Trajectory Based on GA-Elman-Regularization Neural Network

Abstract

Aiming at the problem that the traditional algorithm has large prediction error on motion trajectory and short prediction distance, this paper proposes a GA-Elman-Regularization based neural network method. The GA algorithm has the characteristics of parallel search global optimal solution, which makes up for the shortcomings of static property given by neural network model and the tendency of training algorithm to fall into partial optimal solution, and introduces regularization terms to improve the generalization ability of the network, also improves the prediction accuracy of the network. Comparison of experimental results of motion trajectory prediction by Elman neural network, GA-Elman neural network and GA- Elman-Regularization neural network on semi-physical dataset, the predicted average errors are 1.37%, 0.82% and 0.556%. Experiments show that the optimized algorithm improved the generalization ability of the network and the accuracy of prediction.     

基于遗传优化BP网络的振动故障诊断

为克服传统BP神经网络存在着容易陷入局部极小点、对初值要求高的缺点,采用遗传算法对BP神经网络的初值空间进行多点遗传优化,得到最佳初始权值矩阵,在此基础上按误差前向反馈算法沿负梯度搜索进行网络学习;同时提出了一种用于BP神经网络遗传优化的染色体浮点编码方法,并描述了作用于染色体上的遗传操作算法。仿真研究表明:遗传BP神经网络的收敛和诊断能力优于传统BP神经网络,可有效运用到汽轮发电机组振动故障诊断中。     

基于遗传算法优化BP神经网络的接触电阻预测

接触电阻是反应导体间电接触性能的重要参数,在实际的工程中往往采用经验公式对接触电阻进行计算,精度难以满足要求。为解决这一问题,将遗传算法(GA)与BP神经网络相结合对接触电阻进行预测。通过实验得到数据,分别利用遗传算法优化BP神经网络、BP神经网络以及回归分析模型进行训练和测试,并将各算法所得误差进行对比。误差对比结果表明：遗传算法优化BP神经网络的收敛效果优于其他两种算法,且遗传算法优化BP神经网络所得接触电阻模型的相对误差平均值比BP神经网络减少了4.01%,比回归分析减少了4.72%,且预测效果较稳定。利用遗传算法与BP神经网络相结合的接触电阻预测模型较单独使用BP神经网络预测模型具有更好的非线性拟合能力和更高的预测精度。     

共生进化免疫神经网络在电力系统短期负荷预测中的应用

为了克服传统BP神经网络在结构设计和学习算法中存在的缺陷 ,提出了一种共生进化免疫神经网络来预测电力系统短期负荷。其中利用共生进化原理设计神经网络 ,通过对神经元群体进行优化设计 ,显著地减轻了计算量。在进化过程中 ,结合免疫算法中的浓度机制和个体多样性保持策略进行免疫调节 ,有效地克服了未成熟收敛现象 ,提高了群体的多样性 ,加快了网络设计速度。算例计算表明 ,该方法具有更短的训练时间和更高的预测精度     

基于差分进化算法与BP神经网络的变压器故障诊断

针对BP神经网络在识别变压器故障时容易陷入局部最优、诊断精度低、收敛速度慢等缺点,提出一种自适应差分进化算法与BP神经网络相结合的变压器故障诊断方法。该方法采用差分进化算法优化BP神经网络初始权值和阈值,将优化结果赋值BP神经网络进行网络训练,最终得到用于变压器故障诊断的最佳网络模型。实验结果表明,该组合算法比传统BP神经网络具有更高的诊断精度和更快的收敛速度,是一种更适合变压器故障诊断的高效方法。     

基于遗传算法的BP神经网络电子系统状态预测方法研究

BP神经网络是一种应用面较广的神经网络,但存在明显缺陷:学习收敛速度慢,易陷入局部极小。遗传算法具有良好的搜索全局最优解的能力。为了提高BP神经网络预测模型在状态预测中的准确性,提出了一种基于遗传算法优化BP神经网络的状态预测方法.利用遗传算法优化BP神经网络的权值和阈值,然后训练BP神经网络预测模型以求得最优解,并将该预测方法应用到Buck输出电压平均值进行有效性验证。仿真结果表明,改进后方法具有较好的非线性拟合能力和更高的预测准确性。     

发动机输出转矩的改进BP神经网络估计

针对混合动力汽车控制系统的开发过程,提出一种应用改进BP神经网络对发动机输出转矩进行估计的方法.根据在发动机实验台中所测得的部分样本数据,将传统的BP网络误差函数进行改进,建立了发动机输出转矩估计模型,并利用最优停止法对网络进行训练,避免了过拟合现象.实验结果表明,利用改进的BP网络对发动机输出转矩进行估计,减轻了网络训练负担,降低了网络训练的误差,提高了发动机输出转矩估计的精确度.     

基于蚁群BP神经网络的动态测量误差预测

针对BP算法在神经网络参数学习中局部性能好但易陷入局部极小值而蚁群算法拥有良好的全局性能的特点,提出了神经网络的综合训练方法(蚁群BP算法,ACBP Algorithm)即首先利用蚁群算法对神经网络参数进行全局搜索训练,然后再利用BP算法对参数进行局部学习。设计了一种自适应蚁群算法,一定程度上解决了传统蚁群算法收敛速度和拓宽搜索空间之间的矛盾。最后利用仿真实例验证了ACBP神经网络较之BP神经网络和AC神经网络在动态误差预测方面的优越性,得出了相关结论。