广播星历等效伪距误差在中国区域的建模分析

在卫星导航系统服务区域内,由广播星历产生的等效伪距误差随用户位置的改变发生变化。将服务区域内用户的位置在切平面上投影,可以对服务区域内用户的星历等效伪距误差的特性分析加以简化。通过对GEO、MEO和IGSO三种导航卫星的分析,中国区域内的星历等效伪距误差可以用一个平面方程进行表示。研究结果对星历等效伪距误差模型及其改正方法的建立具有一定的参考价值。     

改进粒子群算法优化 BP 神经网络的短时交通流预测

为提高 BP 神经网络预测模型的预测准确性, 提出了一种基于改进粒子群算法优化 BP 神经网络的预测方法. 引入自适应变异算子对陷入局部最优的粒子进行变异, 改进了粒子群算法的寻优性能, 利用改进粒子群算法优化 BP 神经网络的权值和阈值, 然后训练 BP 神经网络预测模型求得最优解. 将该预测方法应用到实测交通流的时间序列进行有效性验证, 结果表明了该方法对短时交通流具有更好的非线性拟合能力和更高的预测准确性.     

基于LSTM神经网络的短期轨道预报

针对基于动力学模型的轨道预报方法对卫星自主轨道预报与大量非合作目标轨道预报中存在建模成本过高和缺少目标空间环境信息的问题, 提出一种基于误差数据驱动的神经网络轨道预报方法。该方法在解析法动力学模型的基础上, 使用长短期记忆神经网络对历史轨道预报的误差进行学习, 预测未来短期动力学模型的预报误差, 以此对预报结果进行修正。选用Ajisai卫星轨道数据和SGP4(simplified general perturbations)动力学模型对所提模型的有效性和性能进行仿真验证。实验结果表明, 所提方法对地心惯性坐标系下3个轴一天的预报误差分别下降到原来的16.87%、17.66%、19.58%, 显著提升了轨道预报精度。     

基于BP神经网络的纳卫星轨道热环境辨识

为了实现纳卫星轨道热环境的辨识,在纳卫星热系统动态特性模型以及BP神经网络的基础上,建立纳卫星轨道热环境辨识模型.首先,利用周期性空间外热流输入求解纳卫星热系统动态特性模型,然后,选取数据样本完成BP神经网络的训练.最后,将训练后的BP神经网络应用于实际的纳卫星飞行模式中的轨道热环境辨识,进行验证.通过辨识结果与实际轨道热环境的对比,证明了纳卫星轨道热环境辨识模型的泛化能力及准确性.     

基于PSO-BP神经网络的城轨列车转向架轮对轴箱故障预测

为更好地预测城轨列车故障率,提出基于粒子群算法优化的BP神经网络(PSO-BP)的故障率预测模型,对城轨列车转向架轮对轴箱进行故障率预测。采用Matlab中的Newff函数,运用误差反向传播神经网络(BP)和粒子群算法优化的BP神经网络(PSO-BP)分别对城轨列车故障率预测、建模和仿真。结果表明PSO改进的BP神经网络故障率预测模型的效果明显优于传统BP神经网络预测模型。     

基于改进粒子群-模糊神经网络的短期电力负荷预测

为了提高短期电力负荷预测精度,提出了改进的粒子群-模糊神经网络混合优化算法.用改进的粒子群训练神经网络,实现了模糊神经网络参数优化.建立了基于该优化算法的短期负荷预测模型,综合考虑气象、天气、日期类型等影响负荷的因素,利用贵州电网历史数据进行短期负荷预测.仿真表明,该方法的收敛速度和预测精度优于传统模糊神经网络法、BP神经网络法、粒子群-BP算法和粒子群-模糊神经网络方法,该优化算法克服了神经网络和粒子群优化方法的缺点,改善了模糊神经网络的泛化能力,提高了电网短期负荷预测的精度,各日预测负荷的平均百分比误差可控制在1.2%以内.该算法可有效用于电力系统的短期负荷预测.     

基于粒子群算法的抽油机故障诊断研究

提出了一种动态改变学习因子的粒子群算法,用以保证在粒子群优化算法的初始阶段,使粒子在进化初期仔细地在自身的邻域内搜索,防止粒子快速向局部最优解汇聚而错过自身邻域内可能存在的全局最优解,而在进化后期,使粒子快速、准确地收敛于全局最优解,提高算法收敛速度和精度。利用改进后的粒子群算法优化神经网络的权值和阈值,并把优化后的神经网络应用到抽油机故障检测中,结果表明用改进后粒子群算法优化的神经网络对抽油机进行故障诊断较传统BP算法更具准确性与快速性。     

基于粒子群模糊神经网络的丙烯腈收率软测量建模

对粒子群优化算法与模糊神经网络的结合进行研究，提出粒子群模糊神经网络，并将其应用丙烯腈收丰软测量建模．该方法采用模翱神经网络来杓建丙烯腈收率软测量模型，用粒子群优化算法优化模糊神经网络的参数；并结合实际工艺，对所建软测量模型进行仿真研究。实验结果表明，该模型的性能优于粒子群神经网络模型，能够准确预测丙烯腈收率，具有较高的精度和良好的应用前景。     

基于卫星干扰源定位系统的星历获取方法

在干扰源定位系统对目标实现定位时,需要知道卫星的位置、速度,由于网上星历更新速度不很及时,导致有时获取的卫星星历误差较大,因此需要通过测量获取卫星的星历.在卫星动力学方法的基础上,不添加任何硬件设备的条件下,研究了基于卫星干扰源定位系统星历获取方法,并对这种方法进行了仿真分析,对星历的精度进行评估.仿真结果表明这种方法获取的卫星星历优于从网站下载的卫星星历,满足定位系统的需求.     

考虑投资者情绪的GARCH-改进神经网络期权定价模型北大核心CSCDCSSCI

提出了一种考虑投资者情绪的基于改进粒子群算法优化的BP神经网络,并结合GARCH模型用于预测欧式期权价格。引入单点变异算子来提升传统粒子群算法的寻优能力,并通过改进后的算法来优化BP神经网络的结构与相应参数。利用GARCH模型估计权证股票价格的历史波动率,并将其作为改进神经网络模型的输入变量之一。最后,进一步考虑投资者情绪对期权价格的影响,通过构造剔除了基本因素的投资者情绪复合指标,并融入改进后的神经网络中。选取包括鞍钢JTC1在内的10支国内认购权证的收盘价格进行实证研究。结果表明,该模型的收敛速度与预测精度优于传统的BP神经网络以及B-S模型,考虑投资者情绪的影响后,预测结果更贴近实际情况。     

基于PSO-BP的应急通信感知装备效能评价方法

应急通信感知装备效能评价可支撑相关装备的发展规划, 而现有评价方法主观性强, 且自适应能力有待提升。因此, 提出一种基于粒子群优化(particle swarm optimization, PSO)算法的改进反向传播(back propagation, BP)神经网络的应急通信感知装备效能评价方法, 旨在建立客观精准的效能评价。首先面向实战效能构建了三级效能评价指标体系, 然后将样本数据进行主成分分析法降维, 建立BP神经网络回归模型, 并结合PSO算法对模型的连接权值与阈值进行优化, 形成PSO-BP模型以避免局部极小值问题, 获得可评价具体装备效能时的神经网络模型。实例分析表明, PSO-BP相较于BP神经网络模型评价的均方误差减少了28.18%, 表明PSO-BP模型具有更高的准确性。     

PSO-BP模型在城市用水量短期预测中的应用

为解决现有的城市用水量短期预测BP神经网络法对初始权值敏感、易陷入局部极小点和收敛速度慢等问题,通过对城市时用水量数据特征的分析,应用基于全局随机优化思想的粒子群优化(PSO)算法对BP网络的初始权值进行优化,建立了PSO-BP城市时用水量预测模型.在算例分析中与传统BP神经网络预测法进行对比,发现该方法的收敛速度明显提高,且平均预测精度提高了2%,在用水量短期预测中非常有效.     

基于智能优化灰色模型的电子固废预测

针对已有电子固废产生量预测时存在的建模机理复杂、建模精度低等问题,提出一种分数阶多元灰色模型与神经网络补偿模型相混合的智能建模     

基于ALPSO算法的低轨卫星小推力离轨最优控制方法

低轨卫星在到寿后,需要在一定时间内离轨,而轨道高度高于800 km的卫星难以在自然条件下离轨。为了使卫星在规定时间内离轨,提出一种基于增广拉格朗日粒子群优化(augmented Lagrangian particle swarm optimization, ALPSO)算法的低轨卫星小推力离轨最优控制算法。首先依据小推力的特点列出摄动方程,并利用哈密尔顿方程求出带协状态参数的最优控制率。而后分别阐述了粒子群算法和增广拉格朗日方法,并据此得出了算法流程。最后与遗传算法的优化结果进行对比。结果表明, ALPSO算法迭代次数较少,收敛精度较高,降低轨道高度的第一种处置轨道适用于轨道高度821 km的卫星离轨,离轨时间为857天。该算法可用于低轨卫星小推力离轨问题的求解。     

Multilayered feed forward neural network based on particle swarmopti mizer algorithm

1 .INTRODUCTIONNowadays there are many algorithms used to trainand opti mize neural network.BPalgorithm,whichisbased on gradient vectors of nodes ,is the most popu-lar neural network training method. Once gradient in-formation is obtained, kinds of regression technologiesbased on gradient can be adopt to update parameters.However BP algorithm faces some problems :(1) speed of convergence ; (2) local mini ma ; (3)sensitivity of initial value ;(4) dependence on gradi-ent information. For s…     

基于改进粒子群算法的BP网络在DTC系统中的转速辨识

利用改进粒子群优化(PSO)算法优化BP神经网络的权值和罔值,有效地解决了BP算法易陷入局部极小值的缺点,能更快速的实现收敛,不仅具有广泛的映射能力,还明显提高了运算效率.通过对直接转矩控制(DTC)系统进行MATLAB/SIMULINK仿真研究,结果表明:基于PSO-BP神经网络构造的速度辨识器具有良好的辨识效果.     

萤火虫群算法优化高斯过程的网络安全态势预测

针对共轭梯度法获取高斯过程超参数存在迭代次数难以确定及预测不精准等问题,提出一种萤火虫群算法优化高斯过程的预测方法,并将其应用于网络安全态势预测研究。采用萤火虫群优化算法对高斯过程超参数进行智能寻优,建立基于高斯过程回归的网络安全态势预测模型。实验结果表明新方法的平均相对预测误差较共轭梯度法、粒子群优化算法和人工蜂群优化算法分别降低了近29.46%、10.37%和4.22%,且新方法收敛较快。另外,分析对比了3种单一类型和2种复合类型的协方差函数对高斯过程预测的影响,实验结果表明采用神经网络与有理二次的复合协方差函数(neural network and rational quadratic composite covariance function, NN-RQ)的平均相对预测误差较其他4类协方差函数降低了1.65%~7.51%。