基于灰色模型粒子群优化算法的自适应神经模糊推理系统模型的船舶横摇运动预报分析

为了准确高效的预测船舶在波浪中的航行状态以保证人员、货物和船舶的安全,提出了一种基于灰色模型粒子群优化算法的自适应神经模糊推理系统(grey particle swarm optimization-adaptive neural-fuzzy inference system,GPSO-ANFIS)。GPSO-ANFIS预测模型使用模糊C均值聚类算法对输入样本进行聚类分析,得到模糊规则数量并建立神经模糊推理系统;再使用粒子群优化算法对建立的预测系统进行优化训练,从而得到最优的预测系统模型。其中灰色模型用于横摇数据的预处理,以便削弱横摇状态中的非线性影响因素。最后通过实船"育鲲"轮的横摇数据进行仿真实验。实验结果验证了GPSO-ANFIS模型的实用性和可行性,具有较高的预测精度。并为船舶航行智能化提供了一种有价值的理论依据。     

二阶对角递归神经网络船舶横摇运动预测

提出一种船舶横摇时间序列预测方法.该方法使用在隐层具有2个反馈权值的对角递归神经网络进行预测,给出了此网络易于实现的动量梯度学习算法(DBP),并对其收敛性进行了验证.运用该模型对我国某型船舶在横浪中航行情况进行预测,结果表明:本网络可以储存更多的历史数据,有更好的记忆性能,所使用的模型比DRNN模型及前向网络BP模型能快速、准确地预测船舶横摇运动时间序列,仿真实验验证了该方法的可行性与有效性.     

基于ANFIS的软测量模型在浮选中的应用

以浮选过程为研究对象,提出一种基于自适应神经-模糊推理系统的经济技术指标软测量模型。该模型采用主元分析进行输入数据集降维,运用最小二乘法和粒子群优化算法相结合的混合学习算法对自适应神经-模糊推理系统结构参数进行优化设计。该混合学习算法提高了网络参数辨识的收敛速度,仿真结果表明,提出的模型能很好地实现浮选过程经济技术指标的全局预测,满足优化浮选药剂添加的计算要求。     

基于模糊系统的金具温升预测方法

为了提高直流特高压阀厅连接金具的温升预测准确性,将基本粒子群算法与递推最小二乘算法结合,形成改进粒子群算法。利用试验得到训练数据与测试数据,通过训练数据调整模糊系统。训练算法分别为基本粒子群算法、递推最小二乘算法和改进粒子群算法,其中改进粒子群算法的收敛效果优于其他2种算法。通过训练数据与回归分析对阀厅连接金具的温升进行建模,用测试数据对各方法所得模型进行检验,发现由改进粒子群算法训练模糊系统所得模型的测试效果最好。测试结果表明,若能得到足量训练数据,用改进粒子群算法训练模糊系统的方法预测阀厅连接金具的温升是可行的。     

船舶减摇鳍智能控制器(英文)

提出基于自适应网络模糊推理系统 (ANFIS)的神经 模糊控制器作为船舶减摇鳍系统的控制装置。仿真结果表明 ,ANFIS控制器在恶劣海况下也能够改善船舶的横摇减摇性能。该智能控制器有希望作为常规PID控制器的改进选择     

两种改进的GM(2,1)模型及其在船舶横摇预报中的应用

实时准确地预报船舶横摇运动是目前船舶运动研究的一个重要课题,对于提高船舶的耐波性和适航性具有重要的意义.灰色GM(2,1)模型有2个指数分量,能反映出序列摆动的运动情况,但预测精度仍然不足.因此在GM(2,1)模型对非线性复杂横摇运动进行建模及预测的基础上,基于误差补偿的思想,用周期外延和神经网络2种方法分别对灰色模型进行改进.仿真结果表明,灰色-周期外延组合预测模型和灰色-BP神经网络组合预测模型均能准确有效地预报船舶横摇运动,进一步提高灰色模型的预测精度,为船舶减摇控制打下了良好基础,具有实用价值.     

基于改进CS优化算法的灰色神经网络预测模型

为了提高灰色神经网络在人工智能预测领域中的预测准确性,提出一种改进布谷鸟算法优化灰色神经网络 的预测方法.通过改进的布谷鸟算法对常规灰色神经网络(GNN)的白化参数进行优化,寻找出最优初始化参数, 并将其结果作为灰色神经网络的输入,建立了基于改进布谷鸟优化的灰色神经网络预测模型,在此基础上,采用该 方法对煤与瓦斯突出进行预测.仿真实验表明,该模型的预测精度要优于标准灰色神经网络和基于粒子群算法的 灰色神经网络等方法.     

船舶航行GPS定位轨迹的新预测模型

为了提高海上船舶航行轨迹的预测精度,根据船舶航行的GPS定位轨迹特征,构建一套适用于航行轨迹预测优化算法模型,研究内容包括轨迹数值预处理、预测计算、结果精度分析3个部分.运用离散小波变换对船舶航行轨迹数值的分辨预处理,在灰色预测GM（1,1）算法的基础上,运用非线性规划方法动态调整GM（1,1）算法均质生成数列中的发展系数,构建基于时间序列的数值预测优化算法,最后通过算法模型的实验比较和应用测试.结果表明,本预测模型计算结果精确度高,优于多个其它预测算法或模型.     

基于粒子群优化投影寻踪回归模型的短时交通流预测

针对短时交通流数据的高度复杂性、随机性和非稳定性,为了进一步提高短时交通流预测的精度,提出一种基于粒子群优化投影寻踪回归模型的短时交通流预测方法。通过灰色关联度分析确定交通流预测影响因子,然后采用粒子群优化算法构建非参数投影寻踪回归模型,并利用上海市南北高架快速路的感应线圈实测数据进行实验验证和对比分析。实验结果表明:PSO-PPR模型的短时交通流预测效果明显提高,其平均预测精度分别比ARIMA模型和BPNN模型提高37.8%和27.2%。     

船舶4自由度响应型数学模型的研究

为建立考虑船舶横摇的船舶4自由度响应型数学模型,首先采用类比建模的方法建立船舶横摇响应型数学模型,并首次提出了船舶横摇指数的概念;然后利用多元回归分析软件SPSS17.0及偏最小二乘法对8条船舶数据进行分析,得到横摇指数的最优回归公式;最后,联立Nomoto模型和船舶横摇响应型数学模型得到船舶4自由度响应型数学模型.该模型结构简单,较传统的船舶水动力数学模型更为简捷方便,且基本满足精度要求.     

变步长灰色预测模糊控制研究与应用

提出了一种变步长灰色预测模糊控制算法,该算法根据新陈代谢原理,建立等维新息预测模型,将预测概念扩展为前向和后向预测,并与模糊控制相结合,对电液比例压力控制系统的顶推压力进行控制.该算法不需要被控对象模型结构的先验信息,基于少数据、贫信息,具有在线自适应以及计算量小的特点,满足实时控制的要求.通过对变步长灰色预测模糊控制与PID控制和纯模糊控制进行仿真和试验比较表明,变步长灰色预测模糊控制在不增加超调的情况下减小了响应时间,改善了控制效果.     

基于PSOGWO-SVM的网络入侵检测方法

针对SVM算法的核函数及参数选择不科学会导致检测的准确率比较差的问题,提出了一种融合粒子群搜索的灰狼优化算法,利用PSOGWO算法优化SVM的参数,确定SVM分类器的最优检测模型,并基于NSL KDD数据集进行对比实验。结果表明：基于PSOGWO SVM的入侵检测方法实现了SVM的参数最优化,而且在检测率、收敛速度、模型平衡性等方面有明显提升,该方法在网络入侵检测方面具有更好的性能。     

利用改进的并行粒子群算法对变分资料同化的研究

近年来,为了提高同化精度和减少同化时间,粒子群算法(PSO)被引入到数值天气预报资料同化中来.粒子群算法虽然令同化精度有所提高,但同化时间仍然存在较大缺陷.基于此,首先设计了一种改进的并行粒子群算法(P2PSO),然后应用于含不连续“开关”过程的变分资料同化中,与时变双重压缩因子粒子群算法(PSOTVCF)和动态权重粒子群算法(PSODIWAF)在同化速度、同化精度和收敛性上进行了比较.实验结果表明,设计的并行粒子群算法在不降低同化精度的同时,将同化时间缩短了一半,在收敛速度上明显优于动态权重粒子群算法和时变双重压缩因子粒子群算法.     

Supply Chain Production-distribution Cost Optimization under Grey Fuzzy Uncertainty

Most supply chain programming problems are restricted to the deterministic situations or stochastic environments. Considering twofold uncertainty combining grey and fuzzy factors, this paper proposes a hybrid uncertain programming model to optimize the supply chain production-distribution cost. The programming parameters of the material suppliers, manufacturer, distribution centers, and the customers are integrated into the presented model. On the basis of the chance measure and the credibility of grey fuzzy variable, the grey fuzzy simulation methodology was proposed to generate input-output data for the uncertain functions. The designed neural network can expedite the simulation process after trained from the generated input-output data. The improved Particle Swarm Optimization (PSO) algorithm based on the Differential Evolution (DE) algorithm can optimize the uncertain programming problems. A numerical example was presented to highlight the significance of the uncertain model and the feasibility of the solution strategy.     

Supply China Production-distribution Cost Optimization under Grey Fuzzy Uncertainty

Most supply chain programming problems are restricted to the deterministic situations or stochastic environments. Considering twofold uncertainty combining grey and fuzzy factors, this paper proposes a hybrid uncertain programming model to optimize the supply chain production-distribution cost. The programming parameters of the material suppliers, manufacturer, distribution centers, and the customers are integrated into the presented model. On the basis of the chance measure and the credibility of grey fuzzy variable, the grey fuzzy simulation methodology was proposed to generate input-output data for the uncertain functions. The designed neural network can expedite the simulation process after trained from the generated input-output data. The improved Particle Swarm Optimization (PSO) algorithm based on the Differential Evolution (DE) algorithm can optimize the uncertain programming problems. A numerical example was presented to highlight the significance of the uncertain model and the feasibility of the solution strategy.     

基于FPSO-SA算法的威布尔分布参数估计研究

为解决威布尔分布等复杂分布模型采用常规方法很难直接进行参数估计的问题, 提出了基于模糊粒子群模拟退火算法的威布尔分布参数估计。该算法根据粒子个体纵向和横向运动特性, 引入模糊逻辑推理动态调整惯性权值因子, 提高了粒子群算法(PSO: Particle Swarm Optimization)的收敛速率; 将上述模糊粒子群算法(FPSO: Fuzzy Particle Swarm Pptimization)与模拟退火算法(SA: Simulated Annealing)结合, 以FPSO算法的速度位置更新公式作为SA算法的状态生成函数, 再运用Metropolis算法以概率接受新状态, 获得全局最优参数估计值。将基于上述智能算法的参数估计法运用到威布尔分布参数估计中, 提高了参数估计精度。实际应用表明, 该参数估计方法在复杂分布模型参数估计中具有可行性和有效性。     

改进的粒子群算法在太阳能光伏发电资料同化中的应用研究

资料同化是目前太阳能光伏发电预测研究的一个关键和难点.近年来,遗传算法和粒子群算法等智能优化算法被引入到四维变分同化中.针对基于分子运动论的粒子群算法(MPSO)在处理大量数据时速度慢的不足,该文提出了并行分子运动论粒子群算法(PMPSO),并行计算的基本思想是将粒子群分成N个子集,每个子集交给一个线程控制,同时进行粒子迭代运算,以提高算法处理速度;每一子集中的头号精英粒子,将数据传递给公共部分在每次迭代完后,然后进入下一次迭代,其目的是让每个子集间进行信息交流以增加多样性.将其应用到资料同化中,与动态权重粒子群算法(PSOCIWAC)和时变双重压缩因子粒子群算法(PSOTVCF)在精度、时间上进行比较,实验结果表明：在收敛精度上,PMPSO方法在PSOCIWAC和PSOTVCF方法的基础上分别提高了10 000倍和100倍,在时间上也具有很大的优越性.     

锌钡白煅烧过程的LS-SVM建模仿真

针对锌钡白煅烧过程建模难的问题，采用一种基于最小二乘支持向量机(LS-SVM)的辨识算法进行过程建模研究。从SVM与LS-SVM的算法机理出发，利用LS-SVM算法结构简单、辨识速度快的优点，通过建模仿真得到煅烧转速随煅烧温度变化的模型，并将此算法与自适应神经模糊推理系统(ANFIS)进行了辨识性能上的对比，结果表明LS-SVM在过程建模中具有更好的实际应用价值。     

船舶航向在线自学习智能控制方法

为更快更好地控制船舶在预定航线上航行,提出一种船舶航向在线自学习模糊神经网络智能控制方法.模糊子集处理船舶控制中的不确切信息,通过神经网络训练模糊推理系统中的参数,旨在把模糊推理和神经网络融合,使船舶航向智能控制器具有在线自学习功能.该方法能实时控制风流扰动下作为非线性时变系统的船舶而无须依赖船舶运动数学模型.模拟试验结果表明,即使在有环境扰动情况下,该方法也能很好地控制具有很大惯性船舶的航向.     

基于自适应模糊神经网络的货币供应量预测

采用ANFIS(Adaptive Neuro-Fuzzy Inference System)进行货币供应量预测。ANFIS将模糊理论与神经网络融合,利用神经网络来实现系统的模糊逻辑推理,采用混合学习算法调整前提参数和结论参数,自动产生模糊规则。利用我国货币供应量数据对网络进行训练和检测,所得结果表明利用ANFIS预测货币供应量有效。