物流配送中心选址的IPSO-BP算法

改进标准粒子群优化算法（PSO）的惯性权重参数,提出基于IPSO的BP神经网络算法,以提高物流配送中心选址的预测精度。仿真结果表明,IPSO-BP神经网络算法的预测精度优于常规BP神经网络算法,不仅改进了网络的收敛速度并且提高了预测准确性。     

采用改进神经网络PID控制的移动机器人轨迹追踪控制研究

为了提高双轮移动机器人运动轨迹追踪精度,采用改进粒子群算法优化BP神经网络PID控制器,并对控制效果进行仿真验证。创建双轮移动机器人模型简图,给出运动轨迹误差方程式。在传统PID控制基础上增加BP神经网络结构,引用粒子群算法并对其进行改进,采用改进粒子群算法优化BP神经网络PID控制调整参数,给出双轮移动机器人PID控制参数优化流程。采用数学软件MATLAB对双轮移动机器人轨迹追踪误差进行仿真验证,并与传统PID控制追踪误差进行对比。仿真曲线显示:在理想环境中,双轮移动机器人采用两种控制方法都能较好地实现轨迹追踪,追踪误差较小;在干扰波形环境中,传统PID控制双轮移动机器人追踪误差较大,而改进PID控制双轮移动机器人追踪误差较小。采用改进粒子群算法优化BP神经网络PID控制器,可以提高移动机器人运动轨迹追踪精度。     

两种改进的BP神经网络学习算法

借鉴计算机网络拥塞控制中的"慢启动"策略,针对传统BP算法中存在的收敛速度慢与精度不高的不足提出了两种改进的变学习率学习算法,仿真结果表明改进的BP算法与自适应附加动量BP算法性能相近,其学习的收敛速度与精度优于传统的BP算法.     

基于烟花优化的WSN数据融合算法

为减少无线传感器网络(WSN)中的数据冗余,延长网络生命周期,克服基于BP(反向传播)神经网络的数据融合算法收敛慢、数据精度低和易陷入局部最优的不足,提出一种基于烟花算法优化的无线传感器网络融合算法(IFWABP)．首先在烟花算法中使用Tent混沌图改进烟花种群的初始位置分布,使初始烟花分布更加均匀;然后利用改进的烟花算法优化BP神经网络的权重矩阵和阈值矩阵等参数进行数据融合;最后通过仿真对算法的性能进行测试和分析．仿真结果表明：对比其他算法,IFWABP算法提升了WSN数据融合的精度,降低了网络能耗,延长了网络生命周期．     

基于遗传算法的BP网络在机车滚动轴承故障诊断中的应用

提出一种遗传算法（GA）和BP算法结合的神经网络模型优化方案。首先采用自适应交叉概率和变异概率的遗传算法优化BP网络的权值,在进化结束时,能够寻到全局最优点附近的点;在遗传算法搜索结果的基础上,利用局部寻优能力较强的BP算法,从此点出发,进行局部搜索,进而达到网络的训练目标。在铁路机车滚动轴承诊断方面,利用MATLAB仿真实验结果表明,遗传算法与BP算法结合的模型诊断精度为100%,标准BP算法的模型诊断进度为80%,并且提高了网络的收敛速度。说明GA—BP算法模型诊断精度较高,诊断能力得到了改进,遗传算法与BP算法的结合算法可行有效。     

粒子群优化BP神经网络PID控制注塑机液压系统

注塑机液压系统是一个时变、非线性和高耦合的复杂系统,传统PID控制参数不易整定,超调量大,对注塑机液压系统控制效果欠佳,现提出一种粒子群优化BP神经网络算法改良PID控制。BP神经网络算法存在收敛速度慢和容易陷入局部最小值的缺陷,利用粒子群算法的全局最优和收敛速度快的特性改良BP神经网络,然后利用粒子群优化BP神经网络对PID的3个参数进行在线调整。仿真结果表明,经过粒子群优化后的BP神经网络对PID3个参数的整定效果要比BP网络要好,同时粒子群优化BP神经网络PID控制效果明显优于传统PID控制,可以有效提高注塑机液压系统的精度和响应速度,优化注塑过程。     

基于模型参考模糊自适应的多缸同步控制

针对各通道间存在的耦合和外力扰动作用,以及工况和负载的复杂多变性,以四缸同步系统为例,应用了模型参考模糊自适应控制。根据被控对象和参考模型的输出偏差和偏差的变化来调整PI控制器的比例系数和积分系数,即通过模糊推理实时地调节PI参数,使受控系统的输出趋近于参考模型输出。仿真结果表明:该方法比传统PID控制能更有效的抑制各通道间的耦合和外力扰动作用,提高了系统的鲁棒性和同步精度。     

负荷车电涡流缓速器加载控制系统研究

为能更真实反映被试拖拉机牵引特性,对负荷车加载系统进行了改进,建立了负荷车加载系统传递函数模型。以牵引力载荷谱随机信号为输入,采用BP神经网络算法对加载系统进行动态加载控制,以输出不同类型的作业载荷。对系统响应特性进行了动态分析,在此基础上进行了道路试验验证,证明加载系统的有效性。在该控制模式下系统仿真载荷输出延迟0.12s,最大超调量为3.1%;路试载荷输出延迟0.22s,最大超调量为4.2%。试验结果表明,BP神经网络PID控制的系统输出载荷对输入载荷具有更好的跟随效果,比传统PID控制响应性好,开发的负荷车加载系统输出载荷能够较好再现拖拉机实际牵引载荷。     

G-BP算法在烧结矿FeO指标预测中的应用

实现烧结过程工艺参数的优化,首先要进行烧结矿质量预测·采用遗传算法与BP神经网络相结合的方法,建立了烧结矿FeO含量预测模型,并改进BP学习算法·仿真表明,该方法可以优化神经网络结构,缩短学习时间·与传统的BP神经网络模型相比,预测值与实际值间的相对误差由6534%降低至1400%,其精度高于传统BP网络模型·该方法为实现在线预测奠定基础·     

GA-SAPSO神经网络模型的构建

BP神经网络存在寻优参数多、收敛速度慢、易陷入局部极小的固有缺陷,为改进其网络性能,本文利用遗传-模拟退火粒子群算法(GA-SAPSO)对BP神经网络的初始权值及神经元阀值进行优化处理,并重新构建网络模型.实例仿真结果表明:所构建模型降低了BP网络结构的复杂性,避免了网络参数选取的盲目性,提高了网络的计算精度.