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。     

基于云模型与凝聚型层次聚类的失效模式与影响分析方法

针对传统失效模式与影响分析（failure mode and effect analysis，FMEA）的不足，提出了一种基于云模型和凝聚型层次聚类算法的改进FMEA方法。首先，运用云模型对专家评估信息进行描述与集结；然后，结合凝聚型层次聚类算法识别云模型评价信息，利用聚类子簇确定失效模式间关联关系，利用聚类结果确定失效模式风险等级。最后，以在线教学失效风险评估为例，验证了该改进FMEA方法的可行性和有效性。     

一种新的基于蚁群原理的聚类算法

为了改善聚类分析的质量,提出一种与蚁群原理相结合的聚类方法. 首先对传统的聚类算法k-means进行改进,克服传统的k-means算法必须事先确定分类的个数k和选择聚类点的缺陷,然后将蚁群算法的转移概率引入k-means算法,对上述聚类结果进行二次优化.实验结果表明,改进的k-means与蚁群算法相结合的聚类方法比单一聚类算法更有效.     

改进粒子群算法在BP神经网络拟合非线性函数方面的应用

为解决BP神经网络拟合非线性函数的预测结果误差较大问题,笔者将标准粒子群算法进行改进,形成基于免疫接种的粒子群算法(IPSO);然后将该算法与BP神经网络理论相结合,实现基于IPSO算法优化的BP神经网络非线性函数拟合算法。新的拟合算法首先确定BP神经网络结构,然后用IPSO算法优化初始权值和阈值,最后进行BP神经网络预测。数值实验表明,本文提出的IPSO算法提高了BP神经网络的拟合能力,减小了拟合误差,提高了拟合精度。     

人工神经网络在基础课实验教学质量评价体系中的应用

采用神经网络对基础课实验教学质量进行评价,解决了非线性模型的不确定性.传统的BP网络在训练时易陷入局部极小点,从而导致训练时间长、收敛速度慢.采用优化BP算法能快速达到目标误差,提高网络的收敛速度.网络训练的结果表明：优化BP算法的收敛速度快,精度高,在高等教育教学质量评估领域中具有广阔的应用前景.     

K-means聚类算法的一种改进方法研究

针对K-means聚类算法对初始聚类中心敏感问题,提出1种结合方差与误差平方和的优化算法.首先,该算法基于方差和距离选取k个位于不同区域且样本点相对集中的集合.然后,分别选取使这k个样本集合误差平方和最小的数据作为k个初始聚类中心.利用改进算法与其他算法将UCI数据库中所选取的数据集进行聚类划分,对比不同算法下的聚类结...     

基于粗糙集的改进BP神经网络算法研究

提出了一种基于粗糙集和遗传算法的改进BP神经网络算法.该算法首先对原始数据集进行属性约简,优化BP神经网络的输入变量;然后利用遗传算法全局搜索的特点,优化BP神经网络初始权重和阈值.将改进BP神经网络算法应用于客户分类,训练误差为5.92×10-12,测试总误差为0.00023;而改进前的一个比较理想的训练结果的训练误差为0.0016,测试总误差为0.073.Matlab仿真表明改进的BP神经网络算法有更好的训练精度和泛化能力.     

基于粒子群优化和SOM网络的聚类算法研究

利用改进的粒子群优化算法(PSO)的优化性能,结合SOM网络模型,提出了一种基于粒子群优化算法和SOM网络的聚类算法(PSO/SOM),使用PSO对SOM网络进行训练来代替SOM的启发式训练方法.将PSO/SOM算法用于对Wine和Iris等数据集进行模式聚类识别,可以得到较优的聚类识别效果.相比标准SOM算法能有效提高网络映射的准确程度,降低网络的量化误差和拓扑误差,同时也降低了错聚率,实验结果验证了本算法的有效性.     

基于粗糙集理论的岩体结构面模糊C均值聚类分析

基于在利用模糊C均值聚类算法对岩体结构面产状进行优势分组时,需要人为确定分组数和初始聚类中心,在迭代过程中容易陷入局部最优解的问题,通过改进聚类中心的算法,提出一种基于粗糙集的模糊C均值聚类算法,以优化迭代过程,并通过对比多项聚类有效性检验参数,确定最优聚类分组情况。最后采用模糊C均值聚类算法和改进后的算法对浙江白鹤隧道左洞测得的结构面产状进行优势分组并对比。计算结果表明,本文所提出的方法聚类效果明显优于模糊C均值聚类算法。     

应用改进BP神经网络进行用水量预测

针对工业用水量的特点，建立了改进的BP神经网络用水量预测模型，采用遗传算法对BP神经网络权系进行优化改进，改进的BP神经网络算法预测结果好于灰色理论预测和BP算法预测。以本溪市某供水厂用水量数据对改进的BP神经网络模型进行训练并预测，将其预测结果与灰色理论预测和BP神经网络预测结果进行比较分析，得出该方法用于供水系统用水量预测误差较小，同时克服了其他两种算法的缺陷。     

基于Canopy的KFCM聚类优化算法

在以模糊集为理论支持的聚类算法中，KFCM(kernel fuzzy c-means clustering)是一种对核函数进行优化的模糊聚类算法。KFCM算法需要人为指定数据的分类个数，对数据噪声敏感会降低其性能，且类边缘数据点相互影响会导致分类错误。针对这些问题，该文提出一种改进的C-KFCM模糊算法，先用Canopy粗聚类算法给出数据集大致的分类数，接着在聚类部分使用KFCM算法。改进了原KFCM算法的隶属度函数，在噪声点和边缘数据的隶属度中引入其邻域数据的隶属度平均值，使数据中的噪声对算法的影响减小或消失。实验结果表明，改进的C-KFCM算法能自动确定分类数，并且与原KFCM算法相比，C-KFCM将平均准确率提高了0.09%,且聚类效果更稳定。     

基于改进雷达图的可视化聚类方法研究

针对高维数据的聚类过程不够直观、聚类结果也不易解释的问题,本文提出了一种基于改进雷达图的交互式可视化聚类方法。首先对传统雷达图进行了改进,采用熵权法确定数据的主要特征和属性排列,在去掉非主要特征基础上采用以极径表示属性值,以属性权重确定极角的改进雷达图进行数据可视化来突出数据的主要特征;然后采用改进的k-means算法对平面上的点集进行聚类,该改进算法不需事先给定簇的个数,能够依据密度和距离对初始中心进行优化,且在聚类过程中可交互调整参数,并使用不同颜色来区分不同类别,方便观察聚类过程和结果;最后通过仿真实验表明改进的雷达图更能反应数据的分布情况,改进的聚类算法具有更高的效率和聚类准确度。     

基于改进模糊聚类算法的城市快速路交通状态分类

文中从城市快速路实时交通信息发布和缓解拥挤出发,对快速路交通状态进行有效分类,在选取分类指标时,在传统分类指标流量、速度、占有率的基础上引入了一个宏观分类指标——路网宽裕度。运用改进的模糊聚类方法对所选取指标进行聚类分析,以北京市五环路部分路网样本数据为例进行交通状态分类评估,同时与其他分类算法的分类结果及误差进行对比分析。结果表明,改进的模糊聚类算法在平均运行时间、目标函数值及分类误差上都低于其他算法的,由此验证了研究中所提算法的可靠性。     

基于GA-BP神经网络优化算法的篮球教学质量评价

篮球教学质量是反应学习效果与教学方法可行性的关键指标，对于提升优化篮球课程的教学方法具有重要意义。基于主成分分析法提取16个关键性评价指标，设定GA-BP神经网络期望误差为均方误差；基于自适应梯度下降法进行网络训练，为遗传算法的不同种群赋予不同交叉概率与变异概率，利用移民算子沟通实现种群进化以此改进遗传算法；基于改进遗传算法确定BP神经网络的初始权值与阈值，将16个篮球教学质量评价指标权重输入到GA-BP神经网络模型中获得教学质量评价结果。实验结果表明，该模型输出篮球教学质量评价结果的误差最低、时间开销最少，是评价篮球教学质量的可靠方法。     

准确近似聚类算法及其在岸桥拉杆状态监测中的应用

为了探究码头岸桥每次作业拉杆的载荷情况,更加准确评估拉杆的使用寿命并确定其维修周期,采用聚类算法与定量统计分析方法,对岸桥拉杆载荷进行分析。考虑到传统K均值算法在处理大规模数据时的局限性,在聚类思想的基础上,提出一种准确近似K均值算法(AAKM)。该算法在聚类数目K的初步确定和提高聚类算法的准确性方面实现了极大的改进,并利用试验结果进行了验证,结果表明该方法对于岸桥载荷状态的识别和工程应用中的监测与评估具有重要意义。     

基于数据挖掘平台的模糊聚类算法及应用研究

研究基于目标函数的模糊聚类算法,并对聚类效果的有效性和参数选择进行了详细分析,在数据挖掘平台中实现该算法,通过设置聚类误差和实时误差两项动态指标来确定最佳的判别方法和参数设置．最后将该算法应用于模型生命表制作的前期分析工作中。     

基于孤立点自适应的K-means算法

孤立点的存在使聚类中心的计算产生较大误差,影响K-means算法的聚类效果.针对该问题,引入谢林模型,使孤立点能够自动移动到其邻居所在位置,消除孤立点,同时,对K-means算法过程中的距离计算、初始聚类中心选取环节进行改进,提出基于孤立点自适应的K-means算法.该算法首先对原始数据进行归一化处理,以提高距离计算的准确性;然后,根据谢林模型的基本思想,将孤立点移动到其最近的多邻邻居;接着,由类簇的数目确定邻居样本的搜索范围,确定初始聚类中心;最后,根据移动后的数据集和初始聚类中心,进行K-means聚类.在UCI机器学习数据库中经典聚类数据集上的实验结果表明,该算法可显著提升聚类的精度,同时,簇的内聚性也比较好.     

基于Kohonen神经网络的遥感影像监督分类

作为一种自组织网络,Kohonen神经网络在遥感影像聚类中得到了广泛的应用.但Kohonen算法具有初始权值随机化、学习率和邻域难以确定等缺陷,并且作为一种聚类算法,难以直接进行监督分类.对Kohonen非监督学习算法进行改进,用最大最小距离法确定初始权值,利用权值误差作为网络训练收敛条件,并将Kohonen算法与奖惩...     

氧乐果合成过程的PSO-回归BP网络建模方法

为了提高模型效率,更好地反映实际系统的动态特性,根据氧乐果合成过程特点确定了PSO-回归BP网络结构.采用惯性权重动态调整的粒子群算法进行初始寻优,并基于改进的BP算法对优化的网络权阈值进一步精确优化,建立了氧乐果合成过程的PSO-回归BP网络模型.仿真结果表明,所建模型误差小、收敛速度快、网络泛化能力强,能更好地反映实际对象特点.     

基于改进灰色关联分析的BA-BP短期负荷预测

针对短期电力负荷随机性强、预测精度低等问题,提出了基于模糊灰色聚类与蝙蝠优化神经网络的短期负荷预测模型。采用模糊聚类方法选择相似日粗集,然后用改进的灰色关联分析法选取相似日;为了克服传统BP算法易陷入局部极值和收敛速度慢等问题,利用相似日集中的样本训练蝙蝠优化的BP神经网络预测模型。以某地区的历史数据为实际算例,将文中所提算法与普通的BP神经网络、传统灰色关联与蝙蝠优化的BP神经网络预测结果相比,结果表明所提方法有很高预测精度和稳定性,在实际中有一定应用价值。