自适应粒子群优化BP神经网络的变压器故障诊断

在分析粒子群参数特征的基础上,提出自适应粒子群优化算法,使用自适应粒子群优化BP神经网络,建立基于自适应粒子群优化BP神经网络(PSO-BP)的变压器故障诊断系统.通过对52组训练样本和28组测试样本的仿真实验,可知自适应PSO-BP法能提高变压器故障诊断的准确率,有效减小网络的误差精度.     

采用混合算法优化神经网络滑模控制的机器人跟踪误差

为了避免机器人关节角位移受外界影响,提高运动轨迹的跟踪精度,采用混合算法优化神经网络滑模控制器,并对优化后的控制器进行仿真验证.建立机器人平面简图模型,利用拉格朗日定理推导出机器人关节运动方程式,采用神经网络算法构建RBF神经网络自适应滑模控制系统.为了增强控制系统的稳定性,削弱外界波形对机器人运动轨迹的干扰,利用粒子群算法和差分进化算法在线优化RBF神经网络滑模控制律参数,设计了改进RBF神经网络滑模可调参数的自适应控制律,保证机器人控制系统的稳定性.通过MATLAB软件进行仿真实验,并且与优化前机器人关节角位移输出误差形成对比.仿真结果显示：随着干扰波形幅度的增大,采用神经网络滑模控制器,机器人关节输出角位移误差逐渐增大,系统不稳定,而采用混合算法优化神经网络滑模控制器,系统反应速度较快,机器人关节输出角位移误差较小.机器人采用混合算法优化神经网络控制器,能够提高控制系统的抗干扰能力,稳定性较好、输出精度较高.     

基于自适应粒子群优化算法的神经网络的优化研究

针对传统的神经网络训练算法收敛速度慢和泛化性能低的缺陷,提出一种新的自适应粒子群优化算法用于神经网络的训练.该算法通过改进自适应搜索策略以提高网络泛化性能,并结合Ionosphere雷达信号分类数据集进行仿真测试.研究结果表明:基于自适应粒子群优化算法训练的神经网络在分类准确率和分类误差上明显优于传统的BP算法,且很好地提高了网络泛化能力和优化效果.     

克隆选择粒子群优化BP神经网络电力需求预测

在普通BP算法基础上,引入克隆选择粒子群算法,建立电力需求预测模型.将当期国内生产总值、前期国内生产总值、人口、当期产业结构变化、前期产业结构变化等影响电力需求的因素作为网络输入,电力需求作为网络输出,同时选择合适的隐层节点数,确定模型的网络结构.利用克隆选择粒子群算法反复优化BP网络的权值组合,将优化后的权值作为BP神经网络的初始值,进行BP算法,直至网络达到训练指标.利用近几年相关输入输出变量年度数据,对建立的模型进行电力需求实证预测分析,并同普通BP神经网络预测结果进行对比.结果表明:基于克隆选择粒子群优化的BP神经网络不仅训练速度快,而且误差小,预测精度明显提高,说明该模型对于电力需求预测的有效性.     

基于粒子群-蛙跳算法优化BP神经网络的滚动轴承故障诊断方法

针对滚动轴承故障诊断方法存在的局限性及缺陷,在利用小波分析提取滚动轴承故障信号特征向量基础上,提出基于粒子群 蛙跳算法优化的BP神经网络滚动轴承故障诊断方法。该方法采用粒子群 蛙跳算法优化BP神经网络结构参数,利用改进BP算法和样本数据训练BP神经网络,实现滚动轴承运行正常和4种不同故障状态的诊断。实验验证结果表明,基于粒子群 蛙跳算法的BP神经网络方法诊断误差最大值仅为005,为未优化的神经网络诊断误差的1/16;与其他算法相比,基于粒子群 蛙跳算法优化的BP神经网络方法的训练时间、训练误差和诊断精度各项指标均为最优,可实现滚动轴承故障的快速、准确、有效诊断。     

基于改进粒子群优化的BP神经网络图像压缩方法

为了改善反向传播(BP)神经网络算法过度依赖初始参数,导致网络收敛速度慢,容易陷入局部极小值的问题,提出利用改进的粒子群优化(IPSO)算法,对BP神经网络的参数进行优化,找出合适的初始权值和阈值。该文算法在基本粒子群优化(PSO)算法中增加了基于四分位数的选择策略,引入遗传算法的自适应变异概率作为扰动概率,加入基于个体自身适应度值与种群平均适应度值比值的自适应扰动策略。该文算法IPSO-BP对训练图像Lena、测试图像Cameraman和验证图像Peppers效果都有明显的提高,经过IPSO-BP训练的模型峰值信噪比(PSNR)和均方误差(MSE)明显好于惯性权重线性递减的粒子群优化-反向传播(LDWPSO-BP)、基于动态加速因子的粒子群优化-反向传播(PSO-DAC-BP)、基于正态分布衰减惯性权重的粒子群优化-反向传播(NDPSO-BP)、自适应变异粒子群优化-反向传播(ADVPSO-BP)、遗传算法-反向传播(GA-BP)以及天牛须搜索-反向传播(BAS-BP),PSNR在7种算法中最大,MSE在7种算法中最小。虽然IPSO-BP在图像Lena上的压缩率(CR)小于PSO-D...     

基于混合群智能算法优化BP神经网络的粮食产量预测

针对前馈神经网络预测粮食产量的方法易陷入局部最优的问题,提出一种基于粒子群算法和人工蜂群算法的改进BP神经网络模型.利用粒子群优化算法和人工蜂群算法在全局搜索能力上的不同优势,结合两者对BP神经网络的权值和阈值进一步优化,以提升粮食产量预测模型的准确性与鲁棒性.给出基于粒子群和人工蜂群混合的ABPSO算法的具体实现,并选择1979年至2012年我国粮食的产量及影响其产量的8项因素作为数据集进行试验.结果表明:改进的BP神经网络能够较好地预测国内近几年的粮食产量变化趋势;相比未优化的BP模型,新算法预测误差平均值由847 780 t降低至240 320 t,误差范围由1 894 200 t降低至586 800 t.     

基于粒子群和布谷鸟搜索的BP神经网络优化方法研究

针对BP神经网络初始化敏感性高、易陷入局部最小值的问题,研究基于粒子群优化和布谷鸟搜索融合的BP神经网络优化方法,提出一种分层的融合优化模型MB-PSO-CS-BP。该方法在下层使用Mini-Batch算法将粒子群分割为小种群,利用粒子群优化算法进行局部搜索;在此基础上采用布谷鸟搜索算法进行全局搜索,从而减小BP神经网络初始化的敏感性,减缓其陷入局部最优的症状。在实际应用领域的数据集上对所提出算法进行实验验证。相较于一般的PSO-BP模型与CS-BP模型,所提出的MB-PSO-CS-BP融合模型在全局最优值、均方误差等多个评估指标上有所改进,进一步提升了利用BP神经网络进行预测的准确性与稳定性。     

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。     

基于改进粒子群算法的自适应波束形成

基于最小均方误差准则,将自适应波束形成的权值求解问题表示为多目标优化模型,利用提出的改进粒子群优化算法,获得了阵列最优权值向量.改进粒子群优化算法中引入动态邻域拓扑结构,自适应调整粒子的领域搜索范围,避免粒子陷入局部最优.仿真结果表明:所提算法的收敛速度优于传统算法.     

基于模型参考的自适应PID控制器

提出了一种基于模型参考的自适应 PID控制器 ,通过引入一自适应误差信号 ,根据模型参考自适应控制原理的方法 ,推导了 PID参数整定的自适应率 .仿真结果表明 ,该控制器与典型的PID控制器相比 ,显著提高了系统的动态响应性能 ,系统输出能够很好地跟踪参考模型的输出 ,具有一定的抗干扰性 ,鲁棒性较好     

一类时变系统模型参考自适应迭代学习控制

针对一类有限时间区间上可重复运行的有界输入有界输出稳定的一阶线性时变系统,其高频增益和惯性参数均时变,为使之能够跟踪不同的参考轨迹,将模型参考自适应控制方法与迭代学习方法相结合,提出了模型参考自适应迭代学习控制算法.基于类李雅普诺夫(Lyapunov-like)函数证明了当迭代次数趋于无穷时,跟踪误差在有限时间区间上一致收敛到零,并证明了闭环系统中参数估计和控制信号有界.系统仿真验证了所提控制算法的有效性.     

基于ADACD的新型辨识器及其模型参考自适应控制

将控制依赖自适应评估设计引入到非线性系统的辨识中,以寻求最佳模型.定义一个总评估函数表示系统在所历经时间内的辨识总误差,然后构造一个评估网络来近似逼近这个总评估函数.再构造一个辨识器网络,其输出直接作为评估网络的输入,这样通过最小化评估网络的输出就可以达到寻求最佳模型的目的.辨识器的参数修正原则不再是使当前时刻的辨识误差最小化,而是使评估网络的输出最小化,即使系统在所历经时间内的近似辨识总误差最小化,这样不仅大大加快了收敛速度而且取得了更加精确的辨识效果.在获得对象模型之后,还研究了利用神经网络设计模型参考自适应控制器的方法.仿真结果表明,利用这种新型辨识器设计的模型参考自适应控制器能够保证被...     

非最小相位离散系统的模型参考自适应控制

将单输入单输出非最小相位离散时间系统的模型参考自适应控制的新方法（即用从最小二乘获得的近似逆系统方法）推广到多变量场合．讨论了如何避免不稳定的零极点对消及如何将扰动的作用与对象的输出进行解耦的问题．计算机仿真结果说明了推广方法的有效性．     

基于观测器的无速度传感器感应电机控制

为了辨识感应电机的转速,提出了一种模型参考自适应观测器.该观测器基于模型参考自适应系统(model reference adaptive system,MRAS),将感应电机和全阶观测器分别作为参考模型和可调模型,基于两模型输出之间的误差构造了一个自适应律,通过自适应律不断调整观测器的参数,全阶观测器的输出将实现对实际系统输出的跟踪,并用李雅普诺夫稳定性定理验证了系统的稳定性.理论分析和仿真结果表明,所提出的感应电机无速度传感器矢量控制系统的转速辨识方法具有令人满意的动静态性能.     

基于模型参考的锅炉燃烧系统神经网络控制和辨识

大纯时延、煤种多变和蒸汽负荷频繁变化是链条炉难以进行良好燃烧控制的原因。对非线性延迟系统延迟时间的神经网络辨识方法进行了研究,即改变神经网络输入样本区间,利用网络输出期望值与输出实际值之间的误差平方和产生的突变,可以辨识出非线性对象的延迟时间。将神经网络大延迟系统的辨识与基于神经网络动态补偿的模型参考自适应控制策略相结合,可用于对具有变化参数或不确定性延迟时间的非线性大延迟系统的控制。仿真结果表明:这种神经网络模型对非线性大纯时延系统的控制具有控制速度快、鲁棒性能好等优点。     

变结构模型参考自适应控制直流调速系统研究

本文研究了变结构模型参考自适应控制在直流调速系统中的应用，并进行了仿真，结果表明：受控对象能够快速地跟踪参考模型输出，系统具有较强的鲁棒性。     

模型参考控制在两级驱动伺服系统中的应用

基于计算机硬盘的两级驱动伺服系统，采用模型参考控制改善VCM伺服环的输出，并将其回馈给MA伺服环作为输入，利用MA高频宽、响应快等优点，调节VCM输出及位置误差信号，获得较为理想的复合输出结果。实验仿真结果验证了本文控制算法的有效性。     

基于EWT-PSO-Elman耦合模型在径流预测中的应用

由于径流序列的非线性和非平稳性,单一预测模型能力有限,难以做出准确预测。因此,论文基于澄碧河流域坝首站1979-2019年共41a的实测月径流序列,引入经验小波变换分解(EWT)、粒子群算法(PSO),建立一种基于Elman神经网络的组合月径流预测模型(EWT-PSO-Elman),并采用纳什效率系数(NSE)、平均相对误差绝对值(MAPE)和均方根误差(RMSE)对测试集的预测结果进行评价与分析,并将预测结果与EWT-PSO-BP、PSO-Elman、PSO-BP、Elman、BP模型进行比较。结果表明：EWT-PSO-Elman模型的纳什效率系数为0.9135,均方根误差为19.4511,预报等级为甲级,具有较好的预测精度和泛化能力;EWT-PSO-Elman模型的预测精度优于EWT-PSO-BP、PSO-Elman、PSO-BP、Elman、BP模型。可见,EWT-PSO-Elman模型具有更好的预测精度,可应用于径流预测研究中。     

采用模糊补偿的直接驱动机械臂控制

针对直接驱动机械臂惯量大范围变化的问题,设计了一种模型参考模糊补偿器.实时控制结果表明,它与PI控制器相结合,能有效地克服直接驱动机械臂系统变参数因素的影响,保证系统具有良好的动态特性.提出的控制方案既提高了系统的鲁棒性,又可以获得满意的控制性能.