GASA-SVM改进算法及其在柴油机供油系统故障诊断中的应用

针对目前支持向量机(SVM)参数选择的盲目性,结合遗传算法GA的并行搜索和模拟退火算法SA的概率突跳特性,提出一种改进的基于遗传退火算法(GASA)混合策略优化支持向量机惩罚函数和核函数参数的GASA-SVM算法。利用柴油机供油系统油压波形的实测数据,归一化处理后作为诊断模型的特征值,建立了基于GASA-SVM的柴油机供油系统故障诊断模型。通过与BP神经网络、RBF神经网络、SVM和GA-SVM故障诊断模型比较表明:应用GASA-SVM建立的故障诊断模型在故障识别准确性上优于其它网络模型,能够有效进行柴油机供油系统的故障诊断。     

基于径向基函数神经网络和NSGA-Ⅱ的气保焊工艺多目标优化

以焊缝高宽比和深宽比作为优化目标,结合径向基函数神经网络和带精英策略的非支配排序的多目标遗传算法NSGA-Ⅱ,实现了多目标优化.建立了以焊接电压、送丝速度、焊接速度作为自变量,预测焊缝熔宽、余高和熔深的5种模型,即误差反向传播神经网络、遗传算法优化的误差反向传播神经网络、克里金插值法、径向基函数神经网络和二阶多项式回归模型.对比分析表明,径向基函数神经网络具有较高的预测精度和稳定性,最为合适.最后,利用NSGA-Ⅱ算法实现了以盖面焊和填充焊为应用场景的工艺参数多目标优化,试验证明了该优化方法的有效性.     

改进GA-PSO算法的船舶电力系统故障诊断

为解决船舶电力系统故障识别的准确性以及快速性问题,在BP神经网络预测的基础上,提出一种改进的粒子群(PSO)和遗传算法(GA)混合优化BP神经网络的方法。改进包括两方面：一是对粒子群的惯性权重和学习因子进行改进;二是对遗传算法的变异概率和交叉概率进行改进。对发生故障时的三相电压信号进行小波包分解,提取各频率段的能量熵作为故障特征。经测试,优化后的算法诊断准确率明显提高,神经网络训练次数和误差减小,验证了改进GA-PSO-BP算法的可靠性,以及用于船舶电力系统故障诊断的实用性。     

考虑负荷不确定性和时段优化的 动态无功优化

针对负荷的不确定性,并充分结合其时序性特征,提出考虑负荷不确定性和时段优化的动态无功优化模型。该模型充分考虑负荷预测误差的概率模型,采用拉丁超立方抽样技术和场景削减技术获得负荷样本及其概率,且对负荷样本期望值采用统计学指标归一化处理形成综合负荷趋势序列;同时,为克服动态无功优化过程中的"维数灾"问题,设计了基于特征趋势的自适应方法进行时段划分;最后计及场景概率,以网损最小为目标,将电压越限和发电机无功出力越限计入罚函数,建立动态无功优化模型并采用基于精英保存策略的遗传算法进行求解。算例仿真结果验证了所提模型的正确性和有效性。     

基于参考点的时变参数不可测对象PID控制器优化设计

针对参数时变,且含有多个目标函数的PID控制器设计,提出了一种基于参考点的时变参数不可测动态多目标优化遗传算法.该算法在常规动态多目标优化遗传算法基础上,加入了参考点及局部搜索和种群更新机制,以实现对不同环境及环境不可测情况下PID控制器参数的优化,用典型测试函数将该算法与DNSGA2-A算法进行比较,验证了算法的有效性.在PID控制器设计部分,首先建立PID控制器时变动态多目标优化模型,将多目标PID控制器设计问题转化为动态多目标优化问题;然后建立参考点,定义基于参考点占优帕累托支配关系,通过局部搜索和种群更新机制对种群进行处理,优化PID参数;最后将该方法应用于柴油机优化问题实例,将误差和方差作为优化目标,对PID控制器的3个参数进行优化,验证了方法的有效性.     

基于遗传算法的刨煤机系统多目标模糊可靠性优化

 针对刨煤机系统常规优化方法难以处理具有相互矛盾属性的系统可靠性多目标优化设计问题,提出一种基于遗传算法非概率分布信息的多目标模糊可靠性优化决策方法。该方法利用模糊集隶属函数的特性将各个单一目标函数模糊优化处理为能够反映各子目标相对重要程度,对不完全概率信息采用随机摄动法和Edgeworth级数方法转化为标准正态分布函数,将各个目标的协调满意度函数综合统一的单目标优化模型,再用常规优化方法即可求出多目标优化模型的满意解,最后给出刨煤机实例以验证该方法的有效性。     

应用Hopfield神经网络优化最大熵的图像恢复算法

基于图像最大熵分析,提出了一种基于Hopfield神经网络优化的图像恢复算法.将图像恢复问题转化为Hopfield神经网络优化问题,取恢复图像熵函数最大以及原始图像与恢复图像之间的误差平方和最小作为图像恢复的目标,构造能量函数连续型Hopfield神经网络模型,由Hopfield神经网络能量函数极小化可得到问题的优化解,其算法通过仿真实验,验证了算法的优越性.     

一种混合智能故障诊断方法及柴油机故障诊断

提出了一种模糊聚类、粗糙集理论与神经网络集成的混合智能故障诊断方法。引入聚类有效性函数和点分布密度函数。对模糊c-均值聚类算法进行改进,形成了自适应模糊聚类算法并依据该算法将连续的故障特征值离散化。应用粗糙集理论处理离散化的故障诊断数据。采用基于信息熵的方法,约简冗余的故障特征。依据约简结果构建神经网络,采用遗传算法优化网络的权值和阈值。将该方法用于柴油机气门故障诊断,并与普通神经网络进行对比。结果表明,该方法提高了故障诊断的正确率。     

基于递阶遗传算法的模糊系统优化设计

给出一种基于递阶遗传算法的模糊神经网络优化算法, 在该算法中对每个染色体都采用递阶编码, 并提出一种改进的交叉算子, 可以同时优化模糊神经网络结构和权值参数. 算法中采用双目标函数作为适应度函数对模糊神经网络模型的精确度和复杂性进行估价, 且对应一个实际问题, 可以通过调整适应度函数的参数值确定所需模糊神经网络模型的精确度和复杂性之间的比例, 从而生成一个适当的模糊神经网络模型. 模拟实验结果验证了该算法的有效性.     

迷彩图案的数值优化设计

为解决迷彩图案设计问题,建立了一种基于遗传算法的迷彩图案优化设计模型.在结合遗传算法特点的基础上,分析了影响迷彩图案设计的颜色、形状和纹理等诸多因素,利用层次分析法和基于信息熵的权重计算模型研究了迷彩图案最优化设计模型的目标函数,并结合面积、亮度对比、尺寸、纹理特征距离阅值等约束条件,采用遗传算法优化求解了目标函数.实例计算结果表明,优化结果能够与实际的典型背景的特征值相匹配,从而验证了该方法的有效性.     

基于遗传算法的ENN的变压器故障诊断

可拓神经网络结合了可拓学理论和人工神经网络技术.针对变压器故障诊断的特点,提出一种基于遗传算法和可拓神经网络的电力变压器故障诊断方法.介绍了双权可拓神经网络的结构;构造了基于遗传算法和可拓神经网络的故障诊断模型和算法设计,并将其应用到电力变压器的诊断识别;通过仿真实验验证了该方法简单易行、训练误差小、收敛时间快等优点.     

基于深度学习神经网络和量子遗传算法的柔性作业车间动态调度

针对柔性作业车间动态调度问题构建以平均延期惩罚、能耗、偏差度为目标的动态调度优化模型,提出一种基于深度Q学习神经网络的量子遗传算法。首先搭建基于动态事件扰动和周期性重调度的学习环境,利用深度Q学习神经网络算法,建立环境■行为评价神经网络模型作为优化模型的适应度函数。然后利用改进的量子遗传算法求解动态调度优化模型。该算法设计了基于工序编码和设备编码的多层编码解码方案;制定了基于适应度的动态调整旋转角策略,提高了种群的收敛速度;结合基于Tent映射的混沌搜索算法,以跳出局部最优解。最后通过测试算例验证了环境-行为评价神经网络模型的鲁棒性和对环境的适应性,以及优化算法的有效性。     

基于集成卷积小波极限学习的绝缘子故障检测

针对绝缘子因分布位置较远、背景复杂而导致传统方法无法精准并高效识别其故障的问题,提出一种基于集成卷积小波极限学习神经网络(ECWELNN:Ensemble Convolution Wavelet Extreme Learning Neural Network)的绝缘子故障检测方法.首先通过安装在无人机上的工业级摄像机采集现场的绝缘子图像数据并进行预处理;其次将卷积神经网络、自动编码器、极限学习机和小波函数的优势结合,构造集成卷积小波极限学习神经网络,并逐层堆叠建立多个深层神经网络;最后将绝缘子图像样本输入多个深层神经网络进行自动特征学习,将预测结果进行集成并输出最终的故障检测结果.通过实验对比验证了小波函数作为极限学习机网络模型中的激活函数在绝缘子识别领域中的优势.实验结果表明,该方法的平均故障检测准确率达到了98.49％,标准差仅0.20,相比其他方法在图像特征提取和故障检测准确率方面更具优势,适用于绝缘子故障的自动识别.     

径向基概率神经网络的结构优化算法研究

径向基概率神经网络（RBPNN）是在径向基函数神经网络（RBFNN）和概率神经网络（PNN）的基础上发展起来的一种新型的前馈神经网络（FNN）模型。该网络模型充分吸收了径向基函数神经网络和概率神经网络的优点,这种新的模型具有计算复杂度低、收敛速度快等优点。本文深入研究了径向基概率神经网络的结构优化算法,在遗传结构优化方法的基础上,提出一种新的两步学习算法,基于遗传算法的梯度学习算法。该算法一方面优化了网络结构,使网络结构尽可能的精简,另一方面有效地提高了网络的推广能力。     

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。     

基于GA-BP神经网络的尾煤水灰分视觉检测方法研究

针对浮选回归模型精度和适应性较差的问题,提出了一种基于遗传算法优化反向传播神经网络（GA-BP）的尾煤水灰分视觉检测方法。对尾煤水图像进行预处理,在去除主要噪声干扰和保证一定彩色特征完整的前提下,提取不同颜色空间的彩色特征、灰度特征以及浓度特征值;以上述特征值为输入变量,以尾煤水灰分作为输出变量,建立基于遗传算法优化BP神经网络（GA-BP）的回归模型。该模型较好地实现了尾煤水灰分的在线检测,预测精度达97.3%,均方误差降低至0.23,提高了精煤产率和经济效益。     

不确定结构的区间可靠性优化设计

对不确定结构的区间可靠性进行了研究，建立了基于区间可靠性的优化设计模型.采用结合嵌套遗传算法和径向基函数神经网络的模型，进行区间的直接优化，解决了基于区间可靠性的优化设计求解问题，避免了间接模型的复杂转换过程.充分考虑了实际工程中设计向量存在扰动的情况，提出了该情况下目标函数波动的约束，使目标函数和约束函数在扰动下依然满足可靠性要求.通过数值算例验证了模型的有效性和优越性.将所提出的模型用于具有区间不确定参数的行车平板优化，结果表明了所提方法的可行性和工程有效性.     

基于遗传小波神经网络的电梯故障诊断分析

利用小波分析具有能量分布特征提取的特性和遗传算法优化BP算法的能力,提出了一种基于遗传算法、小波与神经网络的电梯故障诊断方法,并应用电梯故障数据作为实例进行了验证.遗传算法小波神经网络模型诊断速度快、鲁棒性好、故障诊断正确率高.     

基于遗传算法的水火弯板工艺参数预报方法研究

以钢板加工时间和铜板收缩率曲线拟合优度作为两个目标函数．建立水火弯板工艺参数优化问题数学模型,并应用权重系数变化法．将问题转化为单目标优化问题．基于分层遗传算法（HGA）,应用三次样条插值、误差分析等方法,将目标函数转化为群体中个体的适应度函数．由加热线条数、相邻加热线之闻距离（加热线间距）和加热线收缩量作为3个约束条件,构造分层遗传算法编码,并且内外层编码在遗传运算时分别采用不同的遗传算子,最终得到钢板水火弯板加工工艺参数预报结果．经算例验证,该方法可以对船体外板作出良好的水火弯板工艺参数预报．     

基于支持向量机和遗传算法的变压器故障诊断

为了提高变压器故障诊断准确率,该文提出了一种基于支持向量机(support vector machine,SVM)和遗传算法(genetic algorithm,GA)的电力变压器故障诊断方法。基于5种常用油中溶解气体分析方法的20种不同输入建立初始特征集合,采用二进制方式将支持向量机惩罚因子、核参数及特征子集编码至遗传算法染色体,建立基于5折交叉验证正确率的适应度函数,联合优化最优特征子集和支持向量机参数组合。然后依据最优特征子集和参数组合训练诊断模型,并利用测试集和故障实例验证诊断性能。实例分析结果表明:该方法能准确、有效地诊断变压器故障,比基于传统特征子集的支持向量机-遗传算法模型、IEC三比值法、反向传播神经网络和朴素Bayes等方法具有更高的诊断准确率。