基于混合粒子群算法的沥青转运车螺旋搅料器模型及仿真

 为解决沥青转运车螺旋搅料器搅拌特性建模困难的问题,运用人工智能理论建立了以螺距、叶片半径为输入,沥青混合料的离析率为输出的神经网络模型。为克服BP算法与粒子群算法（PSO）的缺陷,将L-M算法与PSO算法相融合的混合粒子群算法PSOLM应用于该神经网络模型的学习算法中。为避免PSOLM算法在全局最优值附近的搜索过程变慢,采用一种从PSO搜索到L-M搜索的启发式算法。仿真试验结果表明,与BP算法、PSOBP算法相比,该算法不仅对螺旋搅料器模型的精度和建模的效率有显著的提高,而且改善了PSO算法的全局寻优能力,提高了算法的收敛速度和计算精度,避免了PSO算法早熟现象的出现,为螺旋搅料器搅拌特性的建模提供一条新的有效解决途径。     

基于混沌PSO—DV优化BP神经网络的汽车故障诊断

针对传统的PSO优化BP网络的局限性,提出了一种混沌PSO—DV算法和BP神经网络的混合算法．该算法具有混沌算法的局部搜索遍历性,DE算法的种群多样性及BP神经网络的快速搜索能力等优势．仿真结果表明,混沌PSO—DV优化的BP神经网络应用于汽车发动机故障诊断,使得故障诊断的效率和准确率得到了很大的提高．     

基于神经网络的计算机网络安全评价技术

将PSO算法优化的BP神经网络技术与计算机网络安全评价体系相结合,得到一种新的计算机安全评价体系。仿真实验表明,该计算机网络安全评价模型提高了网络安全评价效率和精度。     

一种基于优化小波神经网络的语音识别

在以往的BP小波神经网络中,最常用的学习算法是BP算法,BP算法实质上就是梯度下降法,是一种局部搜索算法,梯度下降法使得网络极易陷入局部最小值,从而使得网络训练结果不尽人意,搜索成功概率低.取代传统的梯度下降法,利用粒子群算法对小波神经网络中的参数进行优化.然后利用基于粒子群优化(PSO)的小波神经网络进行抗噪声语音识别实验,仿真结果表明,与BP网络相比,PSO算法在迭代次数、函数逼近误差、网络性能方面均优于BP网络,系统的识别率也得到较大的提高.     

基于PSO的结构损伤检测应用研究

建筑结构损伤前后固有频率的变化包含了结构损伤位置和程度的信息,在此理论基础上,构造了BP神经网络的输入参数.针对BP梯度下降算法导致的收敛速度慢和易陷入局部最小的缺点,引入粒子群演化(PSO)算法来优化神经网络各层间的连接权值.首先通过有限元法提取结构固有频率的变化,结合PSO对神经网络进行训练,然后分别对结构的损伤位置和损伤程度进行识别.计算分析结果表明,PSO的引入,相较于单纯的BP算法,该方法在结构损伤检测中取得更优的识别效果.     

基于PSO-Elman高速公路交通流预测研究

本文提出了基于粒子群算法(PSO)的Elman神经网络混合优化策略,采用PSO优化连接权值来训练神经网络,与标准BP算法相比,PSO采用实数编码,结构简单,学习收敛快,仿真结果表明该模型适合于高速公路短期交通流预测.     

基于PSO-EO算法优化的BP神经网络研究

PSO算法优化的BP神经网络解决了其收敛速度慢或不收敛等缺点,但PSO算法本身却存在早熟和局部收敛的问题。为此引入EO算法,用EO算法与PSO算法相结合对BP神经网络进行改进。通过实验表明:EO算法与PSO算法结合优化的BP算法具有良好的收敛性和较高的预测精度,其性能优于传统的BP算法及PSO优化的BP算法。     

基于响应曲面法的SMA沥青混合料试验研究

在沥青混合料配合比设计中,通常采用控制变量法研究单个因素对于沥青混合料性能的影响.为了同时研究多个实验变量对试件的影响并得到最优配比,本文以玄武岩纤维长度、玄武岩纤维掺量、油石比为影响因素,将空隙率、矿料间隙率、沥青饱和度、稳定度、流值作为响应指标,利用响应曲面法对玄武岩纤维SMA沥青混合料配合比进行设计.得到玄武岩纤...     

利用修正的BP神经网络进行框架结构损伤诊断

提出了一种基于修正的BP神经网络方法的结构损伤诊断方法,该方法通过基于误差曲面调整权值以及引入动量因子算法来避免出现局部极小,并通过自适应调整学习速率来提高学习效率,从而解决了传统BP神经网络在实际应用中存在的收敛速度慢和存在局部极小的问题.算例表明,该方法能够不仅较为准确的检测出结构的不同程度损伤,而且提高了计算效率,同时具有较强的鲁棒性.     

粒子群优化算法在城市需水量预测中的应用

在对天津市需水量现状进行调查的基础上,分析需水量与相关因素的变化规律,建立天津市需水量预测模型.应用粒子群优化算法(PSO)对神经网络权值进行优化,建立PSO-BP神经网络,应用于需水量预测模型的求解.将PSO-BP法与传统的BP神经网络法的计算结果进行对比,前者的预测平均相对误差比后者低500/.结果证明,该预测模型能够较好地拟合天津市需水量变化趋势,PSO-BP方法比BP方法具有更高的收敛速度和精度.     

透水性沥青混合料目标空隙率的确定方法

为了有效减少路面地表径流,发挥透水性沥青路面的透水功能,明确空隙率、有效空隙率及渗透系数三者之间的关系,以便确定符合地域降雨特点的透水性沥青混合料目标空隙率,依据水量平衡原理和水力学理论,建立了基于有效控制路面地表径流的透水性沥青路面的渗透-蓄水简化模型。通过试验分析,明确了透水性沥青混合料的空隙率、有效空隙率及渗透系数有很好的线性相关关系。通过设计降雨量、透水性沥青路面计算面积和路面综合坡度等为计算参数,得到了透水性沥青混合料的目标空隙率计算方法。该方法能够针对不同地区的降雨特点,计算出满足透水功能的透水性沥青混合料的目标空隙率。     

基于改进粒子群优化算法的电机故障诊断研究

针对电机转子故障,利用神经网络方法进行故障诊断研究。将基本粒子群优化(PSO)算法进行改进,并用其训练反向传播(BP)神经网络,对电机转子进行故障诊断。选用电机转子振动频谱分量作为神经网络的训练样本,将故障信息数据作为输入量代入已训练好的神经网络,通过输出结果即可诊断故障类型。仿真结果表明,基于改进PSO算法的BP神经网络可以有效地识别电机常见故障,具有较快的收敛速度和较高的诊断精度。     

前向神经网络粒子群优化学习算法研究

将粒子群优化算法用于前向神经网络权值的学习算法研究,以神经网络学习算法研究的典型问题之一的XOR问题作为研究实例,针对算法的收敛性、学习速度以及算法对初值的鲁棒性等性能指标,分别对标准的PSO算法、改进的PSO算法以及BP算法及其带动量项的BP算法进行了比较研究.研究表明,PSO算法在前向神经网络权值的学习算法中其所有的性能指标均优于传统的BP算法,PSO算法在神经网络的应用中具有广阔的前景.     

基于DREAM_ZS算法的EIT电阻率反演方法研究

针对电阻抗成像（EIT）中的电阻率反演及其不确定性量化问题,提出基于贝叶斯理论的不确定性分析方法.首先,利用反向传播（BP）神经网络模型作为正问题替代模型,取得了计算精度高的结果,并且大大提高计算效率.然后,采用基于贝叶斯理论的自适应差分进化Metropolis抽样（DREAM_ZS）算法对电阻率进行反演,并对不同激励模式和不同先验分布进行了对比分析.对模拟头部的4层同心圆模型的反演结果显示,DREAM_ZS抽样算法能够对4个参数进行准确识别,相对激励模式的反演效果最优.4个参数的不确定性程度不同,头皮电阻率不确定性最小,敏感性最强,其次是颅骨,大脑和脑脊液的不确定性较大.进而,对高维参数的圆模型进行仿真,采用相对激励模式,DREAM_ZS抽样算法能够准确反演二维圆模型的各个参数.参数的先验分布为正态分布时,与均匀分布相比,其反演结果不确定性小,对算法的识别效果更强.     

基于神经网络的沥青混合料抗剪强度预估方法

通过采用神经网络工具,探讨沥青混合料的抗剪强度预估方法．通过对比,采用不同输入参数,选定沥青类型、集料类型、空隙率、级配类型、公称粒径、油石比等六个影响因素作为输入参数．引入了误差分级迭代法进行网络学习训练,通过对比常规BP算法和误差分级迭代法,发现后者能有效减轻初始权值和阈值对训练和样本预测的影响,也能较好控制样本预测的误差．因此,建议采用基于误差分级迭代法的BP神经网络方法,预测沥青混合料的抗剪强度．     

基于径向基神经网络的油藏反演方法

文章提出一种基于径向基(radial basis function, RBF)神经网络的油藏反演方法。该方法利用抽样生成的井底压力数据构造RBF神经网络模型，由RBF神经网络预测值与实际观测值的偏差定义目标函数，再利用粒子群算法(particle swarm optimization, PSO)对其进行优化，最终得到不确定参数的最优解和反演参数。与多项式拟合方法相比，RBF神经网络方法具有更好的拟合结果和更高的精度，甚至在多项式拟合方法失效时，该方法也能得到很好的模拟结果。油田实际算例表明，该方法具有良好的拟合效果，能大幅提高反演效率，具有很好的应用前景。     

基于模拟退火PSO-BP算法的钢铁生产能耗预测研究

针对BP对能源系统进行建模和预测的方法存在的问题,提出一种优化BP神经网络的模拟退火粒子群混合算法(SAPSO)。利用该混合算法优化BP神经网络的权值和阈值,然后训练BP神经网络预测模型以得到最优解,并将所建立的预测模型对钢企能耗进行预测。最后与BP神经网络以及最小二乘法进行比较。仿真结果表明该混合算法增强神经网络的泛化能力,具有相对误差小,预测精度较高,能更好地跟踪未来数据的优点。     

改进的BP神经网络在碾压混凝土坝温度场反分析中的应用

采用改进的BP神经网络,建立了碾压混凝土坝热学参数反馈分析模型;利用三维有限元浮动网格法正分析得到的样本去训练网络,再利用温度实测值对热学参数进行反分析,根据反演后的热学参数进行温度场计算.计算结果和实测结果较为接近,可满足工程实际要求,且该方法具有较好的稳定性和收敛性,表明改进的BP神经网络算法用于反演混凝土坝热学参数是可行的.     

基于PSO和神经网络的中厚板凸度预报模型辨识

针对在钢板轧制过程中很难精确预报中厚板的凸度问题,将粒子群算法和神经网络用于辨识中厚板凸度预报模型.结合了神经网络和粒子群算法各自的优点,先采用三层神经网络建立神经网络预报模型,再利用粒子群算法对网络的权阀值进行训练.实验结果表明:相对于BP神经网络凸度预报模型,本文设计的PSO神经网络预报模型在收敛速度和预报精度上明显优于BP神经网络,具有精确性、收敛性和快速性等特点.     

改进型粒子群优化算法的BP神经网络全息图压缩

针对拥有庞大数据量的全息图再现像质量不理想的问题, 提出一种针对粒子群优化算法(PSO: Particle Swarm Optimization)中学习因子和惯性权值进行动态调整的方法, 将改进后的算法与反向传播(BP: Back Propagation)神经网络相融合形成改进型粒子群优化BP 神经网络(MPSO-BP: Modified Particle Swarm Optimizing
BP Neural Network)并用于全息图压缩。通过与BP 神经网络和粒子群优化BP 神经网络(PSO-BP: Particle Swarm Optimizing BP Neural Network)压缩算法进行对比, 证明了该网络压缩算法在保持较好的压缩效率时得到的全息图再现像质量更好。