一种基于差分进化和灰狼算法的混合优化算法

针对差分进化易陷入局部最优和灰狼算法易早熟停滞的缺点,提出了一种基于差分进化(DE)算法和灰狼(GWO)算法的混合优化算法(DEGWO)。该算法利用差分进化的变异、选择算子维持种群的多样性,然后引入灰狼算法与差分进化的交叉、选择算子进行全局搜索。在整个寻优过程中,反复迭代渐进收敛。选取此3个测试函数进行仿真验证,结果表明,混合优化算法相比于DE算法和GWO算法,其求解精度、收敛速度、搜索能力都有了显著提高。     

差分进化算法研究及其应用

针对一种新兴的进化算法--差分进化算法,介绍了该算法的基本原理、算法流程和控制参数选择, 然后利用差分进化算法求解了多元函数的极值问题.差分进化算法具有随机选取初始值的优点,数值实验结果表明了该方法的正确性和有效性.     

基于并行优进策略的差分进化算法

差分进化算法是一种新颖的进化计算技术,为减少用户选择算法控制参数的盲目性和提高算法收敛速度,设计了一种基于并行优进策略的差分进化算法（DEPES算法）．算法随着搜索过程的进行随机动态调整缩放因子和选取差分进化模式;在进行差分操作的并行运算过程中,利用当前代最优个体产生新的试验向量参与竞争选择过程．几个复杂函数的数值实验结果表明,DEPES算法寻优效率高、收敛速度快、对初值具有很强的鲁棒性、对维数具有较好的适应性,尤其是具有避免局部极小的能力,其优化性能优于标准DE算法．     

改进差分进化在前馈神经网络训练中的应用

分析了误差反传算法,将改进差分进化算法和神经网络结合,采用常数变异交叉与自适应变异交叉的混合策略对网络的权值和阈值进行训练.并用2个典型问题对该网络和误差反传网络进行仿真对比.结果表明：经改进差分进化算法训练的神经网络,收敛速度快、泛化性能好.     

差分进化算法应用于图像恢复

针对传统的图像恢复方法存在的缺陷和不足,提出了一种基于差分进化算法的图像恢复方法。该方法的思路是,利用差分进化算法简单、通用和鲁棒性强等优点提高求解效率,优化图像恢复效果。通过将差分进化算法应用于图像恢复,并把恢复后的图像与使用遗传算法恢复的图像进行对比分析,实验表明了差分进化算法的稳定性、图像的清晰性明显优于遗传算法,基于差分进化的图像恢复具有良好的性能和显著的效果,因此差分进化算法比遗传算法更适用于图像恢复问题。     

基于差分进化入侵杂草算法的股价预测模型

针对入侵杂草算法易陷入局部最优、后期寻优精度较低等不足,提出一种差分进化入侵杂草(DEIWO)算法用于训练前向神经网络,结合入侵杂草算法的种群多样性和差分进化算法的启发式搜索等特质以增强算法的全局搜索能力和局部挖掘能力,建立基于DEIWO算法的神经网络预测模型.通过实例验证了本文改进的算法具有较好的寻优精度和收敛速度,预测模型可行和有效.     

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。     

基于自适应差分进化算法的间歇反应动态优化求解

为了求解间歇反应动态优化问题,提出了一种自适应差分进化算法(Self-Adaptive Differential Evolution,SADE)。在SADE算法中,每个个体都拥有自己的控制参数。该算法在对原优化问题进行差分进化搜优的同时,以权重大小来评价各个控制参数的优劣,并以加权控制参数作为控制参数的进化方向,实现其自适应调整。结果表明SADE算法收敛速度快、求解精度高。将SADE算法应用于两个典型的间歇反应动态优化问题中,取得了较好的优化效果;同时,分析了时间离散度对优化结果的影响。     

改进BP神经网络在发动机性能趋势分析和故障诊断中的应用

针对常规BP神经网络参数的经验式取值方法以及收敛速度慢,容易陷入局部最小点等缺陷,设计了一种改进的神经网络系统,利用蚁群算法优化神经网络连接权初值,并采用LM算法对人工神经网络进行训练,提高了网络的收敛速度,降低了训练误差。将其应用于某型利用ACARS报文实时获取飞机性能参数的发动机趋势分析和故障诊断中,可以快速准确地实现对发动机的性能趋势分析和复杂故障的诊断。最后通过仿真,对算法进行检验,结果表明改进算法的诊断置信度比改进前高。     

基于变量预测模型的模式识别方法在滚动轴承故障诊断中的应用

将基于变量预测模型(Variable Predictive Model based Class Discriminate,VPMCD)的方法引入滚动轴承的故障诊断,提出了基于EMD(Empirical Mode Decomposi-tion,EMD)和VPMCD的滚动轴承故障诊断方法.采用EMD方法提取滚动轴承振动信号特征向量后,以VPMCD作为模式识别方法对滚动轴承的工作状态和故障类型进行分类.对正常状态、外圈故障、内圈故障3种不同类别下的滚动轴承振动信号进行了分析,结果表明了该方法在滚动轴承故障诊断中的有效性.同时,与人工神经网络(Artificial neural net-work,ANN)算法的对比分析表明,VMPCD算法分类性能的稳定性以及计算效率均要高于ANN算法.     

基于遗传-神经网络的电机故障诊断

本文采用非线性最小二乘法中的LM(Leven-berg-Marquardt)算法,结合遗传算法进行电机故障诊断的方法,并应用于电机故障的仿真实验,性能明显优于单一的算法结构.1神经网络模型及算法本文采用的LM算法是一种利用标准数值优化技术的快速算法,是高斯-牛顿法的改进形式[1].LM算法网络     

滚动轴承故障诊断系统研究

在对滚动轴承振动信号特征分析的基础上，建立了AR模型，利用AR模型参数建立径向基函数神经网络，并用该网络对滚动轴承的故障模式进行了识别。最后应用Matlab语言强大的计算功能，建立了滚动轴承故障诊断系统。理论和试验证明了该系统的有效性，且具有较高的识别精度。     

运用频率指标诊断电机轴承故障的神经网络法

电机滚动轴承的时域振动信号经过快速傅里叶变换和自功率谱处理后,可以获得电机滚动轴承振动的固有频率,然后运用该频率指标,利用多层反向传播前馈型神经网络,通过神经网络的学习和推广两个阶段,可以实现对轴承故障的自动分类诊断。对一电机滚动轴承的实验表明,该方法行之有效,对工程应用具有较高的实用价值。与其它损伤识别指标相比,诊断精度相对提高率均大于１１％,说明频率指标对结构的损伤具有更高的灵敏度。     

云模型和集成极限学习机相结合的滚动轴承故障诊断方法

针对轴承振动信号的不确定性和非平稳性以及BP神经网络学习算法收敛速度慢、稳定性差等问题,提出了基于云模型和集成极限学习机的滚动轴承故障模式识别方法.将经预处理之后的信号进行云化,产生滚动轴承在不同状态下的信号云;提取出决定信号云分布的期望、熵和超熵三个参数作为表征轴承状态的特征量并依此构造出原始的轴承状态数据集;再将故障特征数据集经归一化处理后送入集成极限学习机进行识别.研究结果表明:云-集成极限学习机方法可以有效地实现轴承故障模式识别,与传统神经网络识别方法相比,该方法拥有更高的识别准确率和稳定性,并且集成极限学习机在抗噪性方面有较好的表现.     

基于LMBP算法的液压油缸内泄漏故障诊断方法

针对液压油缸内泄漏故障诊断中提取时域参数过多以及各参数间相互交叉等问题,提出一种基于主成分分析（Principal Component Analysis,PCA）和改进的Levenberg—Marguard（LM）神经网络的诊断方法．首先采用Lu分解法对LM算法中逆矩阵的求解进行优化,以加快网络的收敛速度,然后提取压力信号的8个时域参数作为原始特征,采用PCA法对其进行降维和去相关,提取前2个主成分作为最终特征,输入到改进的LM网络中进行故障模式识别,并将诊断结果与LM算法和GA—BP算法进行仿真对比研究．研究结果表明：基于LMBP算法的故障诊断方法在减少识别误差和提高诊断速度等方面取得显著改善,是一种行之有效的液压油缸内泄漏故障诊断方法．     

基于无监督迁移成分分析和深度信念网络的轴承故障诊断方法

针对轴承故障样本少导致识别精度低的问题,提出一种基于无监督迁移成分分析(unsupervised transfer component analysis,UTCA)和深度信念网络(deep belief network,DBN)的故障诊断方法。首先利用UTCA的核函数将不同工况样本特征映射到一个共享再生核Hilbert空间中,使得源域和目标域样本集更加相似,并通过最大均值偏差嵌入法(maximum mean discrepancy embedding,MMDE)判断能够迁移的源域数据,将源域样本迁移到目标域中,为深度学习提供充足的训练样本,解决了实际故障样本较少的问题;然后采用DBN模型对源域样本进行训练,再对映射后无标记的目标域样本进行故障诊断分析。利用不同工况下的滚动轴承实验数据进行算法验证,结果表明,与普通DBN、SVM、BPNN以及传统机器学习-UTCA融合方法相比,本文方法对滚动轴承故障的诊断精度更高。     

LMBP神经网络PID控制器在暖通空调系统中的应用研究

针对BP神经网络学习过程收敛速度慢及易陷入局部极小值的缺陷,研究了levenberg-marquart算法(即LM算法).为解决LM算法中学习速率的选择和逆矩阵的求解这两个严重影响训练时间和收敛精度的问题,采用LU分解法对LM算法进行改进和优化,并通过MATLAB语言编程实现,将得到的LMBP神经网络PID控制器应用于暖通空调冷冻水循环的控制回路中,将其控制效果与PID控制算法、BP神经网络PID控制算法进行仿真对比研究.研究结果表明,采用LMBP神经网络PID控制器在减少超调量、加快收敛速度、减少稳态误差等方面的性能都得到了明显的改善.     

基于CCA和SOFM的轴承故障特征提取

提出曲元分析(CCA)和自组织特征映射(SOFM)相结合的方法用于轴承的故障诊断特征提取.首先通过传感器测得轴承在正常和非正常状态下的信号;然后对所得数据进行归一化;考虑到数据比较庞大,利用CCA进行降维;再利用SOFM进行训练,网络对不同状态下的输入具有明显不同的输出.利用Matlab神经网络工具箱来实现上述算法.实例仿真表明,这个算法可以快速正确地提取出轴承故障特征值,并通过聚类算法完成轴承的故障诊断.     

考虑滚动轴承故障位置与损伤程度的双分支卷积神经网络故障诊断方法

针对现有深度学习方法对非平稳的滚动轴承故障诊断过程中,先验故障信息利用不充分和故障样本不完备,导致诊断精度不高甚至无法诊断的问题,充分发掘轴承故障位置和损伤程度与振动数据特征间的映射关系,提出一种考虑滚动轴承故障位置与损伤程度的双分支卷积神经网络故障诊断方法.该方法首先将原始振动信号矩阵化,构建二维灰度图像数据集,然后...