基于蚁群神经网络船舶发电机故障诊断

BP神经网络在船舶发电机故障诊断中有广泛的应用,但由于BP网络采用的是沿梯度下降的搜索求解算法,存在收敛速度慢、且容易陷入局部极小等问题,给故障诊断带来不便.为此,采用蚁群优化算法代替反向传播算法训练神经网络的权值和阈值.以船舶发电机中的同步发电机为例,利用训练后的蚁群神经网络对其进行故障诊断,并把BP神经网络和蚁群神经网络的训练和诊断结果相比较,结果表明蚁群神经网络具有较好的训练性能、收敛速度、诊断精度和良好的故障识别率,应用于船舶发电机的故障诊断中,具有较好的应用前景.     

基于蚁群算法的过程神经网络研究

为提高前馈过程神经网络的全局收敛能力和训练速度,提出一种蚁群过程神经网络模型,利用蚁群算法分布式计算、鲁棒性强的特点,将蚁群算法应用于前馈过程神经网络的训练,给出了蚁群过程神经网络的拓扑结构,讨论了蚁群过程神经网络的训练机制,分析了其计算特点.并将蚁群过程神经网络应用于黑龙江省年度GDP(Gross Domestic Product)预测,验证了蚁群过程神经网络的有效性.     

变异蚁群神经网络及其对DTC转速的辨识

将变异机制引入基本蚁群算法中,然后利用这种变异蚁群算法去优化神经网络的权值,有效地解决了神经网络容易陷入极小点的缺点,同时又远比只采用单一的基本蚁群算法提高了收敛速度,从而得到一种时间效率和求解效率都比较好的启发式方法,即变异蚁群神经网络．通过对直接转矩控制中电机转速进行辨识的仿真实验,结果表明：这种变异蚁群神经网络兼具了神经网络和蚁群算法两方面的优点,不仅具有广泛的映射能力,还明显提高了运算效率,用变异蚁群神经网络构造的转速辨识器能够准确地跟踪电机转速的变化,使系统具有良好的动态性能．     

蚁群神经网络在变压器故障诊断中的应用

针对蚁群算法收敛速度慢的问题, 提出了一种改进方法, 通过为蚁群算法增加一种收敛因子, 使其在信息素的全局更新中为每次迭代产生的最优路径赋予额外的信息素增量, 降低了算法陷入局部最优解的可能性。分析了改进蚁群算法的收敛性, 并对其寻优能力进行了测试, 结果表明, 改进蚁群算法具有较强的寻优能力和较快的收敛速度。用改进蚁群算法优化神经网络并将其应用于变压器的故障诊断, 与BP神经网络诊断结果对比, 蚁群算法优化神经网络具有更快的收敛速度和更高的诊断精度。     

基于蚁群神经网络的调制识别

针对通信信号具有非稳定和信噪比变化范围较大的特点,利用蚁群算法优化的神经网络分类器对各种调制信号的特征矢量进行分类识别,强化神经网络的广泛映射能力和蚁群算法的快速、全局收敛以及启发式学习等特点,避免神经网络收敛速度慢、易于陷入局部极小点的问题.使得分类器的识别率、收敛速度和鲁棒性得到明显改善,仿真实验中的信道为高斯信道,且在信噪比为5dB时也获得了较好的识别率.实验结果证明了此方法的有效性和可行性.     

蚁群神经网络在涡流无损检测中的应用

本文针对RBF神经网络参数选取问题,提出蚁群智能算法优化RBF神经网络,该算法利用正反馈机制迅速确定较优中心节点,同时利用其分布式计算特点避免算法过早的收敛。在涡流无损检测中的应用表明:蚁群算法提高了中心节点的聚类质量,优化了RBF网络结构,提高了识别的精度,应用效果良好。     

蚁群算法优化RBF神经网络的网络流量预测

传统RBF神经网络在网络流量预测过程中存在收敛速度慢、极易出现局部最优等缺点,从而导致预测精度低。采用蚁群算法优化RBF神经网络参数来进行网络流量预测。利用蚁群优化算法来训练RBF神经网络的基函数宽度和中心,简化网络结构,加快收敛速度,防止局部最优的出现,改善RBF神经网络的泛化能力。实验结果表明,相对于GA-RBF以及PSO-RBF流量预测模型,模型预测准确度更高,能够很好地描述网络流的变化规律。具有泛化能力强、稳定性良好的特点,在网络流量预测中有一定的实用价值。     

基于混合蚁群算法的物流配送路径问题

蚁群算法在解决旅行商等著名问题时得到了卓有成效的应用,但解决大规模问题时,其收敛速度较慢且耗时较长;同样,郭涛算法在解决复杂优化问题时取得了良好效果,但会产生大量无为的冗余迭代,求解效率低;文章汲取蚁群算法和郭涛算法的优点,提出混合蚁群算法,建立混合蚁群算法数学模型,得到时间效率和求解效率都比较好的一种新的启发式算法.     

基于蚁群神经网络的泵车主泵轴承性能评估

针对BP神经网络、遗传神经网络等智能算法在机械设备关键部件的性能评估过程中训练收敛速度慢,且会遇到局部极小的问题,提出一种运用蚁群算法训练神经网络的权值和阈值的混合智能算法--蚁群神经网络.将蚁群神经网络应用于混凝土泵车主泵系统中主泵轴承的模式识别和性能评估.结果表明,蚁群神经网络能很好地解决收敛速度慢、局部极小的问题,提高了分类精度,展现了良好的应用前景.     

基于蚁群优化的Elman神经网络在故障诊断中的应用研究

指出普通Elman神经网络BP学习算法的不足,将蚁群算法和Elman神经网络相融合,采用信息素挥发因子ρ和信息素τ更新策略自动调整的自适应蚁群算法优化Elman神经网络的权阚值,并将其应用到柴油机涡轮增压系统故障诊断中.仿真实验表明,优化的Elman神经网络有较快的收敛速度和较高的故障诊断精度,可以有效地诊断柴油机涡轮增压系统的故障,能够更好地避免局部最小,实现了对柴油机涡轮增压系统故障的有效诊断.     

高效的遗传蚁群组合算法在QoS路由上的运用

针对现有遗传蚁群算法中算法融合不佳与系统易出现拥塞现象等问题,根据遗传算法与蚁群算法不同时期的优点,提出了一种高效的遗传蚁群组合算法。该算法通过根据遗传算法的群体代价关系,提出了新的融合机制;为缓解系统最优化后所产生的节点负载压力,引入了防拥塞的赏罚机制。实验结果表明,该算法能够在保证系统传输效率的同时有效的防止数据丢包现象,与传统算法相比具有高效率、低耗能以及防丢包等优势。     

基于蚁群算法和神经网络的位移反分析

运用蚁群算法和人工神经网络构造了位移反分析的蚁群人工神经网络模型，并基于正交试验获得的训练样本对网络进行学习，以此训练好的神经网络模型来描述岩体力学参数和位移之间的关系。该方法以神经网络为基础，用蚁群算法来学习神经网络的权系数。利用反演结果，建立快速拉格朗日快速计算法（FLAC）模型，对地表沉陷进行预测。结果表明：用蚁群算法训练神经网络，可兼有神经网络广泛映射能力和蚁群算法快速全局收敛的性能。     

基于蚁群算法和神经网络的位移反分析

运用蚁群算法和人工神经网络构造了位移反分析的蚁群人工神经网络模型,并基于正交试验获得的训练样本对网络进行学习,以此训练好的神经网络模型来描述岩体力学参数和位移之间的关系。该方法以神经网络为基础,用蚁群算法来学习神经网络的权系数。利用反演结果,建立快速拉格朗日快速计算法(FLAC)模型,对地表沉陷进行预测。结果表明:用蚁群算法训练神经网络,可兼有神经网络广泛映射能力和蚁群算法快速全局收敛的性能。     

遗传算法与神经控制的融合算法研究

遗传算法和神经控制是现代智能控制常用的两种方法,它们具有各自的优点和不足。将遗传算法用于前向神经网络的可能性进行了研究,阐明了遗传算法和神经网络结合的必要性。针对遗传算法和神经控制各自的优缺点,设计了二者的融合算法,将遗传算法应用于神经网络控制器的学习和训练,从而使建立的控制器兼有二者的优点,具有神经网络的广泛映射能力和遗传算法快速全局收敛以及增强式学习等性能,继而提高控制系统的性能。运用该方法对电加热炉温度控制系统进行的仿真实验,实验结果体现了良好的控制效果,证明了融合算法的优越性。     

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MATLAB的改进型基本蚁群算法

蚁群算法是一种新型的模拟进化算法。是继GA、SA、TS等算法之后求解组合优化问题的一种新思路。人工蚁群算法通过模拟蚁群搜索食物的行为,采用正反馈结构、分布式计算与某种启发式算子相结合的方法,能够很快地发现较好解。本文给出一种基于MATLAB的改进型基本蚁群算法,有效地降低了算法的复杂度,缩短了搜索时间,具有较强发现最好解的能力。     

基于连续优化蚁群算法的神经网络在喷射器性能预测中的应用

以现有的喷射器实验数据集作为样本,用单隐层前向神经网络预测喷射器的性能,网络的训练分别采用连续蚁群系统(CACS)算法和连续蚁群优化(ACOR)算法.数值实验结果显示,用这两种蚁群算法所训练的神经网络对于喷射器性能的预测精度能够满足实际工程的要求,其中ACOR算法的训练误差小于一般的BP算法,预测精度也有所提高.     

基于改进人工蜂群算法优化小波神经网络的短时交通流预测

为了提高城市道路短时交通流量的预测精度,克服小波神经网络预测过程中存在收敛速度较慢、容易陷入局部最优的缺点,提出改进的人工蜂群算法优化小波神经网络预测模型。该算法引入差分进化算法中的自适应变异操作和遗传算法中的选择算子、交叉算子与变异算子来优化传统的人工蜂群算法,改善人工蜂群算法后期收敛速度慢、局部搜索能力弱的缺点。本文使用该算法优化小波神经网络的参数并对短时交通流进行预测,模型的仿真结果表明,改进人工蜂群算法优化小波神经网络预测的结果误差更小,精确度更高,训练次数少,具有较高的实际应用价值。