基于改进粒子群优化的BP网络蒸汽发生器典型故障诊断

对BP神经网络在蒸汽发生器故障诊断中的应用进行了研究,针对BP神经网络训练时易于陷入局部最小值的问题,利用粒子群优化算法对BP神经网络的权值和阈值进行了优化,并对粒子群优化算法的惯性权值作了自适应调整,以蒸汽发生器为对象进行了故障诊断实验,实验结果表明:自适应调整粒子群优化算法的惯性权值可以提高该算法的收敛速度和精度,利用改进后的粒子群优化算法对BP神经网络进行优化,可以提高BP神经网络的诊断性能。     

基于粒子群神经网络的含硼富燃料推进剂一次燃烧性能计算

使用粒子群算法(particle swarm optimization,PSO)来优化误差反传(back propagation,BP)神经网络的权重和阈值,建立了粒子群神经网络(PSO-BP)计算模型,利用该模型对含硼富燃料推进剂的一次燃烧性能进行了模拟计算,当端羟基聚丁二烯(HTPB,28％ ～32％)、高氯酸铵(...     

某交流伺服系统的免疫克隆粒子群优化自抗扰控制

针对采用永磁同步电机(permanent magnet synchronous motor,PMSM)驱动的某火箭炮位置交流伺服系统存在摩擦力矩、外界扰动等一系列复杂非线性问题,设计一种基于免疫克隆粒子群优化算法的自抗扰控制器(IPSO-ADRC).根据自抗扰控制(active disturbance rejection control,ADRC)抗干扰能力强和粒子群优化算法(particle swarm optimization,PSO)寻优能力强的特点,采用免疫克隆粒子群优化算法在线整定自抗扰控制器的重要参数;并将克隆选择算法(clonal selection algorithm,CSA)融入到粒子群算法中,维护群体种类的差异性,解决PSO算法的缺陷问题.仿真实验结果证明:该控制策略使系统的稳态性能更好,并能提升系统的动态品质.     

基于粒子群优化极限学习机的雷达识别方法

针对相控阵雷达识别的问题,提出一种基于粒子群优化极限学习机(PSO-KELM)的识别方法.在核函数极限学习机(kernel extreme learning machine,KELM)的基础上,引入粒子群优化算法(particle swarm optimization,PSO),求得核函数参数最优解,提高相控阵雷达识别准确率.通过构建雷达数据库,使用粒子群优化极限学习机的方法对不同噪声情况下的雷达数据进行识别,并与核函数极限学习机、核函数支持向量机(kernel support vector machine,KSVM)和半监督式迁移学习(semi-supervised and transfer learning,SSTL)的方法进行对比.仿真结果表明:在不同雷达种类和不同噪声情况下,该方法识别准确率均高于其他方法.     

基于改进PSO-LSSVM 的军用工程机械研制费用预测模型

针对传统参数法对装备研制费用进行预测存在的局限性问题,采用改进粒子群算法（particle swarm optimization,PSO）对LSSVM模型进行改进,构建军用工程机械研制费用预测模型。运用2种优化策略改进粒子群算法,对种群初始化过程进行控制、克服粒子群算法易于早熟的缺点。用改进后的粒子群算法优化最小二乘支持向量机的模型参数和核参数,以获得更好的预测效果。预测结果表明：该费用预测模型运用于军用工程机械研制费用预测,明显优于传统预测模型,具有很好的预测精度和效率。     

基于粒子群优化的静电陀螺支承控制优化设计

静电陀螺支承控制系统的结构和参数优化对提高其性能具有重要影响.利用基于差分进化联合三目标速度方程改进的粒子群优化算法,分别针对具有线性和负刚度特性的静电支承控制系统模型进行了参数优化设计.结果表明,改进的粒子群优化算法具有更快的收敛速度和全局寻优能力.所优化的参数可以提高静电支承控制系统动态性能.     

基于IPSO_LS-SVM 的国防科研项目概算价格估算研究

为解决国内在估算方法选择和模型性能优化上存在的问题,利用改进的粒子群算法优化最小二乘支持向量机(least squares support vector machine,LS-SVM)的参数选择方法,对国防科研项目概算价格估算进行研究.依据最小二乘支持向量机原理,通过优化其参数选择方法,建立了IPSO_LS-SVM概算价格估算模型,并对其进行模型训练和结果验证.结果表明:IPSO_LS-SVM方法估算精度更高,参数寻优速度更快,其估算模型具有有效性和优越性.     

一种改进粒子群优化HMM 的故障诊断方法

针对传统故障诊断方法不能准确定位故障位置的问题,提出一种改进粒子群优化隐马尔科夫模型(hidden markov model,HMM)的故障诊断方法.应用HMM识别综合传动装置故障模式,用模糊集定义模式研究电压信号特征提取方法,并根据特征值的敏感程度进行优化选择;应用3种HMM对综合传动装置在不同运行状态下的故障信号进行故障诊断,并且对诊断结果进行对比.结果表明:改进粒子群优化的HMM模型能快速有效地识别综合传动装置中磨损、损坏等故障模式,适用性良好,可应用于实际综合传动装置系统的故障诊断.     

基于大数据分析技术的战场态势分析及预测

针对信息化条件下联合作战产生的海量、多源、复杂的战场数据,提出一种Hadoop 分布式数据处理平台。 收集海量数据进行战场态势(battle field situation,BS)要素分析,用粒子群算法(particle swarm optimization,PSO) 优化极限学习机(extreme learning machines,ELM)的方法对战场态势历史数据进行训练,构建战场态势预测模型; 并采用Matlab2018 对战场态势进行模拟仿真。仿真结果表明：Hadoop 处理海量战场数据效率更高,可有效提高战 场态势的预测精度,为辅助指挥员快速掌握复杂战场态势提供新的方法和途径。     

无线传感器网络节点定位的混沌粒子群优化算法

针对粒子群优化算法收敛速度慢且稳定度不高的问题,把混沌寻优思想引入到粒子群优化算法中,提出一种基于混沌粒子群优化算法的无线传感器网络节点定位算法。该算法首先对当前粒子群中的最优粒子进行混沌寻优,然后用混沌寻优的结果随机替换粒子群体中的一个粒子,通过迭代搜索最佳坐标。仿真结果表明,在参数合理设置的前提下,该算法性能稳定,并且具有较快的定位速度和较高的定位精度。     

基于粒子群算法优化最小二乘支持向量机的电路故障诊断方法

针对数／模混合电路故障的特点,采用将粒子群算法与最小二乘支持向量机相结合的故障诊断方法,在保证诊断过程准确率的基础上,实现多类故障的快速诊断。在诊断过程中,支持向量机的参数寻优过程存在随意性、盲目性和效率低等问题,采用改进的粒子群算法优化支持向量机的参数,建立基于支持向量机的故障分类模型。实验结果表明,与其他方法相比,该方法提高了故障诊断的精度,具有明显的实用价值。     

基于气动参数辨识的飞控系统传感器故障估计

气动参数的不确定性使得飞行器表现出明显的模型时变特点,此类系统的故障诊断问题是一个难点。以无人机纵向运动为研究对象,提出一种基于气动参数辨识和迭代学习的传感器故障估计方案。将增广容积卡尔曼滤波（ACKF）算法用于气动参数估计,实现飞机模型的在线辨识。故障一旦发生,将辨识得到的气动参数用于局部包络建模,并利用迭代学习算法构造传感器故障估计器。此外,为提高故障的迭代收敛速度,提出一种基于扩张状态观测器(ESO)思想的迭代学习算法。故障仿真实验表明了所提方法的可行性和有效性。     

基于改进多层核超限学习机的模拟电路故障诊断

为兼顾模拟电路多故障诊断的实用性和诊断精度,基于仿真诊断模型的测试性应用框架,结合深度学习与核方法的优势,提出一种多层单纯形优化核超限学习机（ML-SOKELM）方法。将有效初选后的数据集输入多层核超限学习机逐层提取故障特征并进行诊断;训练过程中,将各层核参数向量视为待优化变量,运用单纯形法对其进行联合优化。实验结果表明：与常见的深度学习方法相比,ML-SOKELM方法对主观经验依赖性更低,在训练时间大大缩短的同时,还能获得与之相当的准确率;与流行的核方法相比,ML-SOKELM方法在不同模糊度阈值下均能获得较高的诊断准确率。     

基于改进粒子群优化算法的近炸引信最佳炸高计算方法

针对近炸引信适时起爆战斗部关系到对目标有效攻击乃至高效毁伤的问题,提出研究引信与战斗部配合的最优关系计算方法。建立引信近炸时战斗部威力数学模型,依据粒子群优化算法分析相关参数之间的关系;利用欧拉距离法对惯性权重进行动态更新,得到改进粒子群优化算法,将其应用于数学模型中,获得引信与战斗部配合威力计算模型。通过仿真实验得出杀伤面积与引信近炸时炸高、弹丸落角的关系,确定引信与战斗部配合最佳威力的条件,计算最大杀伤面积、90%杀伤面积对应区间和对应炸高。结果表明：该方法是可行和有效的,比传统方法计算最大杀伤面积精度更高,比粒子群优化算法收敛速度更快,更能满足靶场试验和实战化射击对计算速度的需求。     

基于LS-SVM的飞机部件故障率预测

支持向量机具有完备的统计学习理论基础和学习功能。它用核函数建立预测模型,再用已知数据为学习样本训练学习机,用检验样本进行验证、预测系统未来故障。最小二乘支持向量机(LS-SVM)采用最小二乘线性系统作为损失函数,函数估计精度高、收敛速度快。基于支持向量机的多层参数寻优、等维信息一步预测和不等维信息多步预测,可用于飞机状态评估、故障诊断和参数预测以及故障率分析。     

基于离散粒子群优化算法的多值属性系统故障诊断策略

针对传统离散粒子群优化（PSO）算法仅能搜索多值属性系统（MVAS）最小完备测试集的问题,通过重塑离散PSO算法,提出一种测试序列寻优算法—PSO-测试(TS)算法。在多值D矩阵和五元组的基础上,公式化处理MVAS的诊断策略。重塑离散粒子群的过程,将离散PSO算法与MVAS的故障诊断策略融合。设置PSO-TS算法的自身认知和社会知识阶段的计算规则,并通过引入交换序提升PSO-TS算法中粒子的多样性。采用实例和随机仿真实验验证PSO-TS算法。研究结果表明：与MV-Rollout和MV-IG算法相比,PSO-TS算法的期望测试费用少,能够获得较优的诊断策略,但是运行时间较长。     

一种改进粒子群算法优化BP神经网络实现核素识别方法

为获得全局最优点,提出一种改进粒子群算法优化BP神经网络实现核素识别方法.该算法用一种动态改变惯性权重与学习因子的自适应方法,优化BP神经网络的阈值与权值,通过训练BP神经网络识别模型得到粒子群的全局最优解,利用最优权值与阈值实现核素识别.分析结果表明:该方法不仅能更快地收敛于最优解,同时能更好地平衡全局搜索和局部搜索能力,有效地改善算法的收敛速度和识别精度.     

基于遗传粒子群算法的底排参数优化

为优化底排装置结构和药柱燃速系数,以某型底部排气弹为例,分析确立了设计变量和目标函数,综合遗传算法和粒子群优化的优点,设计了遗传粒子群优化算法,结合建立的底排内外弹道模型,构建了基于GA-PSO的底排参数优化模型。算例中优化方案能增加底排弹的减阻率,底排工作时间延长9.56 s,落点存速增加6.01 m/s,最大射程增加1 892.95 m,增幅5.02%。该文设计的GA-PSO具有较好的稳定性和较快的收敛速度,优化模型可以为底部排气弹底排装置的设计提供参考,也可以作为其他相似寻优问题的基本模型。     

基于局部线性模型树模型的柴油机进气系统漏气和堵塞故障诊断

柴油机进气系统漏气和堵塞等性能退化型故障将会导致排放恶化和经济性下降。针对进气系统具有较强的非线性,难以建立精确的数学模型问题,提出基于局部线性模型树（LOLIMOT）模型的故障诊断方法,为在线故障诊断提供一种思路。提取进气压力波的一次谐波信号幅值与相位、充量系数为故障特征,采用 LOLIMOT方法对充量系数、进气压力波动幅值与相位信号建立基于发动机转速和进气密度的参考模型;采用奇偶方程生成3个残差信号,计算各个残差信号的阈值;分析残差信号和故障类型的映射关系。结果表明：所建进气压力波动幅值LOLIMOT模型、进气压力波动相位LOLIMOT模型、充量系数模型验证数据与模型仿真数据具有较高线性相关度;采用充量系数、进气压力波幅值与相位为故障特征值建立的LOLIMOT模型生成残差信号的故障诊断方法,可诊断进气系统漏气故障和中冷器堵塞故障。