基于粒子群支持向量机的钢板损伤位置识别

基于光纤布拉格光栅(FBG)构建的传感器网络,将粒子群(PSO)算法与最小二乘支持向量机(LSSVM)相结合,应用于304钢板损伤识别研究中。以FBG中心波长变化量的信息特征为输入量,钢板结构损伤位置为输出量,构建基于LSSVM的损伤识别预测模型,并与相同条件下构建的反向传播(BP)神经网络预测模型进行对比验证。采用PSO算法优化LSSVM损伤识别模型的核函数参数σ和正则化参数γ,实现钢板结构的损伤位置识别。在300mm×300mm×1mm钢板实验区域,对34组样本进行了损伤位置识别测试。结果表明,33组损伤位置得到了准确识别,准确率达97.06%。这表明PSO优化后的LSSVM的损伤识别预测模型具有自诊断功能。     

三目标柯西粒子群算法的电力系统无功优化

通过建立有功网损最小、电压偏差最小和静态稳定电压裕度最大的三目标无功优化模型。提出柯西粒子群算法,并针对IEEE14节点系统进行三目标电力系统无功优化。当种群多样性较差时,通过对交叉的粒子进行柯西变异从而扩大搜索空间,提高种群多样性,防止出现过早的收敛,进而避免了算法陷入局部最优解的问题,同时也提高了收敛速度。通过数据测试和比较柯西粒子群算法在收敛速度、精度、全局搜索能力上均优于常规差分进化算法和常规粒子群算法。其结果验证了该模型和算法的有效性,为电力系统安全经济运行提供了参考。     

基于自适应粒子群优化算法的限速标志识别

针对经典的粒子群优化算法收敛性能不足的问题,提出了一种自适应粒子群优化算法。该算法对进化过程中的收敛方向进行动态调整,通过学习因子对参数选取过程进行调节,使收敛的初期趋向全局最优,后期趋向局部最优。采用自适应粒子群优化算法对支持向量机模型参数进行优化,并应用于限速标志的识别,实验结果表明,文中基于自适应粒子群优化算法的方法拥有较高的识别率,同时算法收敛性显著高于经典的粒子群优化算法。     

基于改进SVM的通信干扰识别

目前直扩通信系统的抗干扰算法仅能够针对一种干扰类型进行抑制,因此有必要对各类干扰进行识别,从而选取相应的抑制算法。针对通信干扰的识别方法进行研究,建立基于SVM算法的通信干扰识别模型。常规SVM算法性能依赖于参数选取,而常规SVM算法参数选取多是通过人工经验选取,存在较大的随机性和盲目性,因此该文使用遗传免疫粒子群优化SVM算法,提高算法和识别模型的性能。使用Matlab针对研究的通信干扰识别模型进行仿真。研究结果表明,所建立的通信干扰识别模型性能优于常规SVM算法和BP算法建立的识别模型。     

基于QPSO-LSSVM的网络通信负载状态识别系统设计

基于PSO-LSSVM识别网络通信负载状态识别时,粒子群算法(PSO)容易陷入局部最优解,文中采用全局搜索性能优的量子粒子群算法(QPSO)与最小二乘支持向量机模型(LSSVM)结合设计网络通信负载状态识别系统。该系统硬件主要包括WinPcap数据采集模块、SPI通信接口电路、负载识别模块,WinPcap数据采集模块捕获、转换网络通信负载状态原始数据包存储在电子标签中,SPI通信接口电路负责P89LPC932与MF RC522的数据传输,负载识别模块的MF RC522读取电子标签中的网络状态数据,基于QPSO-LSSVM识别网络通信的负载状态;软件部分采用QPSO优化LSSVM,将最优粒子作为LSSVM的参数,构建最优LSSVM识别网络通信负载状态。仿真结果显示:该系统识别网络通信负载状态稳定性强、效率高,为监测网络通信负载状态提供一种可靠方式。     

车牌图像特征提取及改进神经网络的识别算法研究

针对车牌字符图像进行特征提取与识别算法的研究。使用BP神经网络识别算法建立车牌字符图像的识别。由于常规BP神经网络算法本身存在训练过程容易陷入局部最小值、收敛效率低以及网络结构参数不易确定等缺点。另外,BP网络结构参数的选取对算法的性能影响很大,而参数的选取通常是根据经验公式选取的,存在很大的随机性和盲目性,使算法的性能无法得到保证。因此该文使用收敛速度快、适用于全局搜索的PSO优化算法对BP神经网络算法的性能进行优化,研究一种双粒子群优化的改进BP神经网络算法。最后通过车牌识别实验对识别算法进行研究,结果表明,通过对神经网络算法进行改进,使用其建立汉字识别模型、字母识别模型以及混合识别模型的识别准确率均优于常规神经网络算法建立的模型,具有较好的识别性能。     

基于改进LSSVM的城市轨道交通供电故障诊断方法

小样本条件下供电系统故障快速诊断是保证城市轨道交通安全稳定运行的保证。文中提出了一种基于量子粒子群优化最小二乘支持向量机(LSSVM)的供电系统故障诊断方法。该方法首先基于主成分分析提取能够表征系统运行状态的特征参数,并降低数据维数。然后利用LSSVM构建小样本故障诊断模型,通过量子粒子群算法对LSSVM模型参数进行优化,设计了自适应检测机制和自适应扰动操作,提高优化算法的全局搜索能力。实验结果表明,该方法能够有效提取故障特征,具有更高的全局搜索能力,对供电系统故障的诊断正确率更高。     

基于LSSVM的六价铬含量预测模型

设计一种六价铬自动测量系统,为提高测量的准确度,使用最小二乘支持向量机(LSSVM)算法建立预测模型,并使用混合蛙跳算法优化LSSVM算法的参数,可避免算法收敛于局部最优,增强算法的泛化能力,减少算法对异常样本的预测偏差,提高精度。通过对神经网络模型及LSSVM模型进行仿真对比,结果显示LSSVM模型的六价铬含量预测误差更小。     

一种基于分布估计的离散粒子群优化算法

 本文提出了一种基于分布估计的离散粒子群优化算法.提出的新算法突破了传统粒子群速度-位移搜索模型的局限,且种群中的每个粒子具有更全面的学习能力,从而能够有效地解决组合优化问题.仿真实验结果表明提出的新算法的性能优于现有的其它几种离散粒子群优化算法.     

基于智能算法的机械加工参数优化方法研究

将BP神经网络预测模型应用于电火花加工参数优化方法中,从而针对不同的加工工艺要求预测出最佳的脉冲间隔t0和宽度t1以及峰值电流ie组合。由于常规的BP神经网络存在容易陷入极小值以及学习速率低等缺点,而常规GA优化算法存在容易陷入局部最优解、容易早熟等问题,提出一种对GA算法的染色体结构和遗传算子进行改进并引入自适应交叉和变异概率优化BP神经网络结构参数的改进型GA-BP神经网络算法。最后通过实验,对电火花加工参数优化模型性能进行评价,与常规GA-BP神经网络算法建立的参数优化模型相比,提出的参数优化模型的预测结果更加接近真实值,预测的平均准确率达到96.13%,高于常规GA-BP神经网络算法建立预测模型5.2%。