共查询到10条相似文献,搜索用时 421 毫秒
1.
《中国激光》2017,(10)
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。 相似文献
2.
3.
4.
5.
《现代电子技术》2019,(18)
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。 相似文献
6.
《现代电子技术》2016,(16)
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。 相似文献
7.
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。 相似文献
8.
9.
10.
《现代电子技术》2015,(23)
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%。 相似文献