共查询到18条相似文献,搜索用时 203 毫秒
1.
周碧英 《计算机与数字工程》2012,40(12):10-11,93
神经网络模型在非线性系统预测控制中得到广泛地应用,但是存在预测控制律难以求取的问题,文章提出模拟退火粒子群优化(SAPSO)算法来进行优化求解。在对PSO算法与SAPSO算法进行分析的基础上,采用SAPSO优化算法对神经网络预测控制策略进行了优化,再通过仿真实验对PSO算法与SAPSO算法的预测性能进行了比较。仿真结果表明SAPSO优化算法能有效减少迭代次数、提高收敛精度。 相似文献
2.
综合基本微粒群优化算法(Particle Swarm Optimization,PSO)和模拟退火(Simulated Annealing,SA)算法,提出了一种新型的协同进化方法(SAPSO)。通过PSO和SA两种算法的协同搜索,可以有效地克服微粒群算法的早熟收敛。用SAPSO训练神经网络,并将其用于延迟焦化装置粗汽油干点和高压聚乙烯熔融指数的软测量建模。与几种常见建模方法比较,结果表明该软测量模型具有更高的测量精度和更好的泛化性能,能够满足现场测量要求。 相似文献
3.
针对滚动轴承故障诊断难以获得大量样本的问题以及LS-SVM 模型参数选择方法易陷入局部最优的缺点,提出了一种集合经验模态分解能量熵和差分进化算法(DE)优化最小二乘支持向量机相结合的轴承故障诊断方法。首先原始振动信号采用EEMD分解得到一组固有模态函数(IMF),从有效本征模态函数IMF分量中提取的能量特征作为输入建立支持向量机,通过计算不同振动信号的能量熵值大小来判断轴承的故障损伤程度。为了提高模型的诊断精度,采用差分进化算法对LS-SVM的结构参数进行优化,并与LS-SVM和PSO-LSSVM模型相比较。结果表明,DE-LSSVM 模型的故障分类准确性得到了提高,可以有效应用于滚动轴承故障诊断中。 相似文献
4.
5.
提出了一种基于PSO-RBF神经网络的电机轴承故障诊断方法.针对RBF神经网络泛化能力方面的不足,利用PSO算法对RBF神经网络的参数进行优化,然后采用优化后的PSO-RBF神经网络对轴承的故障形式进行诊断.结果表明, PSO-RBF神经网络的分类效果较好,在故障诊断领域有很好的应用价值. 相似文献
6.
7.
功率开关器件是逆变器的核心部件,但其易发生开路故障,故对其进行故障诊断方法研究很有必要。针对中点钳位型(Neutral Point Clamped,NPC)三电平逆变器功率开关管器件的开路故障,提出一种基于总体经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)模糊熵和粒子群算法(Particle Swarm Optimization,PSO)优化的核函数极限学习机(Kernal Extreme Learning Machine,KELM)的故障诊断方法。首先采样功率开关器件的桥臂输出端的三相电压作为故障信号以区分各种故障类型,然后利用EEMD模糊熵提取故障特征向量,最后将其划分为训练集和测试集送入PSO-KELM中,识别故障类型并输出诊断结果。经MATLAB平台仿真实验得到该方法的故障诊断率超过98%,通过与其他方法的对比实验分析,该方法的有效性与优势得到验证。 相似文献
8.
基于模拟退火的并行粒子群优化研究 总被引:17,自引:0,他引:17
针对粒子群优化(PSO)容易陷入局部极小,提出将模拟退火(SA)引入并行PSO算法.这种模拟退火并行粒子群算法,结合了并行粒子群算法的快速寻优能力和SA的概率突跳特性,保持了群体多样性,从而避免了种群退化.针对转炉提钒过程是一个复杂非线性反应过程而难以建立终点控制模型的问题,提出了基于模拟退火的并行粒子群RBF网络的辨识模型,优化了RBF核中心个数,从而克服了随机性选择.将该模型用于预测提钒吹氧时间,仿真结果表明预测误差不超过真实值的20%. 相似文献
9.
一种改进PSO优化RBF神经网络的新方法 总被引:3,自引:0,他引:3
为了克服神经网络模型结构和参数难以设置的缺点,提出了一种改进粒子群优化的径向基函数(RBF)神经网络的新方法.首先将最近邻聚类用于RBF神经网络隐层中心向量的确定,同时对引入适应度值择优选取的原则对基本粒子群算法进行改进,采用改进粒子群(IMPSO)算法对最近邻聚类的聚类半径进行优化,合理的确定了RBF神经网络的隐层结构.将改进PSO优化的RBF神经网络应用于非线性函数逼近和混沌时间序列预测,经实验仿真验证.与基本粒子群(PSO)算法,收缩因子粒子群(CFA PSO)算法优化的RBF神经网络相比较,其在识别精度和收敛速度上都有了显著的提高. 相似文献
10.
11.
Ling-Lai Li Dong-Hua Zhou Ling Wang 《国际自动化与计算杂志》2007,4(2):183-188
Fault diagnosis of nonlinear systems is of great importance in theory and practice, and the parameter estimation method is an effective strategy. Based on the framework of moving horizon estimation, fault parameters are identified by a proposed intelligent optimization algorithm called PSOSA, which could avoid premature convergence of standard particle swarm optimization (PSO) by introducing the probabilistic jumping property of simulated annealing (SA). Simulations on a three-tank system show the effectiveness of this optimization based fault diagnosis strategy. 相似文献
12.
Melt index prediction by RBF neural network optimized with an MPSO-SA hybrid algorithm 总被引:2,自引:0,他引:2
Jiubao LiAuthor VitaeXinggao LiuAuthor Vitae 《Neurocomputing》2011,74(5):735-740
Melt index (MI) is considered as an important quality variable which determines the product specifications, so reliable estimation of MI is crucial in the quality control of practical polypropylene (PP) polymerization processes. A novel MPSO-SA-RNN (modified PSO-SA algorithm and RBF neural network) MI prediction model based on radial basis function (RBF) neural network and artificial intelligent algorithms particle swarm optimization (PSO), and simulated annealing (SA) is presented, where the traditional PSO is modified first and then combined with SA to overcome the inherent defects in PSO and SA, and to achieve better optimization performance. The proposed optimization algorithm, MPSO-SA algorithm, is then used to optimize the parameters of the RBF neural network. Then the network is employed to build the MI prediction model, and the MPSO-SA-RNN model is thereby developed. Based on the data from a real plant, the approach presented above is evaluated and the research results confirm the validity of the proposed model, as well as the advantage of MPSO-SA algorithm to the traditional PSO and SA algorithms in handling optimization problems. 相似文献
13.
为解决网络流量时间序列的预测问题,针对传统BP神经网络的网络流量时间序列预测模型容易陷入局部极小值的不足,提出一种基于模拟退火的微粒群算法训练神经网络的网络流量时间序列预测模型.将模拟退火算法和基本粒子微粒群算法相结合,设计出一种基于模拟退火的微粒群算法.利用基于模拟退火微粒群算法优化BP神经网络的权值和阀值,对实际采集的网络流量时间序列进行建模.实验结果表明,基于模拟退火的微粒群算法训练的神经网络具有较高的预测效果,相对于传统的神经网络模型具有更高的预测精度和良好的自适应性. 相似文献
14.
一种模拟退火和粒子群混合优化算法 总被引:3,自引:1,他引:2
针对粒子群优化算法(PSO)容易陷入局部极值点、进化后期收敛慢和优化精度较差等缺点.把模拟退火技术(SA)引入到PSO箅法中,提出了一种混合优化算法.混合优化算法在各温度下依次进行PSO和SA搜索,是一种两层的串行结构.由于PSO提供了并行搜索结构,所以,混合优化算法使SA转化成并行SA算法.SA的概率突跳性保证了种群的多样性,从而防止PSO算法陷入局部极小.混合优化算法保持了PSO算法简单容易实现的特点,改善了算法的全局优化能力,提高了算法的收敛速度和计算精度.仿真结果表明,混合优化算法的优化性能优于基本PSO算法. 相似文献
15.
16.
17.
18.
A self-organizing and self-evolving agents (SOSENs) neural network is proposed. Each neuron of the SOSENs evolves itself with a simulated annealing (SA) algorithm. The self-evolving behavior of each neuron is a local improvement that results in speeding up the convergence. The chance of reaching the global optimum is increased because multiple SAs are run in a searching space. Optimum results obtained by the SOSENs are better in average than those obtained by a single SA. Experimental results show that the SOSENs have less temperature changes than the SA to reach the global minimum. Every neuron exhibits a self-organizing behavior, which is similar to those of the self-organizing map (SOM), particle swarm optimization (PSO), and self-organizing migrating algorithm (SOMA). At last, the computational time of parallel SOSENs can be less than the SA 相似文献