改进粒子群优化BP神经网络的轮毂分类算法

针对轮毂识别系统前期图像特征提取误差较大时分类准确性降低的问题,提出了基于改进粒子群算法优化BP神经网络的轮毂识别模型。在标准粒子群中引入遗传算法的变异因子、惯性权重、时间因子、速度边界限制和反弹策略,以改进粒子群算法,从而提高寻找最优阈值与权值的性能。经过与不同算法的对比数据看出,采用改进粒子群优化BP神经网络算法的分类识别率比其他算法提高了9%左右,且收敛速度、收敛精度均有提高,证明了所提IPSO(improved particle swarm optimization)算法的有效性。     

基于数据驱动方法的污水源热泵故障诊断研究

利用反向神经网络(BP)构建污水源热泵机组故障诊断模型,并通过粒子群算法(PSO)优化BP神经网络的权值和阈值。以陕西省某大型污水源热泵集中供暖系统为研究对象,采集2017～2018年冬季供暖期间机组的蒸发器,冷凝器,压缩机的压力、温度等工况数据作为训练测试样本,其神经网络的结构以12种故障特征向量作输入端,4种诊断结果作输出端,隐含层根据kolmogorov定理确定为25个,从而建立故障诊断模型,并分析其性能。实验结果表明:经过PSO优化后的BP神经网络故障诊断模型训练迭代次数降低了24.45%,诊断准确率提高了12%,性能优化显著。     

基于粒子群算法的RBF神经网络零件表面缺陷分类

针对金属工件表面缺陷分类问题,提出一种基于粒子群算法的RBF(Radialbasisfunction)神经网络对金属工件表面缺陷进行分类的方法。本文采用线性递减权重法确定PSO算法中的惯性权重,用于消除PSO算法容易早熟及后期容易在全局最优解附近产生振荡现象。将线性递减权重法改进的粒子群算法运用于RBF神经网络,确定RBF神经网络中权值和阈值的最优解,并对RBF神经网络进行训练从而提高分类精度。对比实验结果表明,改进的RBF神经网络对工件表面缺陷的分类平均准确率可达94%,对比标准RBF神经网络分类和BP神经网络分类准确率有较大提高。     

一种改进的高铁桥沉降变形预报方法研究

鉴于传统BP神经网络在高铁桥沉降变形预报中随机性强、收敛速度慢、易陷入局部极值等缺点,本文引入了顾及邻域粒子群影响的改进粒子群算法(IPSO)优化BP神经网络,建立IPSO_BP的高铁桥台沉降变形预报模型,组合模型的预报结果与高铁沉降变形评估方法—Asaoka进行比较,结果表明:基于改进的粒子群优化BP神经网络模型较高铁桥传统BP预报模型收敛速度更快,预报精度更高;预报评估结果与Asaoka方法预报的结果相符,证明了IPSO_BP模型的可靠性和实用性。     

粒子群算法优化的BP网络在GNSS高程拟合中的应用

针对BP网络用于GNSS高程拟合存在收敛速度慢、易陷入局部最优等缺陷,采用粒子群算法(PSO)优化BP神经网络。通过合理选取网络的权值和阈值,对系统的参数进行有效优化,提高网络的泛化能力和拟合准确度。在顾及EGM2008重力场模型的基础上,采取“移去—恢复”策略,用粒子群算法优化的网络进行高程拟合,并与二次多项式曲面拟合法、多面函数法和BP网络拟合方法所得结果进行对比,经工程实例数据验证,结果表明粒子群算法优化的BP网络模型拟合精度更好,可靠性更高,拟合效果较BP网络模型提高了25%,明显优于其它拟合模型,可为高程拟合研究提供新的思路和方法。     

基于粒子群算法的桁架结构优化

粒子群算法(PSO)是一种基于种群智能的优化算法。由于其具有快速收敛和操作简单等特点,粒子群算法在工程、经济管理等诸多领域均得到广泛应用,成为近年来智能计算领域研究的新热点。首先介绍粒子群算法,进而提出对于惯性权重进行线性变化。利用改进的粒子群算法对实际工程桁架结构进行尺寸优化以提高经济效益,并提出合理的参数设置。数据对比分析结果表明,改进的粒子群算法对于桁架结构尺寸优化设计是可行的。     

改进的粒子群优化算法在结构优化中的应用

结构优化设计对于实际工程具有重要的意义。本文通过对标准的粒子群优化算法进行分析,将惯性权重系数引入到原算法中,并建立了相应的优化模型。介绍了改进的粒子群算法的基本思想、结构优化模型及其实施的具体步骤,最后通过算例及与标准PSO优化算法的比较,验证了改进后的方法的效率和有效性。结果表明该方法提高了优化性能,具有很好的应用前景。     

基于FTA-DBN的燃气管道泄漏风险研究

提出了基于事故树分析（FTA）与动态贝叶斯网络（DBN）模型的城市燃气管道事故诊断方法。充分利用FTA良好的系统性和逻辑性进行泄漏事故场景建模,发挥DBN逆向推理能力及后验概率表达准确性的优势,通过分析城市燃气管道泄漏事故可能原因建立相应FTA模型,将其转化为DBN模型并优化,最后融合多源观测信息进行事故场景快速辨识及诊断分析。推理结论与后期事故调查报告结果相符,表明该方法具有良好的合理可行性。     

粒子群优化算法在桁架优化设计中的应用

粒子群优化（PSO）算法是近年来发展起来的一种基于群智能的随机优化算法,具有概念简单、易于实现、占用资源低等优点。为了解决有应力约束和位移约束的桁架的尺寸优化问题,将PSO算法应用于桁架结构的尺寸优化设计。首先介绍了原始的PSO算法的基本原理,然后引入压缩因子改进了PSO算法,并提出合理的参数设置值。对几个经典问题进行了求解,并与传统的优化算法和遗传算法进行了比较。数值结果表明,改进的PSO算法具有良好的收敛性和稳定性,可以有效地进行桁架结构的尺寸优化设计。     

城市生活需水量预测中智能算法的应用研究

在分析城市用水特点、筛选相关影响因素的基础上建立城市生活需水量预测模型,并研究了模型求解过程中智能算法的应用。采用改进的粒子群优化(PSO)算法对反向传播(BP)神经网络的初始设置进行智能优化,避免了传统BP神经网络模型在训练过程中容易陷入局部极小值的缺点。应用该粒子群优化神经网络(PSO-BP)算法求解需水量预测模型,其实例结果表明,该算法提高了神经网络的训练效率,基于该算法的预测模型具有较理想的可靠性和精度。     

Prediction of hydro-suction dredging depth using data-driven methods

In this study, data-driven methods (DDMs) including different kinds of group method of data handling (GMDH) hybrid models with particle swarm optimization (PSO) and Henry gas solubility optimization (HGSO) methods, and simple equations methods were applied to simulate the maximum hydro-suction dredging depth (h_s). Sixty-seven experiments were conducted under different hydraulic conditions to measure the h_s. Also, 33 data samples from three previous studies were used. The model input variables consisted of pipeline diameter (d), the distance between the pipe inlet and sediment level (Z), the velocity of flow passing through the pipeline (u₀), the water head (H), and the medium size of particles (D₅₀). Data-driven simulation results indicated that the HGSO algorithm accurately trains the GMDH methods better than the PSO algorithm, whereas the PSO algorithm trained simple simulation equations more precisely. Among all used DDMs, the integrative GMDH-HGSO algorithm provided the highest accuracy (RMSE = 7.086 mm). The results also showed that the integrative GMDHs enhance the accuracy of polynomial GMDHs by ~14.65% (based on the RMSE).     

基于改进PSO-BP的模糊PID烧结炉温度控制

采用改进粒子群算法整定优化PID参数,并在反馈回路中加入BP神经网络预测下一时刻温度,将超前温度信息作为改进粒子群算法适应度函数参数,提前调整PID控制器参数,从而给出超前的控制,以此来减弱烧结炉温度变化的滞后性.通过模糊推理在温度控制过程中在线调整PID控制器参数,加强温度控制的跟随性.试验结果表明,与传统PID控制...     

改进PSO-BP算法在钢筋腐蚀监测中的应用研究

针对混凝土内部钢筋腐蚀程度判别难、精确度低等问题,提出了将改进粒子群算法(PSO)与BP神经网络结合起来,通过对钢筋锈蚀机理及其影响因素的分析,建立了以混凝土内部温度、湿度、pH值、Cl-浓度和腐蚀电位为输入,钢筋腐蚀率为输出的改进PSO-BP监测模型,并将实测输入数据与仿真结果进行了对比。结果表明,改进PSO-BP算法的收敛性与准确性均优于PSO-BP算法和BP算法。     

基于PSO-BP算法的隧道非线性位移分析模型

粒子群优化(PSO)算法是近年来发展迅速,并得到广泛应用的一种仿生全局最优化算法.与遗传算法相比,该算法具有操作简单、易于编程的优点.结合铜黄高速公路汤屯段大田连拱隧道施工,采用PSO算法对BP神经网络的权值进行自动优化,获得训练效果最好的BP网络模型参数以提高网络的泛化能力,建立起基于PSO-BP算法的大田隧道施工位移非线性智能分析模型,并采用此模型对后续施工隧道变形进行了预测分析.与实测位移对比表明,本文建立的PSO-BP模型平均预测相对误差仅为3.1%,可很好地作为隧道信息化施工的一种辅助方法,并为其他类似岩土工程提供借鉴.     

Design of water distribution networks using particle swarm optimization

Application of particle swarm optimization (PSO) is demonstrated through design of a water distribution pipeline network. PSO is an evolutionary algorithm that utilizes the swarm intelligence to achieve the goal of optimizing a specified objective function. This algorithm uses the cognition of individuals and social behaviour in the optimization process. For the optimization of water distribution system, a simulation – optimization model, called PSONET is developed and used in which the optimization is by PSO. This formulation is applied to two benchmark optimization design problems. The results are compared with the results obtained by other optimization methods. The results show that the PSO is more efficient than other optimization methods as it requires fewer objective function evaluations.     

PSO-SVM与BP神经网络组合预测供水系统余氯的方法

针对余氯量在供水系统内非线性变化的特性,建立了PSO-SVM与BP神经网络组合模型对管网末端余氯进行预测分析。该模型通过粒子群优化算法(PSO),对SVM的特性参数进行优化;采用BP神经网络对模型进行残差修正。通过对单一的BP模型和SVM模型、组合模型的预测精度进行分析。结果表明:组合模型预测比BP和SVM单一预测均方误差分别降低了62.30%、75.29%,平均相对误差降低了55.03%、54.27%。综上所述,该模型具有强大的非线性拟合能力,预测精度高,运行稳定性强,对供水企业控制余氯的投加量和设置二次加氯点有一定的指导作用。     

Keras在燃气管道阀门故障诊断中的应用

针对燃气管道阀门故障诊断存在的诊断准确率低，鲁棒性差和容易陷入过拟合等问题，结合深度学习理论，基于谷歌人工智能学习系统Keras，构建多层感知器MLP神经网络模型，用于预测阀门故障程度。选取阀门故障中的8种特征参数作为模型的原始输入量，经过多层感知器的特征提取、参数重构、Adam优化、Softmax分类，并加入Dropout模块避免过度拟合，最终得到具有较高预测精度的多层感知器模型。将得到的多层感知器模型应用在实验室的燃气管道阀门故障诊断系统中，结果表明，这种模型具有更高的准确性和鲁棒性。     

BP神经网络在基坑工程变形预测中的应用

结合工程实例,针对基坑开挖过程的变形特点,应用BP神经网络和基于粒子群优化算法的BP神经网络对基坑支护结构的变形进行预测,并对两种方法预测结果进行比较分析。结果表明,基于粒子群优化算法的BP网络的泛化预测性能要优于BP网络,预测深基坑地下连续墙结构水平位移更有效。     

改进粒子群算法的两阶段梁式结构损伤识别

针对实际工程监测时损伤识别误差大的问题,提出一种基于改进粒子群算法的两阶段识别方案。第1阶段利用D-S证据理论融合算法进行损伤定位;第2阶段利用改进的粒子群算法,对定位结果进行修正,同时准确定量损伤。仿真算例和实验分析结果表明:由于第1阶段损伤定位减少了可能损伤单元的数量,第2阶段基于改进粒子群算法的搜索范围减小,能更准确地识别多损伤和小损伤的位置和程度,且抗噪性能良好。     

基于QPSO-BP 神经网络的火灾预警算法

为了进一步提高油库消防系统的安全性,针对其火灾报警信息系统进行了改进,构建基于量子粒子群算法优化BP神经网络的火灾智能预警算法,以温度、烟雾浓度以及CO 浓度数据作为神经网络的输入,以无火、明火以及阴燃火的概率作为神经网络的输出。使用量子粒子群算法优化BP 神经网络运行中随机产生的权值和阈值,加快神经网络收敛到期望误差的速度,增强全局搜索能力。通过MATLAB 软件对智能火灾预警算法的模型进行仿真,模型输出的火情概率与实际值基本吻合。设计了多传感器数据采集设备,获取火灾现场数据,输入网络模型,能够有效识别明火、阴燃火和无火情况,验证了该算法可提高消防预警系统的准确性。