排序方式: 共有54条查询结果,搜索用时 15 毫秒
1.
针对粒子群(Particle swam optimization, PSO)算法进化后期收敛速度较慢,易陷入局部极值点,精度较差等不足,提出膜计算多粒子群(MC-MPSO)算法。在该算法中,将原始PSO、标准PSO、中值导向粒子群(MPSO)、扩展粒子群(EPSO)、多作用力粒子群(MFPSO)、两阶段作用力粒子群(TFPSO)等六种具有不同优点的粒子群算法分别放入六个基本膜内,提出MC-MPSO算法的膜间交流与粒子更新机制,在进化前期,各粒子群算法按自身机制进行搜索寻优,即各基本膜各自进化来充分发挥各基本膜内算法的优点;在进化后期,各基本膜内算法与比自身更好的表层膜内最优解粒子交流,各表层膜逐步吞并搜索能力较差的基本膜,而最适合问题优化求解的基本膜长大并按照表层膜输出,使MC-MPSO算法集成了基本膜内六种粒子群算法的各自优势,并具有适应不同类型优化求解问题的寻优能力。通过与基本膜内六种粒子群算法的测试对比,与遗传算法、鱼群算法及其他基于膜计算的粒子群算法的比较,证明了MC-MPSO算法具有更好的寻优能力和适用性。最后,将MC-MPSO算法应用于串联和桥式系统可靠性优化问题,验证了所提算法的有效性。 相似文献
2.
3.
基于最小熵解卷积-变分模态分解和优化支持向量机的滚动轴承故障诊断方法 总被引:1,自引:0,他引:1
提出了一种基于最小熵解卷积和变分模态分解以及模糊近似熵的故障特征提取方法,并采用优化支持向量机对故障进行识别分类。首先利用最小熵解卷积方法降低噪声干扰并增强故障信号中故障特征信息,进而对降噪后的信号进行变分模态分解,并利用模糊近似熵量化变分模态分解后包含故障特征信息的模态分量以构建特征向量,之后通过采用扩展粒子群算法优化惩罚因子和核函数参数的支持向量机,对故障样本训练并完成故障识别分类。将所提方法应用于滚动轴承不同损伤程度、不同故障部位的实验数据,验证了该方法的有效性。与基于局部均值分解的特征提取方法相对比,结果表明所提方法可以更精确地提取出滚动轴承故障特征,并能够更准确地完成不同故障的识别;通过与基于网格寻优算法优化的支持向量机方法和基于扩展粒子群优化的最小二乘支持向量机方法相对比,结果表明所提方法具有更好的分类性能,能达到更好的诊断效果。 相似文献
4.
5.
6.
8.
9.
DUGAN动态故障树由静态子树和动态子树组成,静态子树为传统故障树并用与、或门等传统逻辑门描述静态失效行为,动态子树用优先与门、功能相关门、顺序相关门、备件门等动态逻辑门描述动态失效行为。相对于传统故障树,T-S故障树可以刻画任意形式的组合、多态等静态失效行为,但仍不能刻画系统的动态失效行为。为进一步增强故障树描述静、动态失效逻辑的能力,提出了T-S动态故障树分析方法,首先定义并提出了描述静、动态逻辑关系的T-S动态门及描述T-S动态门的时间状态规则和事件发生规则构建方法,进而提出了基于T-S动态门输入、输出规则算法的T-S动态故障树分析求解计算方法。T-S动态故障树的T-S动态门规则可无限逼近现实系统的失效行为,不仅可以描述DUGAN动态门所刻画的动态失效行为,还可以描述DUGAN动态门不能刻画的静、动态失效行为。最后,将T-S动态故障树分析方法分别与离散时间贝叶斯网络、Markov链和顺序二元决策图求解DUGAN动态故障树的方法进行对比,验证了所提方法的可行性和计算的简便性。 相似文献
10.