基于蚁群算法的软件可靠性模型参数估计方法

由于软件可靠性模型大多是非线性模型,导致其参数难于估计。总结了常用的软件可靠性模型的参数估计方法,提出一种基于蚁群算法的可靠性模型参数估计方法。通过对Musa软件可靠性模型分类方案中三个不同类型模型（G-O模型、Weibull模型以及M-O模型）的实验,发现本算法对不同模型具有很好的适应性,解决了应用传统数值计算方法时的无法收敛问题;与粒子群算法相比,本算法的收敛速度比粒子群算法快一倍以上,且对于部分实验对象的拟合结果精度比粒子群算法高一个数量级以上。     

基于粒子群算法的Logistic回归模型参数估计

针对Logistic回归模型中的参数估计计算复杂难题,提出一种基于粒子群优化算法（PSO）的估计方法。以最大似然准则作为粒子群优化算法的适应度函数,建立了Logistic回归模型中的参数估算模型。数值仿真分析表明,粒子群优化算法可以更精确地计算出相关参数。     

运用粒子群优化算法估计IRT参数

本文引入粒子群优化算法进行项目反应理论的参数估计。作者在阐述项目反应理论参数估计方法与粒子群优化算法原理的基础上设计了IRT参数估计的PSO算法。     

基于粒子群优化算法的Richards模型参数估计和算法有效性

针对Richards模型参数估计较为困难的实际问题,提出将Richards模型的参数估计问题转化为一个多维无约束函数优化问题。结合谷氨酸菌体的实际生长浓度数据,在Matlab 2012b环境中,利用粒子群优化（PSO）算法建立适应度函数,在最小线性二乘意义下估计Richards模型中的4个参数,并建立了拟合的生长曲线和最优值变化曲线。为进一步验证算法有效性,将PSO算法与该模型传统参数估计法中的四点法和遗传算法(GA)进行了比较,以相关指数和剩余标准差作为评价指标。结果表明,PSO算法对Richards模型的拟合效果良好,对模型的参数估计有着很好的适用性。     

海杂波复合K分布模型的参数估计

海杂波幅度分布特性对雷达海面目标检测与识别、信号处理以及性能评估均有重要意义。在高分辨率雷达中,复合K分布模型对海杂波的实测数据具有很好的拟合效果。采用粒子群优化算法进行海杂波模型的参数估计,重点研究粒子群算法中的惯性权重和学习因子的选择以及边界问题的处理,并利用CSIR组织公布的雷达实测数据进行仿真,估计结果通过均方差检验评估参数估计效果,结果表明:粒子群优化算法具有良好的适应性和估计精度,验证了改进算法的有效性。     

非线性系统模型参数估计的算法模型

针对非线性系统模型的多样性,提出了适用于多种非线性模型的基于粒子群优化算法的参数估计方法。计算结果表明,粒子群优化算法是非线性系统模型参数估计的有效工具。     

基于拟合与粒子群优化的VG方程参数估计

考虑到粒子群算法受初值影响,易于产生局部最优解的缺陷,将lsqcurvefit拟合方法与粒子群算法相结合,提出一种新的混合型粒子群优化算法,用于Van Genuchten方程参数估计得到了较好的结果。数值实验结果分析表明,该算法在参数估计中求解精度高、收敛速度快、寻优能力强,而且不需要给出参数的初始值,是一种值得推广的方法。     

基于PSO算法的probit模型参数估计

针对二值probit回归模型中的参数估计问题,提出一种基于粒子群优化（PSO）的参数估计算法。该算法采用以最大似然准则作为PSO的适应度函数,建立二值probit回归模型中的参数估计计算模型。数值仿真分析表明,该算法性能较好,回归结果具有较高的拟合优度。     

基于粒子群优化算法的非线性系统模型参数估计

非线性模型的参数估计是较为困难的寻优问题,经典方法常会陷入局部极值.由于粒子群算法是一种有效的解决优化问题的群集智能算法,它的突出特点是操作简便、容易实现且全局搜索功能较强,故将粒子群优化算法用于非线性系统模型参数估计,并通过对3种典型的非线性模型的参数估计进行了验证.实验结果表明:粒子群优化算法参数估计精度高,是一种有效的参数估计方法.     

基于改进粒子群优化算法的锌电解过程模型研究

针对锌电解过程各参数之间耦合严重、能耗高、建模困难,研究了锌电解电流效率与各工艺过程参数之间关系的数学模型,提出了一种改进的粒子群优化算法(IPSO)进行模型参数估计,该算法在粒子失活时,对粒子进行变异或扰动操作,重新激活粒子,避免了算法陷于局部最优解,改善了优化算法性能;以锌电解过程实验数据为样本,采用改进的粒子群优化算法对模型进行参数估计和检验,并与基本粒子群算法和BP神经网络模型进行比较,仿真结果证明了模型的有效性。     

PSO算法在非线性模型参数估计中的应用

将微粒群优化(PSO)算法用于非线性系统模型参数估计，并通过对谷氨酸菌体生长模型的参数估计进行了验证．实验结果表明：微粒群算法为非线性系统模型参数估计提供了一种有效的途径．     

Multi-objective parameter estimation of induction motor using particle swarm optimization

In order to simplify the offline parameter estimation of induction motor, a method based on optimization using a particle swarm optimization (PSO) technique is presented. Three different induction motor models such as approximate, exact and deep bar circuit models are considered. The parameter estimation methodology describes a method for estimating the steady-state equivalent circuit parameters from the motor performance characteristics, which is normally available from the manufacturer data or from tests. The optimization problem is formulated as multi-objective function to minimize the error between the estimated and the manufacturer data. The sensitivity analysis is also performed to identify parameters, which have the most impact on motor performance. The feasibility of the proposed method is demonstrated for two different motors and it is compared with the genetic algorithm and the classical parameter estimation method. Simulation results show that the proposed PSO method was indeed capable of estimating the parameters over a wide operating range of the motor.     

基于支持向量机和粒子群算法的软测量建模

针对PX氧化过程中的4-CBA浓度的估计问题,提出了基于支持向量机和粒子群算法来估计机理模型参数的方法．用支持向量机回归来提取特征样本,这些少量的特征样本估计机理模型参数可以减少计算时间,同时避免了人工随机试凑法选择训练样本的盲目性．采用粒子群算法来估计非线性机理模型的参数,可以避免传统方法对初始点和样本的依赖．工业实例表明,本文提出的方法是有效的．     

基于改进粒子群算法的Hammerstein模型辨识

提出辨识非线性Hammerstein模型的新方法。将非线性系统的辨识问题转化为参数空间上的函数优化问题,采用粒子群算法获得该优化问题的解。为了进一步增强粒子群优化算法的辨识性能,提出采用速度变异粒子群对整个参数空间进行搜索得到系统参数的最优估计。仿真结果验证了该方法的有效性。     

改进粒子群算法优化扩展卡尔曼滤波器电机转速估计

针对感应电机扩展卡尔曼滤波器转速估计中难以取得卡尔曼滤波器系统噪声矩阵和测量噪声矩阵最优值的问题, 提出了一种基于改进粒子群算法优化的扩展卡尔曼滤波器转速估计方法。算法通过融合遗传算法和粒子群算法的优点, 采用可调整的算法模型对粒子群算法进行改进, 将改进的粒子群算法对扩展卡尔曼滤波器中的系统噪声矩阵和测量噪声矩阵进行优化处理, 将优化后的卡尔曼滤波器应用于感应电机转速估计。仿真实验表明, 与试探法、标准粒子群算法及遗传算法比较, 改进粒子群算法优化的扩展卡尔曼滤波器能够有效提高转速估计的精度, 从而提高无速度传感器矢量控制系统的控制性能。     

基于粒子群优化的机器人多传感器自标定方法

针对机器人感知系统中多个传感器的位姿关系估计问题,提出一种新的基于粒子群优化的自标定方 法．利用激光扫描点在图像上的投影线约束条件,建立摄像机与激光扫描仪外参数的非线性优化目标函数,采用粒 子群算法优化外参数．该方法对参数的初值并不敏感,无需特定的标定物．实验结果表明,该算法的标定精度高．     

基于PSO的连续系统直接辨识及在带弹性负载电机的应用

针对连续方程误差模型辨识须引入数值滤波器而造成有偏估计,提出一种基于粒子群优化(PSO)算法和连续输出误差法的连续系统直接辨识方法.该方法用简化四阶龙格库塔法进行系统输出的数值逼近,并采用PSO进行数值优化以避免有偏估计.对所提出方法的估计性质进行分析,进而得出辨识问题的全局解在开环下参数估计的一致性.仿真案例表明,所提出方法对案例的辨识精度高于简化修正辅助变量法等几种连续系统辨识方法.将所提出的方法应用于带弹性负载的电机模型辨识,获得了良好的估计,从而表明了所提出方法在应用上的有效性.     

Fault diagnosis of nonlinear systems based on hybrid PSOSA optimization algorithm

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.