粒子群優(yōu)化
- 基于泛癌數(shù)據(jù)的公共驅(qū)動(dòng)通路識(shí)別算法
和平均數(shù)；粒子群優(yōu)化；元啟發(fā)式中圖分類號(hào)：TP301 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2023）20-0023-050引言癌癥是一種復(fù)雜的疾病，其發(fā)病機(jī)制涉及分子水平上的多種因素。因此，從分子層面深入認(rèn)識(shí)癌癥的發(fā)生發(fā)展過程，對(duì)于提高癌癥的診斷、治療和藥物設(shè)計(jì)等方面的水平具有重要的意義。隨著深度測(cè)序技術(shù)的飛速發(fā)展，科研人員開展了癌癥基因組圖譜計(jì)劃[1]、國(guó)際腫瘤基因組協(xié)作組[2]等大型癌癥基因組計(jì)劃，獲得了海量的癌癥數(shù)據(jù)。如何利用這些數(shù)據(jù)來有效地
電腦知識(shí)與技術(shù) 2023年20期2023-08-26
- 基于PSO的RF模型在人體活動(dòng)識(shí)別中的應(yīng)用
出一種基于粒子群優(yōu)化（PSO）的隨機(jī)森林（RF）識(shí)別方法。利用PSO算法搜尋最優(yōu)的RF超參數(shù)n_estimators和max_depth，構(gòu)建了PSO-RF人體活動(dòng)識(shí)別模型?；谌A盛頓州立大學(xué)CASAS項(xiàng)目數(shù)據(jù)集的實(shí)驗(yàn)共識(shí)別30種日?；顒?dòng)。仿真結(jié)果表明，PSO-RF模型的識(shí)別準(zhǔn)確率達(dá)到95%，Accuracy、Precision、Recall和F1-score評(píng)價(jià)指標(biāo)均優(yōu)于其他經(jīng)典的分類模型，具有較好的預(yù)測(cè)精度和泛化能力，可為智能家居系統(tǒng)個(gè)性化服務(wù)提供輔助
計(jì)算機(jī)時(shí)代 2023年5期2023-05-14
- 一種新的混合粒子群優(yōu)化算法
種新的混合粒子群優(yōu)化算法。新算法首先設(shè)計(jì)了一種新的慣性權(quán)重，使慣性權(quán)重取值在進(jìn)化初期和后期都較為適中;其次，為了有效抑制粒子陷入局部極值，引入了粒子最優(yōu)速度和最差適應(yīng)值的概念，并以此為基礎(chǔ)，設(shè)計(jì)了粒子的一種新的自適應(yīng)變異方式;最后引入了平均收斂率和最小平均收斂代數(shù)兩個(gè)概念，可以更好地評(píng)價(jià)和比較本文算法的性能。八個(gè)標(biāo)準(zhǔn)測(cè)試函數(shù)在100 維、200 維進(jìn)行的數(shù)值實(shí)驗(yàn)證實(shí)，新算法收斂精度高，收斂速度快，且有效預(yù)防了早熟現(xiàn)象。關(guān)鍵詞：粒子群優(yōu)化;慣性權(quán)重;早熟;變
軟件工程 2022年7期2022-07-21
- 基于RFID和機(jī)器學(xué)習(xí)的室內(nèi)固定資產(chǎn)定位方法
，設(shè)計(jì)基于粒子群優(yōu)化反向傳播神經(jīng)網(wǎng)絡(luò)的定位模型，實(shí)現(xiàn)對(duì)固定資產(chǎn)設(shè)備的精準(zhǔn)定位;最后，在高校實(shí)驗(yàn)室環(huán)境下開展了實(shí)測(cè)實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，該方法對(duì)室內(nèi)固定資產(chǎn)的識(shí)別F1值可達(dá)0.98，平均定位誤差約0.5 m，滿足建筑智能中對(duì)室內(nèi)固定資產(chǎn)的管理要求，具有資產(chǎn)管理成本低、定位精度高、抗干擾能力強(qiáng)等特點(diǎn)。關(guān)鍵詞：射頻識(shí)別;機(jī)器學(xué)習(xí);長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò);粒子群優(yōu)化;前饋神經(jīng)網(wǎng)絡(luò);定位識(shí)別中圖分類號(hào)：TP391.44;TP181? ? ? ? ? DOI：10.1637
廣西科技大學(xué)學(xué)報(bào) 2022年3期2022-07-08
- 基于AMW-SVDD的多模態(tài)過程故障檢測(cè)方法
搜索方法和粒子群優(yōu)化（particle swarm optimization，PSO）算法，得到最優(yōu)窗寬和由各窗口最優(yōu)SVDD模型構(gòu)成的模型序列;最后，使用最優(yōu)模型序列進(jìn)行故障檢測(cè)，并將此方法應(yīng)用于數(shù)值例子及田納西伊斯曼（TE）數(shù)據(jù)集。結(jié)果表明，與傳統(tǒng)故障檢測(cè)方法如KPCA和SVDD等相比，AMW-SVDD方法可有效捕獲過程數(shù)據(jù)的多模態(tài)特性。AMW-SVDD方法通過滑動(dòng)窗口技術(shù)捕獲數(shù)據(jù)的局部特征，同時(shí)應(yīng)用PSO算法優(yōu)化局部模型，二者結(jié)合可以自適應(yīng)確定窗寬參
河北科技大學(xué)學(xué)報(bào) 2022年1期2022-03-13
- 超高壓直流閥廳套管智能安裝系統(tǒng)研究
三維定位;粒子群優(yōu)化;動(dòng)態(tài)路徑規(guī)劃直流套管用于直流輸電工程，是連接閥廳與直流場(chǎng)的高壓設(shè)備[1-2]。超高壓直流閥廳的套管安裝具有以下難點(diǎn)：（1）直流套管為細(xì)長(zhǎng)件，最長(zhǎng)套管近19m，最大套管重約4t，最大安裝高度14m，對(duì)安裝施工的平穩(wěn)性以及對(duì)起重指揮、起重設(shè)備操作人員及配合人員的作業(yè)技能都有較高的要求;（2）直流套管的安裝孔洞與套管僅有裕度約5cm，安裝施工精度要求高;（3）主要涉及細(xì)長(zhǎng)件高空安裝施工，施工高度高，作業(yè)施工面大，常涉及多臺(tái)設(shè)備在閥廳內(nèi)、外同
今日消防 2021年11期2021-12-21
- 一種改進(jìn)的粒子群優(yōu)化算法
摘 要： 粒子群優(yōu)化算法（PSO）是一種群體智能進(jìn)化計(jì)算方法，但在搜索過程中粒子緊跟最優(yōu)粒子運(yùn)動(dòng)降低了粒子多樣性和全局搜索能力，從而易陷入局部極值。本文提出一種新的粒子群優(yōu)化算法（PSO-EWD），主要改進(jìn)體現(xiàn)在2個(gè)方面：將慣性權(quán)重與進(jìn)化因子相關(guān)聯(lián)，根據(jù)種群的進(jìn)化狀態(tài)而改變權(quán)重大小，以平衡全局搜索能力與局部搜索能力;將時(shí)變的分布式時(shí)延引入速度更新公式中，以增加粒子的多樣性。本文通過5種算法在9個(gè)基準(zhǔn)函數(shù)上的實(shí)驗(yàn)對(duì)比，證明了新提出的算法相較于另外4種算法具有
智能計(jì)算機(jī)與應(yīng)用 2021年7期2021-12-07
- 考慮碳排放成本的長(zhǎng)江鐵礦石運(yùn)輸研究
，引入標(biāo)準(zhǔn)粒子群優(yōu)化（particle swarm optimization， PSO）算法提高求解精度。針對(duì)標(biāo)準(zhǔn)PSO算法容易陷入局部最優(yōu)的問題，提出一種基于自適應(yīng)策略的改進(jìn)PSO算法，動(dòng)態(tài)調(diào)整慣性權(quán)重，提高算法的收斂性和全局尋優(yōu)能力。通過數(shù)值實(shí)驗(yàn)發(fā)現(xiàn)，改進(jìn)后的算法在全局尋優(yōu)能力和收斂能力上有一定的提高。關(guān)鍵詞：? 多層級(jí)運(yùn)輸網(wǎng)絡(luò); 碳排放; 混合整數(shù)非線性規(guī)劃; 粒子群優(yōu)化（PSO）算法中圖分類號(hào)：? U695.2文獻(xiàn)標(biāo)志碼：? A收稿日期： 2021
上海海事大學(xué)學(xué)報(bào) 2021年3期2021-10-08
- 基于IPSO-GPR的HVAC送風(fēng)溫度預(yù)測(cè)模型
參數(shù)優(yōu)化;粒子群優(yōu)化;混沌序列;高斯過程回歸;暖通空調(diào)送風(fēng)溫度中圖分類號(hào)：TP399文獻(xiàn)標(biāo)志碼：A收稿日期：2020-11-11基金項(xiàng)目：山東省重點(diǎn)研發(fā)計(jì)劃（重大創(chuàng)新工程） （ 批準(zhǔn)號(hào)：2019JZZY020101）資助。通信作者：于忠清，男，博士，研究員，主要研究方向?yàn)榍度胧较到y(tǒng)、普適計(jì)算、大數(shù)據(jù)。E-mail：1812661472qq.com暖通空調(diào)（HVAC）中空氣處理單元（AHU）影響系統(tǒng)整體性能和能耗[1]。在使用模型預(yù)測(cè)控制（MPC）降低AHU
- 基于粒子群優(yōu)化（PSO）超限學(xué)習(xí)機(jī)預(yù)測(cè)新疆參考作物蒸散量
本研究基于粒子群優(yōu)化（Particle swarm optimization，PSO）-超限學(xué)習(xí)機(jī)（Extreme learning machine，ELM）預(yù)測(cè)ET0。通過選取新疆地區(qū)3個(gè)站點(diǎn)（烏魯木齊、喀什、哈密）的最高氣溫（Tmax）、最低氣溫（Tmin）、平均相對(duì)濕度（RH）、風(fēng)速（u2）、光照時(shí)間（n）等氣象數(shù)據(jù)，建立PSO-ELM預(yù)測(cè)模型，對(duì)模型精度和普適性進(jìn)行研究，并通過與ELM、Makkink、I-A模型的對(duì)比，探究不同氣象因子組合模型的預(yù)
江蘇農(nóng)業(yè)學(xué)報(bào) 2021年3期2021-07-23
- 基于BP神經(jīng)網(wǎng)絡(luò)對(duì)汽油辛烷值損失預(yù)測(cè)模型的構(gòu)建
軟件，基于粒子群優(yōu)化算法，通過BP神經(jīng)網(wǎng)絡(luò)模型對(duì)工廠生產(chǎn)過程中收集的數(shù)據(jù)進(jìn)行數(shù)據(jù)挖掘，建立了辛烷值損失預(yù)測(cè)模型。最后選擇了225個(gè)數(shù)據(jù)樣本進(jìn)行了辛烷值損失預(yù)測(cè)模型的訓(xùn)練，100個(gè)樣本用于對(duì)辛烷值損失模型進(jìn)行驗(yàn)證。所構(gòu)建的模型對(duì)目標(biāo)值的預(yù)測(cè)具有高度擬合性，較好地解決了相關(guān)問題。關(guān)鍵詞：辛烷值;BP神經(jīng)網(wǎng)絡(luò)模型;粒子群優(yōu)化;損失預(yù)測(cè)模型【Abstract】Themixtureofsulfurandolefinintheexhaustgasofgasolinec
智能計(jì)算機(jī)與應(yīng)用 2021年2期2021-05-11
- 考慮潮汐影響的連續(xù)泊位分配策略
并采用改進(jìn)粒子群優(yōu)化（particle swarm optimization，PSO）算法進(jìn)行求解。算例結(jié)果給出每艘船的靠泊位置和進(jìn)出港順序安排，并通過與標(biāo)準(zhǔn)PSO算法求解的調(diào)度方案進(jìn)行對(duì)比，驗(yàn)證改進(jìn)PSO算法的有效性。研究成果可為實(shí)際碼頭泊位分配決策提供參考。關(guān)鍵詞： 連續(xù)泊位分配; 粒子群優(yōu)化（PSO）算法; 潮汐影響; 先來先服務(wù)原則中圖分類號(hào)： U691+.3 ? ?文獻(xiàn)標(biāo)志碼： AAbstract： In view of the demand o
上海海事大學(xué)學(xué)報(bào) 2021年4期2021-01-06
- 基于PSO的LSTM神經(jīng)網(wǎng)絡(luò)門診量預(yù)測(cè)研究
：研究基于粒子群優(yōu)化算法的長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)模型構(gòu)建方法及其在醫(yī)院門診管理中的應(yīng)用，選取三甲醫(yī)院中醫(yī)慢病相關(guān)科室門診量歷史記錄數(shù)據(jù)，構(gòu)建基于長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的門診量預(yù)測(cè)模型，借助粒子群優(yōu)化算法對(duì)長(zhǎng)短期記憶網(wǎng)絡(luò)進(jìn)行參數(shù)優(yōu)化，并使用優(yōu)化后的模型對(duì)門診量進(jìn)行預(yù)測(cè)。月度門診量預(yù)測(cè)結(jié)果表明，經(jīng)過粒子群優(yōu)化的長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)模型在測(cè)試集上的預(yù)測(cè)誤差RMSE，相比未優(yōu)化的模型減小了48.5%。粒子群優(yōu)化算法能高效地優(yōu)化預(yù)測(cè)模型，可使模型較好地預(yù)測(cè)出門診量變化趨勢(shì)，從
軟件導(dǎo)刊 2020年10期2020-12-01
- 基于優(yōu)化的模糊神經(jīng)模型的光伏發(fā)電預(yù)測(cè)的研究
測(cè)，并使用粒子群優(yōu)化算法對(duì)模糊神經(jīng)模型地結(jié)構(gòu)和參數(shù)進(jìn)行優(yōu)化訓(xùn)練。實(shí)驗(yàn)證明所提出的優(yōu)化模糊神經(jīng)模型具有更優(yōu)的準(zhǔn)確性、緊湊性和可解釋性，可以在線估計(jì)和預(yù)測(cè)單個(gè)光伏模塊電氣特性以及最大功率點(diǎn)，且具有較好的計(jì)算性能。關(guān)鍵詞： 光伏發(fā)電預(yù)測(cè); 模糊神經(jīng)網(wǎng)絡(luò)模型; 粒子群優(yōu)化中圖分類號(hào)： TP 399 ? ? ?文獻(xiàn)標(biāo)志碼： AAbstract： In this paper， the fuzzy neural network model is used to pred
微型電腦應(yīng)用 2020年9期2020-10-13
- 基于自適應(yīng)粒子群優(yōu)化的粒子濾波跟蹤算法
問題，可用粒子群優(yōu)化算法優(yōu)化，但目前的標(biāo)準(zhǔn)粒子群優(yōu)化粒子濾波算法會(huì)出現(xiàn)粒子局部尋優(yōu)的情況。對(duì)此對(duì)算法中的慣性權(quán)重和學(xué)習(xí)因子同時(shí)采取自適應(yīng)調(diào)整的方法，平衡粒子的搜索能力以減少這種情況的出現(xiàn)，并且為了解決算法優(yōu)化后因粒子聚集而造成的多樣性缺失問題，對(duì)粒子進(jìn)行隨機(jī)變異以提高粒子多樣性。仿真結(jié)果表明，經(jīng)過改進(jìn)后的優(yōu)化算法可有效提高粒子濾波算法的準(zhǔn)確性，使跟蹤誤差減小。關(guān)鍵詞： 粒子濾波跟蹤; 粒子群優(yōu)化; 自適應(yīng)調(diào)整; 搜索能力平衡; 隨機(jī)變異; 優(yōu)化算法中圖分類
現(xiàn)代電子技術(shù) 2020年17期2020-09-21
- 基于PCA和SAPSO的船舶風(fēng)壓差神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型
法和自適應(yīng)粒子群優(yōu)化（self-adaptive particle swarm optimization， SAPSO）算法的船舶風(fēng)壓差神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。該方法采用PCA法對(duì)航行數(shù)據(jù)進(jìn)行預(yù)處理，然后將數(shù)據(jù)輸入由SAPSO算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)中，改變以往通過復(fù)雜的數(shù)學(xué)建模計(jì)算風(fēng)壓差的方法，提高預(yù)測(cè)的時(shí)效性和準(zhǔn)確性。利用實(shí)船數(shù)據(jù)對(duì)模型進(jìn)行船舶風(fēng)壓差的實(shí)時(shí)預(yù)測(cè)仿真，結(jié)果驗(yàn)證了該預(yù)測(cè)模型具有較高的可靠性。關(guān)鍵詞： 船舶;風(fēng)壓差預(yù)測(cè);主成分分析（PCA）;自適應(yīng);
上海海事大學(xué)學(xué)報(bào) 2020年2期2020-09-01
- 基于優(yōu)化粒子群算法的云環(huán)境大數(shù)據(jù)聚類算法
息濃度;與粒子群優(yōu)化聚類約束條件結(jié)合，得到云環(huán)境大數(shù)據(jù)聚類中心最優(yōu)解。仿真結(jié)果表明，此算法的數(shù)據(jù)聚類精準(zhǔn)度比較高，具有良好的收斂性能。關(guān)鍵詞： 大數(shù)據(jù)聚類; 云環(huán)境; 粒子群優(yōu)化; 空間分割; 模糊聚類; 仿真測(cè)試中圖分類號(hào)： TN919?34? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼： A? ? ? ? ? ? ? ? ? ? ? 文章編號(hào)： 1004?373X（2020）14?0072?04PSO?based big data
現(xiàn)代電子技術(shù) 2020年14期2020-07-23
- 基于LS-SVM的艦艇修理能力評(píng)估研究
持向量機(jī);粒子群優(yōu)化Abstract： Evaluation of warship maintenance capability is limited by several factors， The historical data is lacked，In order to Evaluation of warship maintenance capability， The evaluation index system is constructed bas
裝備維修技術(shù) 2020年31期2020-07-08
- 云環(huán)境下結(jié)合改進(jìn)粒子群優(yōu)化與檢查點(diǎn)技術(shù)的容錯(cuò)調(diào)度算法
種結(jié)合改進(jìn)粒子群優(yōu)化與檢查點(diǎn)技術(shù)的容錯(cuò)調(diào)度算法。通過改進(jìn)粒子群優(yōu)化算法進(jìn)行全局搜索，尋找粒子群最優(yōu)解，以保證任務(wù)獲取最優(yōu)資源，減少調(diào)度復(fù)雜度;同時(shí)通過設(shè)置檢查點(diǎn)，使失效任務(wù)從檢查點(diǎn)繼續(xù)執(zhí)行，實(shí)現(xiàn)任務(wù)動(dòng)態(tài)恢復(fù)，提高調(diào)度可靠性。仿真實(shí)驗(yàn)表明，與傳統(tǒng)算法相比，當(dāng)任務(wù)數(shù)量不斷增加時(shí)該算法可提高任務(wù)執(zhí)行成功率，縮短任務(wù)執(zhí)行時(shí)間。關(guān)鍵詞：云計(jì)算;任務(wù)調(diào)度;容錯(cuò);粒子群優(yōu)化;檢查點(diǎn)技術(shù)DOI：10. 11907/rjdk. 191566 開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OS
軟件導(dǎo)刊 2020年2期2020-05-25
- 基于支持向量機(jī)參數(shù)優(yōu)化的圖像特征智能辨識(shí)
最后，經(jīng)過粒子群優(yōu)化（PSO）算法實(shí)現(xiàn)SVM的參數(shù)尋優(yōu)，建立優(yōu)化模型，可視化分類結(jié)果。結(jié)果表明，PSO-SVM的分類準(zhǔn)確率高達(dá)95%，說明基于PSO-SVM的人工智能技術(shù)可以提供一個(gè)方法來實(shí)現(xiàn)圖像特征的智能辨識(shí)。關(guān)鍵詞：人工智能;支持向量機(jī);粒子群優(yōu)化;參數(shù)尋優(yōu);圖像識(shí)別中圖分類號(hào)：TP393文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2020）04-0173-03收稿日期：2019-10-15作者簡(jiǎn)介：肖磊（1998—），男，江西南昌人，學(xué)士，本科在讀，
電腦知識(shí)與技術(shù) 2020年4期2020-04-14
- 分析美國(guó)不同的當(dāng)選者對(duì)中國(guó)經(jīng)濟(jì)的影響
【關(guān)鍵詞】粒子群優(yōu)化;POS-BP神經(jīng)網(wǎng)絡(luò);預(yù)測(cè)分析1.引言近幾十年來，被稱為美國(guó)總統(tǒng)大選的競(jìng)選活動(dòng)，吸引了全世界的廣泛關(guān)注。在美國(guó)總統(tǒng)大選之年，共和黨候選人唐納德·特朗普和民主黨候選人喬·拜登一起競(jìng)選美國(guó)總統(tǒng)。但是，雙方的候選人在經(jīng)濟(jì)、文化、金融等不同的重點(diǎn)發(fā)展領(lǐng)域有著不同的政治立場(chǎng)和措施。故他們的措施理念也將對(duì)美國(guó)經(jīng)濟(jì)和世界經(jīng)濟(jì)產(chǎn)生不同程度的影響。與此同時(shí)也會(huì)對(duì)中國(guó)的經(jīng)濟(jì)也會(huì)產(chǎn)生很大的影響。本文在此背景下，進(jìn)行分析。由于美國(guó)總統(tǒng)對(duì)中國(guó)經(jīng)濟(jì)的影響分析較為
- 一種基于粒子群尋優(yōu)的無模型自適應(yīng)控制方法
制器，使用粒子群優(yōu)化算法解決無模型自適應(yīng)控制器調(diào)整參數(shù)的問題。仿真結(jié)果表明，基于數(shù)據(jù)驅(qū)動(dòng)的無模型自適應(yīng)控制器可實(shí)現(xiàn)傾轉(zhuǎn)翼飛機(jī)過渡段平穩(wěn)飛行，同時(shí)證明了基于數(shù)據(jù)驅(qū)動(dòng)的無模型自適應(yīng)控制方法在處理時(shí)變、強(qiáng)耦合的非線性系統(tǒng)時(shí)具有獨(dú)特的優(yōu)勢(shì)。關(guān)鍵詞：傾轉(zhuǎn)翼;數(shù)據(jù)驅(qū)動(dòng);無模型自適應(yīng);粒子群優(yōu)化; 飛行控制中圖分類號(hào)：TJ765文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1673-5048（2020）06-0074-050 引 ?言傾轉(zhuǎn)旋翼飛機(jī)綜合了直升機(jī)和固定翼飛機(jī)垂直起降、懸停、平飛速
航空兵器 2020年6期2020-01-25
- 基于粒子群優(yōu)化算法的動(dòng)力定位非線性觀測(cè)器設(shè)計(jì)
影響，采用粒子群優(yōu)化算法對(duì)觀測(cè)器增益矩陣中的9個(gè)關(guān)鍵參數(shù)進(jìn)行組合尋優(yōu)進(jìn)一步提高觀測(cè)器動(dòng)態(tài)性能。還以一艘供給船為例進(jìn)行仿真分析，驗(yàn)證了所設(shè)計(jì)非線性觀測(cè)器的有效性。關(guān)鍵詞：動(dòng)力定位;觀測(cè)器;粒子群優(yōu)化中圖分類號(hào)：TP273? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：ADesign of Nonlinear Observer for Dynamic Positioning Basedon Particle Swarm
計(jì)算技術(shù)與自動(dòng)化 2020年4期2020-01-05
- 基于改進(jìn)蟻群算法的自動(dòng)駕駛汽車自主避障路徑優(yōu)化分析
蟻群算法;粒子群優(yōu)化;自主避障Abstract：In order to further improve the accurate response and fast response ability of autonomous obstacle avoidance in real dynamic environment， an improved AC （ant colony algorithm） model based on PSO （Particle S
科學(xué)與財(cái)富 2019年35期2019-10-21
- 面向云環(huán)境中任務(wù)負(fù)載的粒子群優(yōu)化調(diào)度策略
一種改進(jìn)的粒子群優(yōu)化算法（Modified Particle Swarm Optimization， M-PSO）.首先構(gòu)建出一個(gè)云計(jì)算能耗模型，同時(shí)考慮處理器的執(zhí)行能耗和任務(wù)傳輸能耗.基于該模型，對(duì)任務(wù)分配問題進(jìn)行定義描述，并采用粒子群優(yōu)化算法對(duì)問題進(jìn)行求解.此外，構(gòu)建動(dòng)態(tài)調(diào)整的慣性權(quán)重系數(shù)函數(shù)以克服標(biāo)準(zhǔn)PSO算法的局部最優(yōu)和收斂速度慢的問題，有效提高系統(tǒng)性能.最后通過仿真實(shí)驗(yàn)對(duì)該算法模型的性能進(jìn)行了評(píng)估，結(jié)果表明M-PSO算法與其他算法相比能有效地降低
湖南大學(xué)學(xué)報(bào)·自然科學(xué)版 2019年8期2019-10-18
- 基于分類思想的改進(jìn)粒子群優(yōu)化算法
關(guān)鍵詞： 粒子群優(yōu)化; 參數(shù)改進(jìn); 適度值; 適度值均值; 適度值標(biāo)準(zhǔn)差; 粒子分類; 有效經(jīng)驗(yàn)中圖分類號(hào)： TN911.1?34; TP18 ? ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼： A ? ? ? ? ? ? ? ? ? 文章編號(hào)： 1004?373X（2019）19?0011?04Abstract： In order to solve the problems of slow convergence speed， low converge
現(xiàn)代電子技術(shù) 2019年19期2019-10-14
- 基于PSO-LSSVM算法的造紙過程短期電力負(fù)荷預(yù)測(cè)模型
提出了一種粒子群優(yōu)化算法（PSO）和最小二乘支持向量機(jī)（LSSVM）相結(jié)合（PSO-LSSVM）的短期電力負(fù)荷預(yù)測(cè)方法，該方法可對(duì)造紙廠未來每30 min的電力負(fù)荷進(jìn)行預(yù)測(cè)。結(jié)果表明，采用PSO-LSSVM算法對(duì)短期電力負(fù)荷進(jìn)行預(yù)測(cè)時(shí)，預(yù)測(cè)結(jié)果的相對(duì)百分誤差絕對(duì)值的平均值約為0.75%，精度高于其他行業(yè)的電力負(fù)荷預(yù)測(cè)值，模型具有良好的可行性和有效性。關(guān)鍵詞：數(shù)學(xué)建模;短期預(yù)測(cè);電力負(fù)荷;最小二乘支持向量機(jī);粒子群優(yōu)化中圖分類號(hào)：TS7文獻(xiàn)標(biāo)識(shí)碼：A近年來，
中國(guó)造紙學(xué)報(bào) 2019年1期2019-09-10
- 粒子群算法（PSO）優(yōu)化兩級(jí)熱電制冷器幾何設(shè)計(jì)
電制冷器;粒子群優(yōu)化;三維多物理場(chǎng)模型半導(dǎo)體熱電制冷器（TEC）是無可動(dòng)部件的能量轉(zhuǎn)換器，可以利用帕爾貼效應(yīng)[1]的原理利用電流驅(qū)動(dòng)產(chǎn)生制冷效果。本研究的動(dòng)機(jī)基于以下兩個(gè)方面：（1）對(duì)于雙層熱電制冷器的幾何參與工況設(shè)計(jì)對(duì)于器件性能有較大影響，需要進(jìn)行優(yōu)化分析。（2）對(duì)于優(yōu)化工作而言，性能預(yù)測(cè)模型的準(zhǔn)確性是十分重要的。因此本文采用結(jié)合三維有限元模型與粒子群（PSO）優(yōu)化算法對(duì)于雙層熱電制冷器進(jìn)行優(yōu)化。建立并求解雙層熱電制冷器件的三維有限元模型，考慮其中的多種
科技風(fēng) 2019年21期2019-09-04
- 基于粒子群優(yōu)化模糊控制器永磁同步電機(jī)控制
進(jìn)一步說明粒子群優(yōu)化方法在電動(dòng)機(jī)中車有一定的可行性。關(guān)鍵詞：粒子群優(yōu)化 ?模糊控制器 ?永磁同步 ?電機(jī)控制中圖分類號(hào)：TM341 ? 文獻(xiàn)標(biāo)識(shí)碼：A ? ? ? ? ? ?文章編號(hào)：1672-3791（2019）05（a）-0033-02對(duì)于永磁同步電機(jī)來說，其具有較強(qiáng)的能量密度和效率，體積小，響應(yīng)較快，常用于電動(dòng)汽車驅(qū)動(dòng)系統(tǒng)中。目前很多電動(dòng)機(jī)控制系統(tǒng)均采用永磁同步電機(jī)，將其視作為驅(qū)動(dòng)部件。這種驅(qū)動(dòng)設(shè)備和傳統(tǒng)的電動(dòng)汽車相比，一般都是選控制策略PID控制方
科技資訊 2019年13期2019-08-13
- 基于遺傳算法的漫畫藝術(shù)設(shè)計(jì)研究與實(shí)現(xiàn)
作，并加入粒子群優(yōu)化策略，經(jīng)過多次迭代計(jì)算，得到漫畫的角色人物造型。經(jīng)過實(shí)驗(yàn)證明，相比于SGA算法和AGA算法，文中所提算法在漫畫設(shè)計(jì)效率方面優(yōu)勢(shì)明顯。關(guān)鍵詞： 漫畫設(shè)計(jì); 角色造型; 遺傳算法; 適應(yīng)度; 粒子群優(yōu)化; 設(shè)計(jì)效率中圖分類號(hào)： TN911.1?34; TP393 ? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼： A ? ? ? ? ? ? ? ? ? 文章編號(hào)： 1004?373X（2019）15?0120?03Research and
現(xiàn)代電子技術(shù) 2019年15期2019-08-12
- 基于定期競(jìng)爭(zhēng)學(xué)習(xí)的多目標(biāo)粒子群優(yōu)化算法
目標(biāo)優(yōu)化;粒子群優(yōu)化;定期競(jìng)爭(zhēng);競(jìng)爭(zhēng)學(xué)習(xí)機(jī)制;全局最優(yōu)選取策略中圖分類號(hào)： TP183; TP301.6文獻(xiàn)標(biāo)志碼：AAbstract： In order to improve the diversity of population and the convergence performance of algorithm， a Scheduled competition learning based Multi-Objective Particle Swa
計(jì)算機(jī)應(yīng)用 2019年2期2019-08-01
- 基于粒子群與神經(jīng)網(wǎng)絡(luò)的光伏逆變器設(shè)計(jì)
關(guān)鍵詞： 粒子群優(yōu)化; 神經(jīng)網(wǎng)絡(luò); 光伏逆變器; 算法; 逆模型; 諧波含量中圖分類號(hào)： TN711?34; TM615 ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼： A ? ? ? ? ? ? ? ? ? ?文章編號(hào)： 1004?373X（2019）02?0085?04Design of photovoltaic inverter based on particle swarm optimization and neural networkZHANG Y
現(xiàn)代電子技術(shù) 2019年2期2019-04-04
- PSO優(yōu)化三維Otsu森林冠層圖像快速分割算法
tsu法;粒子群優(yōu)化DOI：10.15938/j.jhust.2019.05.021中圖分類號(hào)： TP391.4文獻(xiàn)標(biāo)志碼： A文章編號(hào)： 1007-2683（2019）05-0128-06Forest canopy image segmentation is a key step to forest canopy parameters using digital image processing methods. According to the cha
哈爾濱理工大學(xué)學(xué)報(bào) 2019年5期2019-01-14
- 針對(duì)全球語言發(fā)展趨勢(shì)的分析及預(yù)測(cè)
型以及基于粒子群優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型，對(duì)人口遷移以及語言發(fā)展展開了相關(guān)研究。同時(shí)考慮到影響母語使用者數(shù)量的因素，建立了多元線性回歸模型，預(yù)測(cè)未來50年語言使用人數(shù)的變化。針對(duì)全球人口遷移受經(jīng)濟(jì)和交通等因素的影響，提出了基于粒子群優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型，預(yù)測(cè)未來50年的全球移民格局。最后得出結(jié)論：同一時(shí)期語言隨地理分布發(fā)生變化。關(guān)鍵詞：時(shí)間序列 多元線性回歸 粒子群優(yōu)化 語言發(fā)展引言語言是文化最直觀的表達(dá)方式，目前地球上大約有6900種語言。其中，中文、英文、西班
科學(xué)與財(cái)富 2018年30期2018-12-28
- 一種手臂靜脈特征提取與匹配的算法
手臂靜脈；粒子群優(yōu)化；識(shí)別；中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：AAbstract：A feature extraction and matching algorithm is proposed for arm veins. Firstly， the contrast of near infrared （NIR） images is adjusted using the contrast limited adaptive histogram equaliz
計(jì)算技術(shù)與自動(dòng)化 2018年3期2018-12-10
- 礦井環(huán)境下無人機(jī)視覺PSOFastSLAM算法的實(shí)現(xiàn)
AM算法；粒子群優(yōu)化DOI：10.15938/j.jhust.2018.04.014中圖分類號(hào)： TD679文獻(xiàn)標(biāo)志碼： A文章編號(hào)： 1007-2683（2018）04-0075-07Abstract：In order to realize the autonomous flight of Unmanned Aerial Vehicle （UAV） in the mine environment without GPS and also precise
哈爾濱理工大學(xué)學(xué)報(bào) 2018年4期2018-11-24
- 基于分解的自適應(yīng)多目標(biāo)粒子群算法研究
適應(yīng)多目標(biāo)粒子群優(yōu)化算法。該算法采用切比雪夫聚合方法，將多目標(biāo)問題聚合為若干個(gè)單目標(biāo)問題，并對(duì)每一個(gè)單目標(biāo)問題粒子的速度和位置更新公式進(jìn)行改進(jìn)，提高了算法搜索到Pareto解集的效率。同時(shí)，改進(jìn)了慣性權(quán)重和加速因子，使其自適應(yīng)調(diào)整，能夠更好地平衡全局和局部搜索，采用網(wǎng)格技術(shù)存儲(chǔ)最優(yōu)解集，能有效保持進(jìn)化群體的分布均勻性，并采用5個(gè)經(jīng)典的兩目標(biāo)測(cè)試函數(shù)進(jìn)行了仿真實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，通過改進(jìn)粒子群算法的速度和位置更新公式，可以提高非支配解對(duì)真實(shí)解的逼近程度，體現(xiàn)
- 基于智能大數(shù)據(jù)的礦井突發(fā)事件定位技術(shù)研究
了一種基于粒子群優(yōu)化的改進(jìn)PDV-Hop算法。實(shí)驗(yàn)表明，相比于原有的DV-Hop算法，PDV-Hop算法大大降低了突發(fā)事件的平均定位誤差。關(guān)鍵詞：定位問題；DV-Hop算法；無線傳感器網(wǎng)絡(luò)；粒子群優(yōu)化引言在礦井生產(chǎn)作業(yè)過程中，當(dāng)某些特定事件，如礦井下瓦斯?jié)舛瘸瑯?biāo)、礦井塌陷、管道泄漏等事件發(fā)生時(shí)，如果不能及時(shí)檢測(cè)到事件發(fā)生的位置，通常會(huì)帶來非常嚴(yán)重的人員傷亡和經(jīng)濟(jì)損失。本文考慮采用基于無線傳感器網(wǎng)絡(luò)技術(shù)[1] （Wireless Sensor Network
科技信息·中旬刊 2018年9期2018-10-21
- 基于粒子群算法的多無人機(jī)任務(wù)分配
作戰(zhàn)飛機(jī)；粒子群優(yōu)化DOI：10.11907/rjdk.173133中圖分類號(hào)：TP319文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1672-7800（2018）007-0193-03Abstract：Multi-UCAVmissionallocationisthekeytechniqueforcoordinatecontrol.Consideringtheconsequentattackmissionandthemainfactorsthataffectcombateff
軟件導(dǎo)刊 2018年7期2018-09-26
- 基于PSO—LSSVM的煤礦電能質(zhì)量擾動(dòng)識(shí)別研究
，提出基于粒子群優(yōu)化最小二乘支持向量機(jī)（PSO-LSSVM）的擾動(dòng)分類識(shí)別方法。介紹煤礦電力系統(tǒng)中常見的4種暫態(tài)擾動(dòng)，利用廣義S變換（GST）提取擾動(dòng)中相空間時(shí)-頻域的有用特征，然后利用PSO優(yōu)化LSSVM分類器的懲罰因子c和參數(shù)σ，構(gòu)建PSO-LSSVM分類器，最后將提取的特征量作為PSO-LSSVM分類器的樣本進(jìn)行訓(xùn)練、測(cè)試。MATALA仿真結(jié)果表明，該方法能夠準(zhǔn)確可靠地對(duì)煤礦電能質(zhì)量擾動(dòng)進(jìn)行識(shí)別與分類，對(duì)于煤礦電能質(zhì)量監(jiān)測(cè)具有較高參考價(jià)值。關(guān)鍵詞：煤
軟件導(dǎo)刊 2018年7期2018-09-26
- 基于跳數(shù)修正和改進(jìn)粒子群優(yōu)化DV—Hop定位算法
跳數(shù)修正的粒子群優(yōu)化的定位算法HPDV?Hop。此算法通過對(duì)錨節(jié)點(diǎn)廣播的跳數(shù)進(jìn)行修正，讓隨機(jī)靜態(tài)分布的錨節(jié)點(diǎn)移動(dòng)并按密度分布二次部署以及用改進(jìn)的粒子群（PSO）算法對(duì)定位中的迭代過程進(jìn)行優(yōu)化，實(shí)現(xiàn)傳統(tǒng)DV?Hop定位算法的全面改進(jìn)，以提高定位精度。仿真結(jié)果表明，改進(jìn)的算法與傳統(tǒng)算法相比，定位精度和算法的穩(wěn)定性有明顯提高。關(guān)鍵詞： DV?Hop定位； 錨節(jié)點(diǎn)； 最優(yōu)跳數(shù)； 平均跳距； 粒子群優(yōu)化； 跳數(shù)修正中圖分類號(hào)： TN711?34； TP393 文獻(xiàn)標(biāo)
現(xiàn)代電子技術(shù) 2018年18期2018-09-12
- 改進(jìn)單尺度Retinex的彩色圖像增強(qiáng)算法
進(jìn)算法融合粒子群優(yōu)化算法以及Retinex算法，基于熵值大小以及變換成HIS圖像的[H]值大小實(shí)施匹配，采用合理的濾波模板實(shí)施運(yùn)算，完成彩色圖像的增強(qiáng)處理。通過改進(jìn)SSR算法解決圖像邊緣亮度波動(dòng)時(shí)，圖像出現(xiàn)的光暈以及光陰影問題，提升彩色圖像增強(qiáng)效果。實(shí)驗(yàn)結(jié)果表明，所提算法對(duì)室內(nèi)室外圖像的亮度、對(duì)比度、飽和度等內(nèi)容具有較高的增強(qiáng)效果，能提升總體圖像的質(zhì)量。關(guān)鍵詞： 改進(jìn)單尺度； Retinex算法； 粒子群優(yōu)化； SSR算法； 彩色圖像增強(qiáng)； 濾波模板中圖分
現(xiàn)代電子技術(shù) 2018年17期2018-09-12
- PID神經(jīng)網(wǎng)絡(luò)算法對(duì)K型熱電偶非線性校正
熱電偶； 粒子群優(yōu)化； 非線性校正； 慣性權(quán)值； Matlab中圖分類號(hào)： TN711?34； TH811； TP206+.1 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2018）14?0074?05Nonlinear correction of K?type thermocouple using PID neural network algorithmSU Shujing， L? Nannan， ZHAI Chengrui（Key Laborat
現(xiàn)代電子技術(shù) 2018年14期2018-07-27
- 電力變壓器局部放電模式識(shí)別
，采用經(jīng)過粒子群優(yōu)化的超球面支持向量機(jī)對(duì)不同絕緣故障類型的局部放電進(jìn)行模式識(shí)別，識(shí)別率高，這對(duì)提高局部放電模式識(shí)別率具有一定的指導(dǎo)意義。關(guān)鍵詞：模式識(shí)別；粒子群優(yōu)化； 超球面支持向量機(jī)在局部放電故障模式識(shí)別分類中，應(yīng)用比較廣泛的分類器是人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)。若采用人工神經(jīng)網(wǎng)絡(luò)識(shí)別樣本數(shù)據(jù)相對(duì)有限的局部放電，平均識(shí)別率能夠達(dá)到85%，識(shí)別率很難再提高。支持向量機(jī)是根據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則解決小樣本，多種類模式識(shí)別問題，從而得到較高的識(shí)別率，然而局部放電信號(hào)
科技風(fēng) 2018年1期2018-05-14
- 粒子群優(yōu)化的改進(jìn)Tsallis熵圖像閾值分割
出基于改進(jìn)粒子群優(yōu)化的二維Tsallis熵分解算法。首先將二維Tsallis熵算法降維分解為兩個(gè)一維Tsallis熵，同時(shí)在目標(biāo)函數(shù)中引入類內(nèi)離散測(cè)度函數(shù)，最終以此目標(biāo)函數(shù)作為改進(jìn)后粒子群優(yōu)化算法的尋優(yōu)函數(shù)，完成圖像的全局最優(yōu)解閾值分割。實(shí)驗(yàn)結(jié)果表明，相對(duì)一維及二維Tsallis熵算法，改進(jìn)算法在主觀效果和區(qū)域間對(duì)比度評(píng)價(jià)指標(biāo)上有較大改善，在鐵路軌道異物圖像的分割中滿足實(shí)時(shí)性要求、抗噪效果更佳。關(guān)鍵詞：圖像分割；Tsallis熵；類內(nèi)離散度；粒子群優(yōu)化；鐵
科技創(chuàng)新與應(yīng)用 2018年12期2018-05-08
- 基于全離散粒子群優(yōu)化的納電子MPRM電路面積優(yōu)化算法
一種全離散粒子群優(yōu)化算法。通過將粒子速度合并到位置更新方程，充分挖掘粒子群優(yōu)化中的學(xué)習(xí)因素得到全離散化的粒子更新方程，在此基礎(chǔ)之上設(shè)計(jì)FDPSO算法，并使用探索概率作為算法參數(shù)控制算法全局探索與局部開拓間的平衡。對(duì)一組輸入數(shù)大于20的MCNC電路進(jìn)行優(yōu)化的實(shí)驗(yàn)結(jié)果表明，與其他能夠用于可編程陣列結(jié)構(gòu)納電子混合極性Reed?Muller電路面積優(yōu)化的智能算法相比，全離散粒子群優(yōu)化算法具有較強(qiáng)的全局收斂能力和結(jié)果穩(wěn)定性，能夠以較高時(shí)間效率獲得較好的優(yōu)化結(jié)果。關(guān)鍵
現(xiàn)代電子技術(shù) 2018年4期2018-03-07
- 基于PSO優(yōu)化的LSSVM的電力系統(tǒng)電壓優(yōu)化的研究
提出了基于粒子群優(yōu)化最小二乘支持向量機(jī)（PSO-LSSVM）來對(duì)電力系統(tǒng)電壓進(jìn)行優(yōu)化。通過實(shí)例的結(jié)果分析，該方法對(duì)電壓的合格率有所提高，對(duì)電壓性能有明顯的改善，損耗也下降了，且收斂速度加快，有助于解決地區(qū)電力系統(tǒng)電壓優(yōu)化和治理問題。關(guān)鍵詞：數(shù)學(xué)模型；粒子群優(yōu)化；最小二乘支持向量機(jī)；電壓優(yōu)化0 引言電力系統(tǒng)的無功優(yōu)化作為非線性的規(guī)劃問題，存在著多個(gè)不等式的約束條件。而且控制變量的類型也比較復(fù)雜，既有連續(xù)值，又有離散值。所以導(dǎo)致無功優(yōu)化的分析過程變得更加復(fù)雜。
軟件 2017年9期2018-03-02
- 粒子群優(yōu)化改進(jìn)小波閾值函數(shù)的去噪研究
同時(shí)，采用粒子群優(yōu)化算法，針對(duì)信號(hào)含噪情況，自動(dòng)優(yōu)化閾值函數(shù)參數(shù)，實(shí)現(xiàn)去噪過程的自動(dòng)尋優(yōu)。采用基準(zhǔn)信號(hào)仿真結(jié)果表明，提出的算法可以獲得更小的均方誤差和更高的信噪比，達(dá)到了去噪實(shí)用化的效果。關(guān)鍵詞：小波變換；粒子群優(yōu)化；算法；閾值函數(shù)O 引言相關(guān)法、模極大值法和閾值法是小波去噪的三種常見方法，其中，閾值法最實(shí)用，已廣泛應(yīng)用于信號(hào)去噪中。閾值法有硬閾值和軟閾值兩種基本的去噪算法，但是這兩種基本方法各有一定缺陷：一是硬閾值函數(shù)整體不連續(xù)，容易造成經(jīng)小波去噪后的信
軟件 2017年9期2018-03-02
- 基于粒子群優(yōu)化的電氣自動(dòng)節(jié)能控制器設(shè)計(jì)
，提出基于粒子群優(yōu)化的電氣自動(dòng)節(jié)能控制器。該設(shè)計(jì)選用SYU?213型號(hào)的節(jié)能控制器，硬件上對(duì)自動(dòng)控制器進(jìn)行了優(yōu)化設(shè)計(jì)，保證各種狀態(tài)的有效切換。在軟件設(shè)計(jì)中引入粒子群優(yōu)化下的卡爾曼算法，能夠在不同狀態(tài)下進(jìn)行快速的能源降耗。實(shí)驗(yàn)結(jié)果表明，所設(shè)計(jì)的基于粒子群優(yōu)化的電氣自動(dòng)節(jié)能控制器可以有效降低電氣自動(dòng)控制的能耗，且在待機(jī)狀態(tài)下仍可進(jìn)行節(jié)能控制。關(guān)鍵詞： 粒子群優(yōu)化； 電氣自動(dòng)控制； 節(jié)能控制器； 待機(jī)狀態(tài)； 卡爾曼算法； 狀態(tài)切換中圖分類號(hào)： TN830.1?3
現(xiàn)代電子技術(shù) 2018年2期2018-01-22
- 基于加權(quán)K—均值和PSO算法的醫(yī)保欺詐檢測(cè)研究
重值。采用粒子群優(yōu)化算法來求解最優(yōu)的權(quán)重值。聚類問題中簇類數(shù)目通常由用戶確定，文中則用一種評(píng)估聚類的標(biāo)準(zhǔn)來確定最優(yōu)的聚類數(shù)目。實(shí)驗(yàn)證明，算法不僅檢測(cè)效率較高，還避免了主觀評(píng)價(jià)對(duì)于檢測(cè)的影響。關(guān)鍵詞：K-均值；粒子群優(yōu)化；權(quán)重指標(biāo)評(píng)價(jià)函數(shù)；聚類；醫(yī)保欺詐中圖分類號(hào)：TP3 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2018）28-0197-031 引言醫(yī)療保險(xiǎn)是為了補(bǔ)償勞動(dòng)者因疾病風(fēng)險(xiǎn)造成的經(jīng)濟(jì)損失而建立的一項(xiàng)社會(huì)保險(xiǎn)制度。通過用人單位與個(gè)人繳費(fèi)，建立醫(yī)
電腦知識(shí)與技術(shù) 2018年28期2018-01-04
- 基于粒子群優(yōu)化算法的盲分離大型風(fēng)力機(jī)主軸承故障診斷研究
源分離中的粒子群優(yōu)化算法解決多故障源信號(hào)提取問題和故障源信號(hào)分離等題。診斷結(jié)果表明，該方法具有可行性，從而實(shí)現(xiàn)對(duì)風(fēng)力機(jī)主軸承的故障診斷。關(guān)鍵詞：粒子群優(yōu)化；主軸承；故障診斷中圖分類號(hào)：TP206 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416（2017）10-0113-02風(fēng)力機(jī)的主軸承一種特殊的軸承，使用環(huán)境惡劣，維修成本較高，要求高壽命。由于風(fēng)力機(jī)組周圍的環(huán)境惡劣，并且長(zhǎng)期處在惡劣的環(huán)境中運(yùn)行，因此風(fēng)力機(jī)主軸承故障率較高，一旦發(fā)生故障，直接和間接經(jīng)濟(jì)效益
數(shù)字技術(shù)與應(yīng)用 2017年10期2017-12-21
- 一種優(yōu)化稀疏分解的雷達(dá)目標(biāo)識(shí)別方法
所以汲取了粒子群優(yōu)化算法（PSO）全局搜索能力強(qiáng)、收斂速度快的優(yōu)點(diǎn)對(duì)最優(yōu)原子的搜索過程進(jìn)行優(yōu)化，并且針對(duì)粒子群優(yōu)化易陷入局部最優(yōu)的問題，提出一種慣性權(quán)重自適應(yīng)改變的改進(jìn)解決方法。通過對(duì)雷達(dá)高分辨率距離像（HRRP）信號(hào)的稀疏表示實(shí)驗(yàn)仿真發(fā)現(xiàn)，基于粒子群優(yōu)化的匹配追蹤算法能大大縮短匹配追蹤的時(shí)間，同時(shí)慣性權(quán)重自適應(yīng)改變的方法也有效解決了PSO優(yōu)化的“早熟”問題。關(guān)鍵詞： 稀疏分解； 粒子群優(yōu)化； 自適應(yīng)變化； 高分辨率距離像中圖分類號(hào)： TN95?34； T
現(xiàn)代電子技術(shù) 2017年23期2017-12-20
- 神經(jīng)網(wǎng)絡(luò)在高校圖書館圖書借閱流量預(yù)測(cè)中的應(yīng)用
確度，提出粒子群優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的圖書借閱流量預(yù)測(cè)模型。該方法以圖書館圖書借閱流量歷史數(shù)據(jù)進(jìn)行RBF神經(jīng)網(wǎng)絡(luò)建模，采用粒子群算法對(duì)RBF神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化，最后建立了圖書借閱流量動(dòng)態(tài)響應(yīng)模型。預(yù)測(cè)結(jié)果表明該模型預(yù)測(cè)結(jié)果合理，精度較高，為圖書館提高工作效率和服務(wù)質(zhì)量提供了參考依據(jù)。關(guān)鍵詞： 圖書借閱； 流量； 神經(jīng)網(wǎng)絡(luò)； 粒子群優(yōu)化中圖分類號(hào)： TN911.1?34 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2017）19?0115?04Appl
現(xiàn)代電子技術(shù) 2017年19期2017-10-12
- 認(rèn)知無線電NC—OFDM中基于案例推理的無線資源分配
問題，利用粒子群優(yōu)化方法，降低案例修訂過程中的計(jì)算復(fù)雜度。仿真結(jié)果表明，隨著案例庫的豐富，提出的算法在保證頻譜利用率的前提下明顯縮短了收斂時(shí)間，有效降低了計(jì)算復(fù)雜度?！娟P(guān)鍵詞】認(rèn)知無線電 NC-OFDM 無線資源分配 案例推理 粒子群優(yōu)化1 引言近年來，無線通信技術(shù)發(fā)展迅速，有限的頻譜資源愈發(fā)顯得稀缺，這就迫切需要提高頻譜的利用效率。認(rèn)知無線電技術(shù)允許非授權(quán)用戶在不對(duì)授權(quán)用戶的通信產(chǎn)生影響的前提下，臨時(shí)使用授權(quán)用戶的頻段，因此可以有效提高頻譜利用效率[1]
移動(dòng)通信 2017年14期2017-10-09
- 柔性作業(yè)車間調(diào)度的分布式粒子群優(yōu)化算法
一種分布式粒子群優(yōu)化算法以求解柔性作業(yè)車間調(diào)度問題，該算法以最小化最大完工時(shí)間為目標(biāo)，為解決傳統(tǒng)粒子群算法在遇到突發(fā)事件時(shí)不能實(shí)時(shí)進(jìn)行響應(yīng)做出合理決策的問題，在算法中設(shè)計(jì)了兩個(gè)多Agent粒子群優(yōu)化模型。最后，使用經(jīng)典算例對(duì)算法進(jìn)行了驗(yàn)證，實(shí)驗(yàn)表明多Agent粒子群優(yōu)化模型具有合理性，該算法能夠有效解決柔性作業(yè)車間調(diào)度問題。關(guān)鍵詞：關(guān)鍵詞：柔性作業(yè)車間調(diào)度；粒子群優(yōu)化；分布式；多Agent系統(tǒng)DOI：10.15938/j.jhust.2017.03.001
哈爾濱理工大學(xué)學(xué)報(bào) 2017年3期2017-08-30
- 基于極限學(xué)習(xí)機(jī)的入土切割過程數(shù)據(jù)驅(qū)動(dòng)模型研究
測(cè)，并利用粒子群優(yōu)化算法（PSO）對(duì)模型參數(shù)進(jìn)行優(yōu)化以提高極限學(xué)習(xí)機(jī)的泛化能力。通過仿真分析并與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行比較分析。由分析結(jié)果可知基于極限學(xué)習(xí)機(jī)的數(shù)據(jù)模型優(yōu)于基于BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)模型，有良好的泛化能力，從而為對(duì)入土切割刀盤自動(dòng)控制系統(tǒng)的研發(fā)提供了依據(jù)。關(guān)鍵詞：極限學(xué)習(xí)機(jī)；粒子群優(yōu)化；入土切割；甘蔗收割機(jī)廣西是我國(guó)最主要的甘蔗原材料基地，甘蔗糖的總產(chǎn)量能占到全國(guó)糖總產(chǎn)量的60%以上[1，2]。但是由于甘蔗收割過程機(jī)械化程度不高，嚴(yán)重制約了廣西甘蔗
裝備制造技術(shù) 2017年6期2017-07-31
- 基于最小二乘支持向量機(jī)的無人機(jī)遙感影像分類
，進(jìn)而利用粒子群優(yōu)化和網(wǎng)格搜索算法分別進(jìn)行參數(shù)尋優(yōu)并交叉驗(yàn)證方法對(duì)影像進(jìn)行SVM和LSSVM對(duì)比試驗(yàn)。結(jié)果表明，Micro MCA12 Snap 多光譜傳感器所選擇的1、6、11波段組合及NDVI、NDWI、Mean特征信息組合，粒子群優(yōu)化LSSVM分類的總體精度較網(wǎng)格搜索LSSVM高0.092%，Kappa系數(shù)高0.006；粒子群優(yōu)化LSSVM分類的總體精度較粒子群優(yōu)化SVM分類高2.021%，Kappa系數(shù)高0.008。試驗(yàn)方法改善了各種地物特別是裸地
江蘇農(nóng)業(yè)科學(xué) 2017年9期2017-07-15
- 基于降維與粒子群優(yōu)化的水下傳感網(wǎng)定位算法
基于降維與粒子群優(yōu)化的節(jié)點(diǎn)定位算法。算法首先結(jié)合水下傳感網(wǎng)的特性，將水下三維定位轉(zhuǎn)換為二維定位， 然后引入粒子群優(yōu)化方法，根據(jù)全局最優(yōu)值限定粒子的方向，粒子不斷優(yōu)化，最后確定節(jié)點(diǎn)的位置。實(shí)驗(yàn)結(jié)果表明，與其他定位算法相比，提出的算法提高了定位精度，降低了節(jié)點(diǎn)的能量和計(jì)算量消耗。關(guān)鍵詞：水下無線傳感器網(wǎng)絡(luò)；定位；降維；粒子群優(yōu)化DOI：10.16640/j.cnki.37-1222/t.2017.09.1271 引言目前，水下無線傳感器網(wǎng)絡(luò)已被廣泛的應(yīng)用于海洋
山東工業(yè)技術(shù) 2017年9期2017-05-16
- 基于邊界變異的一種新的粒子群優(yōu)化算法
針對(duì)傳統(tǒng)粒子群優(yōu)化算法易早熟，收斂精度低，特別是在解決大維數(shù)問題時(shí)，效果很不理想等缺點(diǎn)。針對(duì)這類問題，首先提出一個(gè)判別機(jī)制，判定算法什么時(shí)候達(dá)到早熟，若達(dá)到早熟則提出一種基于邊界與隨機(jī)變異的方法使部分粒子進(jìn)行變異，從而使粒子重新分散后，再進(jìn)行搜索。通過對(duì)四個(gè)經(jīng)典測(cè)試函數(shù)的數(shù)值仿真實(shí)驗(yàn)證明，該方法能極大地提高算法的尋優(yōu)能力，特別是在高維函數(shù)尋優(yōu)時(shí)獲得了較好的優(yōu)化效果?！?關(guān)鍵詞 】 粒子群優(yōu)化；早熟；邊界；變異【 中圖分類號(hào) 】 TP18【 文獻(xiàn)標(biāo)識(shí)碼 】
網(wǎng)絡(luò)空間安全 2017年1期2017-03-10