PSO

摘要： 为解决传统的光伏发电量预测中数据特征方程较为粗糙、预测精度不高等问题,提出一种基于PSO-Soft attention双向LSTM算法的光伏发电功率预测算法,在前向传播过程中通过自适应学习策略的PSO算法对LSTM模型的关键参数进行寻优,同时优化了双向LSTM网络的反向传播过程,加入了Soft attention机制使模型收敛性更强,重新构造该模型为八层网络结构且采用两层卷积层,同时解析了PSO-Soft attention双向LSTM算法的光伏发电功率预测过程。实验结果表明,相较于SVM模型以及LSTM模型,所提预测模型的预测精度提升了2%左右。

摘要： 趋势异常检测是工业领域一项重要研究内容。工程参数微弱趋势异常变化是复杂工程事故的征兆,因此微弱趋势异常检测具有重要工程意义和研究价值。工业环境存在噪声,常引起趋势异常误报,算法中的参数设置对算法效果影响很大。采用滑动嵌套窗体对噪声进行抑制,采用粒子群算法优化参数设置以获得算法最优设置,该方法被命名为OP-WTA。石油钻井现场数据验证表明,该方法可以抑制噪声,提高微弱趋势检测分类能力。

摘要： 对于生产企业而言,原料订购方案的合理性对其生产发展有着非常重要的影响。因为原料性质差异,供应商不能严格保障供货质量达到企业要求,可能出现供不应求的情况。要维持正常的生产需要,企业需尽量保障仓库的原料库存量能满足不少于两周的生产需求。本文基于企业、供应商、转运商的相关数据,利用CCA典型相关分析、PSO粒子群算法等模型对供应商的选取、企业原料订购及转运方案等问题进行优化,保障企业的良好发展。

摘要： 为了有效处理明挖法地铁车站工程建设的复杂性以及工期与其影响因素之间的非线性关系等问题,采用粗糙集理论、粒子群算法(PSO)与BP神经网络相结合的方法预测明挖法地铁车站施工工期。首先,识别得出24个工期影响因素,采用粗糙集理论根据样本数据对影响因素进行约简,确定了11个工期预测指标作为预测模型的输入变量;然后,针对BP神经网络收敛速度慢且易陷入局部最优的缺陷,通过PSO优化BP神经网络的权值及阈值,构建了基于PSO-BP的工期预测模型;最后,将样本数据输入PSO-BP模型以及BP神经网络、遗传算法(GA)优化的BP模型进行仿真测算,并进行结果误差分析,结果证明了PSO-BP预测模型的有效性和先进性。

摘要： 尾砂充填过程中存在大滞后、非线性和时变性特点,传统控制策略效果不佳,难以实现尾砂浓度精准控制,因此需要先进控制算法进行充填浓度的精准控制,提高浓度控制的稳定性。以某黄金矿山生产工艺为研究对象,建立充填浓度控制模型,提出了一种模糊内模控制策略,利用粒子群算法对模糊自适应参数进行在线辨识,在MATLAB中进行浓度控制系统仿真。与IMC算法和Fuzzy-IMC算法对比,优化后的模糊内模控制算法具有超调量小、鲁棒性高等优点,浓度控制响应速度快、稳定性高,在抗干扰性和稳定性方面优于内模控制和模糊内模控制算法,浓度控制误差在2%,比内模控制算法提高3%,明显提高系统的控制精度,更好地满足实际应用的要求。

摘要： 微博短文本蕴含着较为丰富的情感信息,基于微博数据的情感分析已成为网络舆情监测的重要任务。为提高中文微博情感分类效果,提出一种基于粒子群优化(PSO)的长短期记忆(LSTM)模型(PSO-LSTM),该模型在LSTM模型的基础上进行了参数优化,能够更有效获取微博信息。实验以新冠肺炎疫情期间的微博数据集构建PSO-LSTM模型,与其它模型进行了比对实验。实验结果表明,PSO-LSTM模型能够有效提升中文微博情感分类的性能。

摘要： 为了更好地拟合离心泵空化试验数据,搭建了卧式离心泵闭式空化试验台,采集了空化试验数据。首先对空化实验数据进行常规的3次、4次、5次、6次多项式拟合,其中5次多项式拟合方法对于空化试验数据的拟合效果较好,但随着拟合次数的增加,空化曲线的震荡现象越发严重。其次采用PSO和WVPSO算法分别对空化试验数据进行分段多项式拟合,通过对比两种算法的拟合结果,发现WVPSO算法对于数据的拟合效果更好,其能够消除多项式拟合后空化曲线的震荡现象,使得空化曲线更加光滑。

摘要： 多自由度电液机械臂的故障诊断系统对于机械臂稳定性运行至关重要,在电液机械臂运行工况中需要实时对系统进行故障检测,针对电液机械臂传统故障诊断系统检测效率和准确率低下的缺陷,设计一种基于粒子群优化(Particle Swarm Optimization, PSO)算法的故障诊断系统,在电液机械臂故障诊断系统架构基础上,通过滑动平均滤波算法对电液机械臂故障检测输入信号进行优化,提取不同故障诊断项的故障信息特征,采用PSO算法进行寻优处理,提高故障诊断的效率,最后在电液机械臂快速原型开发实验平台导入PSO故障诊断算法进行集成测试,实验结果表明所设计的诊断算法能够满足设计需求。

摘要： 为了确保基坑工程安全,常常会采用数值模拟的方法预测支护结构的位移,其中岩土体力学参数的选取对于结果的影响最大。本文使用了一种粒子群(PSO)算法结合多输出最小二乘支持向量回归机(MLSSVR)的基坑土体参数位移反分析法,以深圳某深基坑的支护桩顶水平位移监测数据为依据,基于正交设计生成具有代表性的土体参数组合,通过有限元计算得到研究点的位移作为训练样本,使用粒子群PSO算法对多输出MLSSVR模型参数寻优,利用MLSSVR构建反演参数与位移之间的映射关系,反演填石层、淤泥层和砂质黏土层的土体参数,将反演参数代入有限元模型计算测点位移。结果表明:在反演参数过程中,MLSSVR模型比单输出最小二乘支持向量回归机(LSSVR)耗时更短,而且将两个模型的反演参数代入有限元模型进行计算时,MLSSVR的结果较LSSVR更贴近于实际监测值,对比结果验证了研究方法的优越性;在施工的不同阶段,使用MLSSVR得到反演参数进行数值模拟,得到的模拟结果与监测数据吻合较好,验证该方法具有准确性和实用性。结果分析证明本文研究方法可以有助于土体参数的选取,提高基坑数值模拟结果的准确性。

摘要： 针对传统ACC算法对车辆行驶经济性考虑不足的问题,提出了基于PSO算法的节能ACC策略。在巡航模式中引入滑行巡航模型,并以油耗为目标,采用PSO算法进行滑行巡航加速度优化。以CarSim车辆模型为基础,建立了节能ACC策略模型,并通过CarSim与Simulink进行联合仿真。结果表明:相同的行驶距离情况下,节能ACC策略相对于常规ACC定速巡航策略油耗更低。

摘要： A method is analyzed for the fault detection and isolation (FDI) based on hybrid diagnostic model tosolve the problem of fault detection and isolation. Furthermore, combining with hybrid diagnostic inference, themodified particle swarm algorithm (PSO) is used to improve the disadvantages of the original method. By theexperiment of polybox model, the modified method performs better in FDIand require for lower ability ofcomputation and takes less time for testing. The method has been tested in the system of assistant design fortestability (DFT) and analysis on some equipment.

摘要： A method is analyzed for the fault detection and isolation (FDI) based on hybrid diagnostic model tosolve the problem of fault detection and isolation. Furthermore, combining with hybrid diagnostic inference, themodified particle swarm algorithm (PSO) is used to improve the disadvantages of the original method. By theexperiment of polybox model, the modified method performs better in FDIand require for lower ability ofcomputation and takes less time for testing. The method has been tested in the system of assistant design fortestability (DFT) and analysis on some equipment.

摘要： A method is analyzed for the fault detection and isolation (FDI) based on hybrid diagnostic model tosolve the problem of fault detection and isolation. Furthermore, combining with hybrid diagnostic inference, themodified particle swarm algorithm (PSO) is used to improve the disadvantages of the original method. By theexperiment of polybox model, the modified method performs better in FDIand require for lower ability ofcomputation and takes less time for testing. The method has been tested in the system of assistant design fortestability (DFT) and analysis on some equipment.

摘要： A method is analyzed for the fault detection and isolation (FDI) based on hybrid diagnostic model tosolve the problem of fault detection and isolation. Furthermore, combining with hybrid diagnostic inference, themodified particle swarm algorithm (PSO) is used to improve the disadvantages of the original method. By theexperiment of polybox model, the modified method performs better in FDIand require for lower ability ofcomputation and takes less time for testing. The method has been tested in the system of assistant design fortestability (DFT) and analysis on some equipment.

摘要： 针对机械产品寿命预测问题,本文研究如何以尽可能少的试验样本获得较高的预测精度,提出对微粒群算法进行早熟判断和混沌优化,进而对灰色GM(1,1)模型进行改进并应用在机械产品寿命预测中。实例计算结果表明该优化方法是有效的。

摘要： 针对机械产品寿命预测问题,本文研究如何以尽可能少的试验样本获得较高的预测精度,提出对微粒群算法进行早熟判断和混沌优化,进而对灰色GM(1,1)模型进行改进并应用在机械产品寿命预测中。实例计算结果表明该优化方法是有效的。

摘要： 针对机械产品寿命预测问题,本文研究如何以尽可能少的试验样本获得较高的预测精度,提出对微粒群算法进行早熟判断和混沌优化,进而对灰色GM(1,1)模型进行改进并应用在机械产品寿命预测中。实例计算结果表明该优化方法是有效的。

摘要： 传统的划分聚类算法必须指定簇的数量且聚类结果受初始条件的影响较大.针对此缺点,提出了一种基于PSO和K-means的混合动态聚类算法--DKPSO,运行过程中能够自动确定聚类簇的最佳数量.此算法在初始时将聚类数据划分为较多数量的簇以减少初始条件的影响,然后使用离散PSO算法不断优化簇的数量并使用K-means算法进一步优化每个粒子代表的聚类中心.为了提高收敛速度,对算法进行了的改进,使每个粒子的惯性权重随迭代次数非线性自适应地调整.最后通过实验对算法的有效性进行了验证,并给出实验结果.

摘要： 传统的划分聚类算法必须指定簇的数量且聚类结果受初始条件的影响较大.针对此缺点,提出了一种基于PSO和K-means的混合动态聚类算法--DKPSO,运行过程中能够自动确定聚类簇的最佳数量.此算法在初始时将聚类数据划分为较多数量的簇以减少初始条件的影响,然后使用离散PSO算法不断优化簇的数量并使用K-means算法进一步优化每个粒子代表的聚类中心.为了提高收敛速度,对算法进行了的改进,使每个粒子的惯性权重随迭代次数非线性自适应地调整.最后通过实验对算法的有效性进行了验证,并给出实验结果.

摘要： 传统的划分聚类算法必须指定簇的数量且聚类结果受初始条件的影响较大.针对此缺点,提出了一种基于PSO和K-means的混合动态聚类算法--DKPSO,运行过程中能够自动确定聚类簇的最佳数量.此算法在初始时将聚类数据划分为较多数量的簇以减少初始条件的影响,然后使用离散PSO算法不断优化簇的数量并使用K-means算法进一步优化每个粒子代表的聚类中心.为了提高收敛速度,对算法进行了的改进,使每个粒子的惯性权重随迭代次数非线性自适应地调整.最后通过实验对算法的有效性进行了验证,并给出实验结果.

摘要： 一种基于改进PSO‑LSTM的空调负荷精细预测模型，属于综合能源系统技术领域，包括以下步骤：对收集到的原始负荷数据采取改进随机森林方法选取特征值；采取改进K‑中心点方法对数据进行聚类分析；将处理后的数据输入进LSTM模型的输入层，并将输入层所接收到的数据导入LSTM网络层；训练LSTM神经网络，利用改进PSO方法优化LSTM神经网络，得到LSTM预测模型；若达到最大迭代次数，则将最优参数赋予LSTM并进行训练，输出预测值，否则继续迭代，直到满足终止条件。本发明在负荷预测的基础上，具有自组织和进化性以及记忆功能的特征，能有效地根据历史信息进行学习和预测，从而获得更好的预测效果提高了负荷预测的精度。

摘要： 本发明提出了基于PSO和ICCP的地磁匹配导航方法，步骤包括：1、在地磁匹配时间段内获取地磁测量值以及同时刻的惯性导航系统(INS)指示坐标；2、采用多次匹配选取最优轨迹的策略，由滑动窗口在全局搜索区域中生成子区域，每次匹配分别在不同子区域内由四叉树生成初始化粒子，再先后使用PSO、ICCP对惯导指示轨迹分别进行粗、细匹配，从而获取一系列的候选轨迹；3、将最优轨迹的选取视作多属性决策问题，对每一条候选轨迹，分别使用其与真实轨迹的磁测序列的轨迹相关性和ICCP算法收敛度进行综合评价，进而选取最优轨迹输出，可以有效消除惯导累计误差，提高组合导航系统的定位精度。

摘要： 本发明公开了基于PSO‑AwASD‑POCS算法的焊接电弧发射系数重建参数调优方法，步骤包括：获取电弧特征谱线图像，根据所述电弧特征谱线图像构建发射系数分布数学模型；从不同角度对所述发射系数分布数学模型进行投影，得到多角度特征谱线强度，并对所述多角度特征谱线强度进行高斯白噪声叠加；设置算法参数，并设定重建参数取值范围；初始化粒子群位置和速度，并结合所述多角度特征谱线强度、算法参数以及重建参数取值范围，计算初始化后粒子群的适应度；更新粒子群位置和速度并进行迭代计算，根据迭代结果和所述初始化后粒子群的适应度，得到调优重建参数。本发明自动选择合适的重建参数，有效提高光谱诊断的准确性和自动化水平。

摘要： 本发明公开一种基于PSO‑LSTM的SO2预测方法，包括：步骤1，获取火电厂在运营中的辅助变量；步骤2，利用互信息的方法筛选辅助变量；步骤3，根据辅助变量构建LSTM模型，构造遗忘门、输入门、输出门三种门来更新细胞状态；步骤4，利用PSO算法对LSTM模型的参数进行寻优；步骤5，获得PSO‑LSTM的SO2预测模型，通过PSO‑LSTM的SO2预测模型进行SO2的预测。本发明所述预测方法，通过采用传统LSTM模型结合PSO算法的方式，使SO2预测的预测更为准确。

摘要： 本发明提供了一种基于PSO‑ELM算法的交叉口交通状态识别方法。该方法包括：获取有标签的交叉口连接路段的历史交通流量数据集；利用极限学习机ELM算法对所述历史交通流量数据集进行学习，利用粒子群优化算法PSO对ELM的参数进行寻优，PSO的适应度函数设置为ELM预测值和实际值的均方误差MSE，取最佳适应度值时的参数作为ELM最终参数，将最终ELM模型作为交叉口交通状态识别模型；利用交叉口交通状态识别模型对待识别的交叉口交通状态进行识别。本发明将PSO‑ELM算法应用到交通状态识别领域，通过利用交叉口连接道路的交通状态识别交叉口交通状态，有助于交叉口连接道路的交通管控措施的制定。

摘要： 本发明涉及一种基于PSO‑LSTM的一次调频能力评估与预测系统，包括如下步骤：采集火力发电机组DCS系统中的历史数据；对采集的数据进行处理，得到能反映一次调频过程的有效数据；选择数据的训练集和验证集，确定模型的输入输出变量；构造LSTM神经网络并使用PSO算法优化网络模型，得到基于PSO‑LSTM的一次调频能力评估与预测模型；本发明通过利用火电机组的历史运行数据，确定影响一次调频能力的变量因素，确定一次调频性能评估的方法，并通过构建LSTM神经网络模型，对火电机组的一次调频能力进行预测，辅助调度人员可以在发生扰动时进行紧急的控制。

摘要： 本发明公开了属于火电机组污染物控制技术领域的一种基于PSO‑ELM循环流化床机组SO2浓度预测方法。本SO2浓度预测方法是根据SO2的生成和脱除过程中选择一次风量、二次风量、氧量、煤量、负荷、床温、石灰石给料量作为基于PSO‑ELM循环流化床机组SO2浓度预测模型的输入；在极限学习机模型的基础上，采用粒子群算法，以方差最小作为目标函数，对极限学习机输入层和隐藏层之间的连接权重和阈值参数进行优化。有利于解决因原烟气二氧化硫建模困难所导致的二氧化硫浓度超标与控制困难等问题，提高模型精度。

摘要： 本发明公开了一种基于改进PSO‑模糊PID的火电机组DEH转速控制方法，包括：构建火电机组DEH系统；建立模糊PID控制模块；引入改进PSO算法对模糊PID控制模块优化，在模糊PID控制模块中，采用改进PSO算法对模糊PID控制模块中的比例因子和量化因子进行寻优，并将最优值送入模糊PID控制模块中，改进PSO算法将火电机组DEH系统的误差信号作为适应度函数，并设置幂指数衰减的惯性权重；将改进PSO‑模糊PID控制模块应用至火电机组DEH系统，形成闭环反馈，实现火电机组DEH系统的转速控制。本发明在改进PSO算法中，将火电机组DEH系统的误差信号作为适应度函数，并设置幂指数衰减的惯性权重，拥有收敛快、对系统控制的稳定性好、响应时间快以及系统鲁棒性好等优点。

摘要： 本发明涉及一种一种基于PSO‑MSVM的APT组织追踪溯源方法及系统，其方法包括步骤：S1、进行数据预处理，通过使用归一化方法、LabelEncoder、TF‑IDF算法对数据集进行处理，将特征数据映射到向量空间；S2、进行PSO‑MSVM模型初始化，初始化粒子群算法的参数，生成初始粒子群，通过移动粒子的位置，进行多分类支持向量机参数优化；S3、构建PSO‑MSVM模型，更新粒子的局部和全局最佳位置，获取多分类支持向量机最优参数；S4、对PSO‑MSVM模型进行验证，获取MSVM识别模型的最优参数，最后利用最优参数的MSVM模型对测试集进行预测。本发明通过使用多分类支持向量机模型，训练出一个识别准确率、综合性能更好的APT组织追踪溯源模型。

摘要： 本发明公开了一种基于PSO和双向GRU的短期负荷预测模型，包括如下步骤：对样本数据进行预处理，剔除异常数据，填充残缺数据，将输入数据转换为矩阵形式，初始化PSO算法参数；定义适应度，采用BiGRU网络预测值的均方差作为粒子适应度值fit；以粒子的位置信息作为BiGRU网络的参数，构建多个BiGRU网络；训练所有网络，得到每个粒子的自适应度值，更新个体极值和群体极值；本发明的有益效果是：能够充分考虑历史时期以及未来时期负荷影响因素对当前预测负荷的影响，以历史负荷作为网络输入数据，迭代输入，充分挖掘数据的内部信息，建立预测模型，提高了短期负预测精度。