量子粒子群

摘要： 深度学习是挖掘数据关键特征的重要技术手段,为准确分析通信网络数据特征,并保障质量,提出基于深度学习的通信网络数据关键特征挖掘方法。选取接入率、可用性以及覆盖率等七个指标作为通信网络质量核心性能指标,将卷积神经网络与径向基神经网络相结合,构建深度学习网络结构,将该性能指标作为标签参数,将所得到的标签参数的聚类与求和结果作为深度网络的标签数据,通过前向传播将标签数据输入卷积神经网络的输入层内,经过不同隐层的变换与映射至输出层位置,并采用量子粒子群算法求解深度学习网络最优参数,输出通信网络数据关键特征挖掘结果。经实验结果表明,所提方法的通信网络数据关键特征挖掘率在95%以上,能够准确预测未来短时间段内的通信网络质量。

摘要： 为有效进行辐射剂量探测,设计了有源在线监控模块。针对监控模块辐射测量值标定这一难题,提出了基于量子粒子群的融合算法实现对测量值与剂量值之间的高精度逼近。使用聚类和数据融合算法实现了拟合数据的自主最佳分段,避免了分段选择的主观性。仿真结果表明,融合算法能有效减少计数率较小时拟合函数的误差,提高各数据段测量值与剂量率之间的拟合精度,与整体拟合函数相比,进一步提高了拟合的精度。

摘要： 针对现有方法在处理训练样本较少的数据集时易出现过拟合现象的问题,将图卷积神经网络引入柴油机故障诊断领域,并结合量子粒子群优化算法,建立一种基于QPSO-MC-GCN(Quantum Particle Swarm Optimization-Multi-channel-Graph Convolutional Network)的故障诊断方法。该方法搭建了一种邻接矩阵,将时序振动数据转换为图数据,实现多个测点样本特征的有效融合;利用QPSO对多通道图卷积神经网络(MC-GCN)的关键参数学习率和热核函数宽度进行寻优,以提高模型的泛化能力;在传统图卷积神经网络(GCN)的基础上建立双头权值矩阵以提取更丰富的深层特征,并引入一维最大池化层进一步控制过拟合现象。对实测柴油机振动信号的分析结果表明,该方法针对试验所设定故障类型的诊断准确率优于文中的对比方法,尤其是在低标签比的情况下优势更明显。

摘要： 目的:为了加强水质预测模型的预测能力。方法:基于量子粒子群优化的CNN-LSTM水质预测模型,利用CNN对数据的局部特征提取能力以及LSTM模型对时间序列的预测能力,将两个模型结合构建CNN-LSTM模型;再通过量子粒子群算法对CNN-LSTM模型的关键参数进行寻优,使水质信息与网络拓扑结构相匹配,减少人为工作量。结果:QPSO-CNN-LSTM在溶解氧数据的预测结果中,RMSE、MSE、MAE、MAPE分别为0.1475、0.0218、0.0617、0.0118,在pH数据的预测结果中,RMSE、MSE、MAE、MAPE分别为0.0676,0.0046,0.0311,0.0038,均明显低于其他模型。结论:基于量子粒子群优化的CNN-LSTM水质预测模型在水质预测中预测精度较高且具有一定的普遍适用性。

摘要： 考虑综合智慧能源系统管理中电负荷和热负荷的可调度价值,提出了一种考虑电热多元负荷需求响应的综合智慧能源系统协同优化调度模型及方法。首先,利用用户对供热舒适度感知的模糊性及热网在传输过程中的热惯性,将热负荷作为能源系统中的柔性负荷加入到综合智慧能源系统的优化调度中。同时,综合考虑了电负荷与热负荷的不同类型的需求响应,构建了电热多元负荷综合需求响应模型。其次,引入能质系数将能量的“质”和“量”相结合,以系统用能效率最优为目标函数,考虑正常运行条件下电气热系统运行约束,建立了综合智慧能源系统协同优化调度模型,采用量子粒子群算法对模型进行分析计算。最后,利用IEEE 9节点系统、20节点天然气系统和6节点热系统为算例进行分析,验证了所建模型及方法的合理性和有效性。

摘要： 针对无线信道环境中低信噪比情况下主用户信号检测率较低的问题,提出了一种基于量子粒子群优化极限学习机(E L M)算法的认知无线电网络频谱感知方法.针对极限学习机算法的特点通过量子粒子群算法(Q P S O)优化极限学习机参数,并构建引入结构风险思想的QPSO-ELM模型,降低算法的经验风险提高模型的泛化能力,提高算法的频谱感知性能.仿真实验表明,与人工神经网络(A N N)、支持向量机(S V M)和极限学习机(E L M)三种机器学习算法,在信噪比为-15 dB时的频谱感知性能进行比较,分别提高了16％、28％、9％,仿真证明所提算法在低信噪比情况下具有较高的性能,可有效地实现对主用户信号的频谱感知.

摘要： 鉴于现有桥梁结构健康监测传感器优化布置方法中的模态置信准则,x、y和z三个方向不能同时优化.将三个平移自由度用作结构节点上的独立单元,建立相应的三维模态置信准则.为了提高优化算法的收敛速度和性能,引入混沌搜索来提高初始种群质量;利用Levy分布增加粒子搜索空间;利用Cauchy变异因子来改变全局最优解决方案,从而避免本地化最佳.仿真结果表明,三维传感器能更充分地反映桥梁不同自由度的状态,降低了监测系统的成本.此外,改进的量子粒子群优化算法具有更好的收敛速度和优化能力,可以更好地解决传感器的最优放置问题.

摘要： 小样本条件下供电系统故障快速诊断是保证城市轨道交通安全稳定运行的保证.文中提出了一种基于量子粒子群优化最小二乘支持向量机(LSSVM)的供电系统故障诊断方法.该方法首先基于主成分分析提取能够表征系统运行状态的特征参数,并降低数据维数.然后利用LSSVM构建小样本故障诊断模型,通过量子粒子群算法对LSSVM模型参数进行优化,设计了自适应检测机制和自适应扰动操作,提高优化算法的全局搜索能力.实验结果表明,该方法能够有效提取故障特征,具有更高的全局搜索能力,对供电系统故障的诊断正确率更高.

摘要： 变电站的规划设计与建设是电力工程建设的重点内容,快速的对变电站全寿命周期成本进行准确预测对变电站的建设具有指导意义.本文建立基于量子粒子群优化最小二乘支持向量机的变电站全寿命周期成本预测模型,将变电站全寿命周期内相关特征指标作为模型的输入,输出为变电站全寿命周期成本.通过仿真算例对比了QPSO优化LS-SVM,PSO优化LS-SVM,传统LS-SVM,BP神经网络4种预测模型的预测结果与相关性能指标.仿真结果表明,QPSO优化LS-SVM模型具有更好的预测精度,在变电站设计建设时能够快速准确的对全寿命周期成本进行预测评估,提高变电站建设的经济性.

摘要： 峰值功率的精确预测是保障动力电池在电动汽车上安全、高效和可靠应用的基本前提.通过恒功率实验测得三元锂离子电池不同状态下的峰值功率数据,使用统计学方法挖掘变量内在相关性.引入权系数与自适应收缩扩张系数,实现对量子粒子群(QPSO)算法全局寻优性能的提升;利用改进后的量子粒子群算法确定模糊神经网络(FNN)中隶属度函数的中心位置、宽度以及输出层的权值,从而建立改进型QPSO-FNN模型.使用324组数据对模型进行训练并用80组数据验证模型性能,实验结果证明:相比于FNN模型与QPSO-FNN模型,所提模型预测精度更高,平均相对误差仅为1.2%,能够更加准确的反映电池峰值功率特性.

摘要： 通过引入"吸收墙"和多阶段理论,改进量子粒子群优化算法,将其用于分类规则提取。实验结果表明,算法在进行规则提取时效率高,得到的规则准确度也高。

摘要： 提出了基于量子粒子群算法的无功优化，该方法中的粒子具有量子行为，它可以在整个可行域进行搜索，粒子的状态只需用位置向量来描述，并且其所依赖的参数只有一个，其收敛速度和全局寻优能力优于传统的粒子群算法。用该算法仿真计算了IEEE14节点系统的无功优化问题，结果验证了算法的有效性。

摘要： 随着电力系统的不断发展,电力无线专网在电力系统中的应用越来越广泛,为了满足日益增长的需求,本文将D2D通信(Device-to-Device Communication)引入电力无线专网中.D2D通信是指邻近的终端通过直连链路进行通信的技术,是5G的重要组成部分.D2D通信可以增大频谱利用率,提高能量效率,降低传输时延,但同时也会造成干扰,为了减小干扰并充分发挥D2D通信的优势,本文研究了D2D通信中的频率资源分配算法,在建立系统模型的基础上,运用量子粒子群对频谱资源分配算法进行求解,仿真结果表明,所提算法可以有效地提升网络容量和保障用户服务质量.

摘要： 为解决传统入侵检测系统检测速度慢和误检率高的问题,结合量子粒子群优化算法、免疫原理和移动A-gent技术,提出了基于粒子群优化算法和免疫Agent的入侵检测模型。介绍了系统模型与体系结构,并对系统性能进行仿真实验。实验结果对比表明,系统能提高传统入侵检测系统的检测速度和降低误检率。

摘要： 建立在严格的数学理论基础上的朴素贝叶斯分类方法由于其高效的计算性能以及精确的分类结果而得到广泛的应用.但由于朴素贝叶斯分类假定类条件独立，使得所选数据集的条件属性集在预处理时必须进行属性约简，如果处理不当，就会造成分类的不准确。文章分别对在训练集上随机选取的属性子集构建朴素贝叶斯分类器，并利用量子粒子群算法对分类效果进行择优操作。实验证明其分类效果优于传统的朴素贝叶斯分类方法。

摘要： 针对混凝投药过程非线性、非平稳、大滞后的特点，提出将Hammerstein模型用于该过程描述。将基于量子行为的粒子群优化(QPSO)算法应用于Hammerstein模型的参数估计中。通过仿真实验，表明了该算法不仅可以准确地估计出Hammerstein模型的参数，并且具有计算简便、辨识精确、收敛速度快等特点。通过与一般粒子群(PSO)算法的比较，证明了QPSO算法的优越性。

摘要： 针对混凝投药过程非线性、非平稳、大滞后的特点，提出将Hammerstein模型用于该过程描述。将基于量子行为的粒子群优化(QPSO)算法应用于Hammerstein模型的参数估计中。通过仿真实验，表明了该算法不仅可以准确地估计出Hammerstein模型的参数，并且具有计算简便、辨识精确、收敛速度快等特点。通过与一般粒子群(PSO)算法的比较，证明了QPSO算法的优越性。

摘要： 针对混凝投药过程非线性、非平稳、大滞后的特点，提出将Hammerstein模型用于该过程描述。将基于量子行为的粒子群优化(QPSO)算法应用于Hammerstein模型的参数估计中。通过仿真实验，表明了该算法不仅可以准确地估计出Hammerstein模型的参数，并且具有计算简便、辨识精确、收敛速度快等特点。通过与一般粒子群(PSO)算法的比较，证明了QPSO算法的优越性。

摘要： 针对混凝投药过程非线性、非平稳、大滞后的特点，提出将Hammerstein模型用于该过程描述。将基于量子行为的粒子群优化(QPSO)算法应用于Hammerstein模型的参数估计中。通过仿真实验，表明了该算法不仅可以准确地估计出Hammerstein模型的参数，并且具有计算简便、辨识精确、收敛速度快等特点。通过与一般粒子群(PSO)算法的比较，证明了QPSO算法的优越性。

摘要： 针对混凝投药过程非线性、非平稳、大滞后的特点，提出将Hammerstein模型用于该过程描述。将基于量子行为的粒子群优化(QPSO)算法应用于Hammerstein模型的参数估计中。通过仿真实验，表明了该算法不仅可以准确地估计出Hammerstein模型的参数，并且具有计算简便、辨识精确、收敛速度快等特点。通过与一般粒子群(PSO)算法的比较，证明了QPSO算法的优越性。

摘要： 一种基于量子粒子群优化策略的车联网交通流量预测方法(MPSO‑RBF)，解决如何准确预测城市道路未来交通流量的问题。包括交通流量预测数学模型建立，即根据交通流量数据特征建立对应模型，使用模拟退火算法和遗传算法对初始聚类中心进行优化，并采用模糊均值聚类算法对RBF网络进行训练；使用改进的量子粒子群优化策略，增大粒子位置的随机性，输出最优化的神经网络参数；将优化后的算法应用于径向基神经网络预测模型的参数优化，通过径向基神经网络的高维映射得到所需预测的数据结果。测试结果表明，本发明所提出的算法能够降低预测误差，得到更好、更稳定的预测结果。

摘要： 本发明涉及一种基于优化量子粒子群算法准确提取未知相移量的方法，其首先基于衍射场的统计性质近似计算四步相移中各相移量的菲涅尔衍射场统计平均值；其次，根据相位随机条件求取中间值，用其表示近似相移量；最后，设置平均误差函数作为适应值函数，并改进量子粒子群算法以进一步逼近相移量的真实值，其中，量子粒子群算法中添加高斯变异操作，使算法符合粒子的初始分布规律。本发明构思合理，理论完善，不仅可以实现四步相移中未知相移量的近似预估计，提高计算方向的准确性，而且可以提高计算未知相移量的真实值的准确度和速度，有效克服传统迭代方法中出现在真实值附近的“锯齿解现象”，具有极快的速度和优秀的求解质量等优点。

摘要： 本发明公开了一种基于退火算法的量子粒子群求解无人机路径规划方法，步骤包括1)根据无人机摄影特点、双曲拱坝曲面特性、大坝缺陷特性对缺陷点信息进行预处理，将缺陷点改为任务点。2)对所有任务点进行目标分配规划，通过使用高斯量子粒子群算法实现任务点的分组，之后对每一组分配无人机进行遍历。3)在对任务点进行分组规划后，使用基于退火算法的量子粒子群算法对其中的每一个组进行组内多任务点路径规划，得到一条覆盖该组内所有任务点的综合考虑耗能、飞行时间、飞行高度的无人机飞行路径。本发明提高了路径规划效率，减少了无人机的无效飞行路径、飞行时间与飞行损耗，增加飞行安全性。

摘要： 本发明涉及一种选择多目标量子粒子群算法领导粒子的方法。过将多目标量子粒子群算法的帕累托前沿分区拉直，在每段分区拉直的帕累托前沿中随机选择一个坐标，再选择距离该坐标最近的解作为领导粒子，引导该分区种群的搜索，使帕累托前沿中解密集度较高部位中对应的粒子被选为领导粒子的概率低，解密集度较低部位对应的粒子被选为领导粒子的概率高，从而让帕累托前沿分布更均匀。本发明方法能够使得帕累托前沿分布更均匀。

摘要： 本发明提出一种改进量子粒子群优化的瓦斯信号演化趋势预测方法，涉及瓦斯信号预测领域，通过井下瓦斯传感器收集瓦斯信号时间序列数据，形成瓦斯信号时间序列库；对存储到瓦斯信号时间序列库中的瓦斯信号数据进行小波去噪预处理；基于最小微熵率法同时计算瓦斯信号时间序列的延迟时间τ和嵌入维数m；将处理后的瓦斯信号序列基于改进的量子粒子群算法预测瓦斯信号演化趋势；利用改进的量子粒子群算法优化Elman算法的权值和阈值ω和θ，利用Elman算法具有动态反馈环节的优越性，与Elman有机结合改进传统粒子群优化算法易陷入局部最优解的算法缺陷，实现煤矿回采工作面瓦斯信号演化趋势的准确动态预测。

摘要： 本发明涉及异常心电信号智能识别技术领域，具体公开了一种基于量子粒子群优化的ECG信号监测方法，包括：采集用户的ECG信号；对ECG信号进行电磁噪声去除；对去噪预处理后的ECG信号进行心拍分割，获得多个ECG信号样本；将分割后的多个ECG信号样本分为训练集和测试集；构建初始CNN‑SVM模型，将所述训练集中的ECG信号样本输入到CNN‑SVM模型中进行训练，得到训练后的CNN‑SVM模型；将所述测试集中的ECG信号样本输入到所述训练后的心电信号检测网络CNN‑SVM模型中，以进行异常ECG信号的检测。本发明能够有效寻找到使ECG信号识别准确率最高的支持向量机参数，提高CNN‑SVM模型对异常ECG信号的识别精度。

摘要： 本发明涉及海上求救报警技术，特别涉及一种基于量子粒子群优化的水上救援落水智能报警系统。所述救援落水智能报警系统包括了救生端和救援端；所述求救系统启动模块感应落水信息后，启动定位报警模块，并通过无线通信模块发送遇险信号；所述救援端通过数据接入模块、数据处理模块、信息编码模块、信息通讯模块和信息展示模块，对于接收到的信息进行数据分析和可视化处理；本发明提供的基于量子粒子群优化的水上救援落水智能报警系统采用量子粒子群优化算法进行救援路线规划，可以准确定位遇险位置，给搜救人员提供准确的方位，并能以最快的路线前往事发地，有效解决了海上救援难以定位，救助不及时的问题，提高了遇难人员脱险的成功率。

摘要： 本申请提供一种基于量子粒子群算法的GRU网络的能耗预测方法、装置，所述方法包括：获取历史能耗数据，对历史数据进行预处理，得到按照时间段划分的分段能耗数据；对所述分段能耗数据进行预处理，并划分训练集和测试集；采用量子粒子群算法的GRU网络进行网络训练，其中量子粒子群算法用于对GRU网络的参数进行寻优；根据所述寻优的结果，更新所述GRU网络的参数；将训练完成的GRU网络用于能耗预测。通过基于量子粒子群算法的GRU网络的能耗预测方法适用范围广、预测精度较高，能够为企业能源管理提供较为可靠的能耗预测数据，有助于企业分析未来能源消耗趋势，从而精确供给能源，有助于降低车间生产的能源成本。

摘要： 本发明公开了基于量子粒子群优化的CNN‑LSTM水质预测方法，属于水质预测领域。本发明的水质预测方法，构建基于CNN‑LSTM混合神经网络的水质预测模型，并采用量子粒子群算法对水质预测模型进行超参数寻优后再对预测模型进行训练，可以基于不同环境下的水质数据，寻找对应环境下的最优预测模型参数，因此无论环境因素如何影响水质状态，本发明的水质预测模型都能够保证预测模型参数最优，从而有效地提升了水质预测精度；且本发明避免了重复训练模型的过程，减少了在不同水质样本中进行水质预测的工作量，大大提高了水质预测效率。

摘要： 本发明公开了一种基于量子粒子群优化算法的岗位匹配方法，属于人员与岗位之间的匹配技术领域。包括以下几个步骤：建立候选人员集M＝[M1,M2,…,Mn]与岗位集W＝[W1,W2,…,Wm]；然后建立指标评价体系，包括不同评价指标在不同岗位中所占的权重；计算候选人员在不同岗位中可以发挥的作用分数；构建人员素质评测矩阵；建立人员岗位优化模型，使得最终的人员岗位匹配方案使得所有人员可以发挥的作用分数总和最大；以人员素质评测矩阵的索引为基本粒子，使用量子粒子群优化算法进行优化；设置量子粒子群优化算法所需超参数，并进行迭代优化过程寻找全局最优解。本发明方法的技术效果是：基于量子粒子群优化算法合理分配人员到最适合团队整体工作能力最大化的方案。