灰色粒子群算法论文-赵增鹏,杨帆,张子文,张磊

灰色粒子群算法论文-赵增鹏,杨帆,张子文,张磊

导读:本文包含了灰色粒子群算法论文开题报告文献综述及选题提纲参考文献,主要关键词:粒子群优化,灰色神经网络,卫星钟差,预报模型

灰色粒子群算法论文文献综述

赵增鹏,杨帆,张子文,张磊[1](2018)在《粒子群算法优化的灰色神经网络卫星钟差预报》一文中研究指出为了进一步提高导航卫星钟差预报的精度,结合粒子群算法与灰色神经网络的特点,提出一种粒子群算法优化的灰色神经网络模型:利用粒子群算法寻优灰色神经网络的权值与阈值,以提高预报的精度;并选取IGS提供的精密钟差数据,分别采用灰色模型、灰色神经网络模型与本文模型进行对比分析。实验结果表明:该模型预测精度高、稳定性强、模型可靠,能够有效进行卫星精密钟差预报。(本文来源于《导航定位学报》期刊2018年02期)

张明精,刘晓建,于小娟[2](2018)在《小波分析与粒子群算法优化的灰色神经网络模型》一文中研究指出针对灰色模型在测量数据波动较大时预测精度下降的缺陷,本文提出了采用小波分析与粒子群算法优化后的BP神经网络对灰色模型进行优化,生成了基于小波分析和粒子群算法优化的灰色神经网络预测模型。并使用青岛市航运中心的沉降观测数据对优化后的灰色模型进行精度验证,证明优化后的模型的预测精度相比于传统的灰色模型与经过小波降噪后的灰色模型,预测精度有了进一步提高。(本文来源于《测绘与空间地理信息》期刊2018年05期)

张雪花[3](2017)在《基于灰色粒子群算法的温室环境多目标优化控制研究》一文中研究指出温室环境控制是作物监测的内容之一,对于其品质、产量等具有重要意义。合理控制温室设备,使温室内的环境参数更好的满足作物生长是目前温室环境控制需要解决的重要问题。为了合理调控温室环境控制设备,一定程度上节约用电成本。本文以安徽农业大学农萃园的茶树育苗温室为研究对象,通过引入人工控制因素,以扩展的自回归模型(Auto Regressive eXogenous,ARX)为基础,构建温度、湿度及耗电量多目标模型函数。在标准粒子群算法(Particle Swarm Optimization,PSO)基础上,结合灰色关联理论概念,面向温室环境进行多目标调控。主要研究内容和结果如下:(1)针对温室环境的空间特征,对茶苗温室进行多源信息采集。多点采集温室大棚环境温度和湿度信息,运用自适应加权融合估计算法对温室多源采集信息进行融合,完成大棚环境多源因子在数据层的融合。运用LabVIEW开发软件采集大棚环境信息,利用PH气象站采集大气环境信息。通过小波降噪和自适应加权融合估计算法对采集数据进行预处理,有效去除信息采集过程中存在的噪声,保证温湿度数据的可信度,为温室环境建模做准备。(2)构建育苗温室环境的温度、湿度及能耗模型。通过引入人工控制因素,围绕ARX模型结构,运用系统辨识的方法辨识出模型的结构和参数,构建育苗温室环境的温度、湿度模型。运用交叉验证的方式检验温度和湿度模型的准确性,仿真结果表明模型计算得到的温湿度与实测的温湿度变化趋势一致,说明ARX模型能有效模拟育苗温室内的温度和湿度信息;以调控机构运行消耗的电量为参考建立耗电量模型。(3)算法优化控制。通过引入灰色关联度理论,在标准PSO算法的基础上,将调控设备组合种类视为粒子的解,以温度模型、湿度模型及能耗模型为目标函数,以此完成温室环境控制的多目标优化控制。将本文算法优化得到的温湿度与线性加权和法、单目标PSO优化得到的结果相比对,发现选取本文方法不仅能够使温室环境的温湿度在作物适宜的生长范围之内,相对于其余两种优化方法在一定程度上节约了用电成本。(本文来源于《安徽农业大学》期刊2017-06-01)

王亮,滕克难,吕卫民,金永川[4](2015)在《基于粒子群算法的非线性时变参数离散灰色预测模型》一文中研究指出文章分析了传统GM(1,1)及DGM(1,1)模型应用时对数据要求上的弊端,证明了GM(1,1)与DGM(1,1)模型的模拟数据的增长率均为定值,指出对于非近似指数增长的数据序列,GM(1,1)与DGM(1,1)模型的模拟及预测效果并不理想。引入非线性时间项,构造了一种拓展的非线性时变参数离散灰色预测模型(NTDGM(1,1)模型),并利用粒子群算法(PSO)优化得到模型中各参数,给出了该模型的建模步骤。算例分析表明文章提出的NTDGM(1,1)模型对各类型趋势数据均具有很好的模拟精度,能够很好地解决非线性序列的模拟问题。(本文来源于《统计与决策》期刊2015年12期)

张庆平[5](2015)在《基于灰色理论和粒子群算法的牵引供电系统可靠性研究》一文中研究指出近年来,国家对电气化铁路建设的投入不断加大,铁路事业发展迅猛,电气化铁路运输已成为当今道路运输发展的趋势。对牵引供电系统可靠运行的要求随电气化铁路的不断发展,变得愈来愈高,但影响牵引供电系统安全可靠运行的问题却日益突出。因此,为适应我国铁路事业发展的新形势,对牵引供电系统的可靠性问题进行深入地探讨分析,尽最大可能保障牵引供电系统安全、可靠地工作,具有非常重要的现实意义。首先,论文对牵引供电系统的结构组成特点做了简要的介绍,并对可靠性基础理论进行了详细的阐述。重点介绍了常用的寿命分布函数—威布尔分布函数的特点,同时对串联、并联以及混联系统的可靠性研究方法、故障树分析法以及最小割集理论也作了相应的介绍。其次,利用建立的灰色GM(1,1)预测模型和无偏灰色GM(1,1)预测模型对牵引供电系统中各组成设备的故障率进行了中长期预测,并对两种模型下的模拟误差进行了详细分析;针对现场搜集的不同类型的数据,分别采用基于粒子群算法的智能拟合方法和分段多项式法,建立了可对牵引供电系统各关键设备进行可靠性评估的威布尔分布模型。最后,论文对建立的牵引变电所和接触网两个子系统的故障树模型进行了定性分析,求出了导致系统故障的所有最小割集,并结合各设备的威布尔分布模型,对两个子系统故障树模型进行了可靠度定量分析,最终归纳得出了牵引供电系统整体的可靠性模型,并计算了系统整体的可靠度和平均使用寿命。另外通过建立灰色关联度分析模型,研究了系统各组成设备的可靠性与系统整体可靠性之间的影响关系,发现了影响牵引供电系统整体可靠性的关键设备。通过对电气化铁路牵引供电系统设备和系统整体的可靠性计算分析表明:将灰色系统理论和粒子群算法融合应用于牵引供电系统的可靠性研究中,既可以增加牵引供电系统可靠性研究方面的理论和工程应用,也可以简化牵引供电系统可靠性研究、分析与计算的过程,为其可靠性研究奠定了一定的理论应用基础。(本文来源于《兰州交通大学》期刊2015-06-12)

米根锁,梁利,杨润霞[6](2015)在《灰色变异粒子群算法在公交客流量预测中的应用》一文中研究指出由于公交客流量是公交系统发展规划的基础依据,因此提高公交客流量预测的准确性有利于城市公交的发展。利用粒子群算法优化参数的良好性能和灰色预测法适合预测不确定因素影响系统的优势,提出用灰色变异粒子群组合预测模型来预测公交客流量,提高公交客流量预测精度,并通过实例对组合预测模型的预测精度和有效性进行了分析。结果表明,此组合预测模型的预测精度优于单一的灰色预测模型,也优于其他几种常用预测算法,能很好地预测公交客流量,为公交系统的决策规划提供了可靠的科学数据。(本文来源于《计算机工程与科学》期刊2015年01期)

周继霞,魏国辉,贾春燕[7](2014)在《改进的灰色电力负荷预测研究——基于粒子群算法和BP神经网络》一文中研究指出本文对于灰色预测模型的改进,分别从优化初值和改进模型等方面进行,对模型的改进主要通过建立等维新息预测模型、灰色粒子群组合预测模型和灰色BP神经网络组合预测模型来实现。(本文来源于《价值工程》期刊2014年35期)

黄元生,贾春燕[8](2014)在《基于粒子群算法和BP神经网络改进的灰色电力负荷预测研究》一文中研究指出灰色预测模型被广泛运用于电力负荷预测中,取得了较好的效果,但是灰色预测模型在实际应用中的缺点和局限性导致其预测精度有待提高,存在改进的必要。本文对于灰色预测模型的改进,分别从优化初值和改进模型等方面进行,从而提高普通灰色GM(1,1)模型的预测精度。对初值的处理可以削弱异常值的影响,强化趋势,从而避免由于初值选择不当而造成预测误差。本文中对模型的改进主要通过建立等维新息预测模型、灰色粒子群组合预测模型和灰色BP神经网络组合预测模型来实现。通过这些对灰色预测模型的修正和改进,进一步提高了灰色预测模型的适用性,最大限度地提高了灰色GM(1,1)模型的预测精度。(本文来源于《国网技术学院学报》期刊2014年05期)

张岩,莫蓉[9](2014)在《基于灰色粒子群算法的飞机装配公差多目标优化设计》一文中研究指出为全面考虑公差对制造成本的影响,将装配成本引入飞机装配公差优化设计模型,针对典型的飞机装配工艺方法,提出一种基于制造成本和质量损失的公差多目标优化设计模型,进而实现不同装配方法约束下的公差优化设计。将灰色关联理论与粒子群优化算法相结合应用于公差优化设计,根据公差设计特点提出改进策略,使其能够有效实现模型的求解。以某飞机典型组件为例,验证了该方法的有效性,并对不同装配方法的公差设计结果进行了对比分析。(本文来源于《计算机集成制造系统》期刊2014年08期)

梁宽裕,梁利[10](2014)在《灰色变异粒子群算法在电力负荷预测中的应用》一文中研究指出由于电力负荷量是电力系统发展的基础,因此提高电力负荷量预测的准确性有利于电力系统的快速发展.本文利用粒子群算法优化参数的良好性能和灰色预测法适合预测不确定因素影响系统的优势,提出了灰色变异粒子群组合预测模型来预测电力负荷量,提高了电力负荷预测的精度,并通过实例对组合预测模型的预测精度和有效性进行了分析.结果表明,此组合预测模型的精度优于单一的灰色预测模型,且优于其他几种预测算法,该组合模型能很好地预测电力负荷量,为电力系统的决策和发展提供了可靠的科学数据.(本文来源于《计算机系统应用》期刊2014年04期)

灰色粒子群算法论文开题报告

(1)论文研究背景及目的

此处内容要求:

首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。

写法范例:

针对灰色模型在测量数据波动较大时预测精度下降的缺陷,本文提出了采用小波分析与粒子群算法优化后的BP神经网络对灰色模型进行优化,生成了基于小波分析和粒子群算法优化的灰色神经网络预测模型。并使用青岛市航运中心的沉降观测数据对优化后的灰色模型进行精度验证,证明优化后的模型的预测精度相比于传统的灰色模型与经过小波降噪后的灰色模型,预测精度有了进一步提高。

(2)本文研究方法

调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。

观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。

实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。

文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。

实证研究法:依据现有的科学理论和实践的需要提出设计。

定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。

定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。

跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。

功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。

模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。

灰色粒子群算法论文参考文献

[1].赵增鹏,杨帆,张子文,张磊.粒子群算法优化的灰色神经网络卫星钟差预报[J].导航定位学报.2018

[2].张明精,刘晓建,于小娟.小波分析与粒子群算法优化的灰色神经网络模型[J].测绘与空间地理信息.2018

[3].张雪花.基于灰色粒子群算法的温室环境多目标优化控制研究[D].安徽农业大学.2017

[4].王亮,滕克难,吕卫民,金永川.基于粒子群算法的非线性时变参数离散灰色预测模型[J].统计与决策.2015

[5].张庆平.基于灰色理论和粒子群算法的牵引供电系统可靠性研究[D].兰州交通大学.2015

[6].米根锁,梁利,杨润霞.灰色变异粒子群算法在公交客流量预测中的应用[J].计算机工程与科学.2015

[7].周继霞,魏国辉,贾春燕.改进的灰色电力负荷预测研究——基于粒子群算法和BP神经网络[J].价值工程.2014

[8].黄元生,贾春燕.基于粒子群算法和BP神经网络改进的灰色电力负荷预测研究[J].国网技术学院学报.2014

[9].张岩,莫蓉.基于灰色粒子群算法的飞机装配公差多目标优化设计[J].计算机集成制造系统.2014

[10].梁宽裕,梁利.灰色变异粒子群算法在电力负荷预测中的应用[J].计算机系统应用.2014

标签:;  ;  ;  ;  

灰色粒子群算法论文-赵增鹏,杨帆,张子文,张磊
下载Doc文档

猜你喜欢