基于粒子群优化算法的测光红移回归预测

星系的红移在天文研究中极其重要,星系测光红移的预测对研究宇宙大尺度结构及演变有着重要的研究意义。利用斯隆巡天项目发布的SDSS DR13的150 000个星系的测光及光谱数据进行分析,首先根据颜色特征并基于聚类的方法对星系进行分类,由分类结果可知早型星系的占比较大。对比了三种不同的机器学习算法对早型星系进行测光红移回归预测实验,并找出最优的方法。实验中将星系样本中u, g, r, i, z五个波段的测光值以及两两做差得到的10个颜色特征作为输入数据,首先构建BP网络,使用BP算法对星系的测光红移进行回归预测;然后利用遗传算法（GA）优化BP网络各层参数,将优化后的GA-BP算法应用于早型星系的回归预测试验中。考虑到GA算法的复杂操作会影响预测效率,并且粒子群算法（PSO）不仅稳定性高且操作简单,因此将粒子群算法应用到星系样本中早型星系的测光红移回归预测实验中,进而采用粒子群算法优化BP网络（PSO-BP）。实验中将光谱红移作为期望值,采用均方差（MSE）作为误差分析指标来评判三种算法的精度,将PSO-BP回归预测结果与BP网络模型、GA-BP网络模型进行比较。由实验结果可知,BP网络的MSE值为0.001 92,GA-BP网络的MSE值0.001 728,PSO-BP网络的MSE值为0.001 708。实验结果表明,所用到的PSO-BP优化模型在精度上优于BP神经网络模型和GA-BP神经网络模型,分别提高了11.1%和1.2%;在效率上优于传统的K近邻（KNN）测光红移估计算法, 克服了KNN算法中遍历所有数据样本进行训练的缺点并且其泛化性能优于其它BP网络优化模型。     

基于相似性度量的星系光谱红移估计

光谱的自动分析对大规模的光谱巡天有着非常重要的意义。文章提出了一种基于相似性度量的星系光谱红移测量方法。方法中采用主分量分析构造星系光谱的静止模板,利用谱线特征确定观测光谱的红移候选,然后根据红移候选进行观测光谱与模板光谱间的相似性度量,所采取的相似性度量策略类似于证据积累的思想,定义为几个相似证据的加权和,从而降低了观测光谱与模板光谱之间的误匹配,提高了红移估计的正确率。通过实验将所提出方法与基于谱线匹配的方法和传统的交叉相关方法进行了比较,实验结果表明：本文方法的正确率较之基于谱线匹配的方法和传统相关法有较大提高。     

基于神经网络的模板匹配方法求正常星系红移

星系通常分为正常星系(NG)与活动星系(AG)两类。文章提出了一种自动获取NG红移的快速有效方法: (1) 由NG模板根据红移范围Ⅰ: 0.0～0.3与Ⅱ: 0.3～0.5模拟得到两类星系样本, 进行PCA变换获得样本特征向量; (2) 利用概率神经网络设计两类样本特征向量的Bayes分类器; (3) 对于实际NG光谱数据, 利用Bayes分类器进行分类确定其红移的范围, 然后在此范围内进行模板匹配得到红移的准确值。与在整个红移范围内的模板匹配方法相比, 此方法不但节省了50%的模板匹配运算量, 而且还大大提高了红移值测量的精度。文章研究结果对于大型光谱巡天所产生的海量数据的自动处理具有重要意义。     

一种基于交叉相关的类星体的红移测量方法

给出了一种新的类星体光谱的红移测量方法。首先,利用提取出的发射谱线信息确定一组红移候选;然后,按这些红移候选将静止模板光谱红移,计算所得光谱与目标光谱的相关值;最后,确定最大相关值对应的红移候选为目标光谱的红移。相对于已有的基于谱线匹配的方法,此方法的性能受谱线提取效果的影响较小。实验结果表明： 此方法的鲁棒性较好,性能优于基于谱线匹配的方法。     

一种基于移相误差估计的5步移相算法

移相误差是用移相法进行相位测量的主要误差。本文提出一种 5步移相算法 ,分两步进行相位计算 ,首先估计实际步进移相的线性移相误差 ,然后再利用此移相误差估计值计算相位分布。移相误差估计公式和相位计算公式简洁 ,算法简单易行 ,对线性移相误差和二次谐波的敏感度低 ,可基本消除线性移相误差对解调相位的影响。对本文提出的算法进行了仿真研究 ,同时给出了 Hariharan 5步算法、Surrel 6步最小算法的仿真结果。结果表明 :本算法明显优于以上两种算法 ,可基本消除线性移相误差引起的相位偏移。本算法适用于作等步移相的相位测量或移相的标定。     

基于GA-WPA优化的BP神经网络目标威胁估计

在防空作战中,目标威胁估计是指挥控制过程的重要一环,是决策和指挥的重要依据。BP神经网络能够解决目标威胁估计问题,但存在收敛速度慢、易陷入局部最优等缺点。提出将遗传算法(Genetic Algorithm,GA)的选择、交叉和变异操作融入到狼群算法(Wolf Pack Algorithm,WPA)中,提出了GA-WPA算法,以提高狼群算法的收敛速度。在此基础上,利用所提出的GA-WPA算法对BP神经网络进行优化,确定最优初始权值和阈值。最后,将优化后的BP神经网络解决地面防空系统目标威胁估计问题。仿真实验表明,所提算法能够有效克服BP神经网络收敛速度慢、易陷入局部最优等缺点,能够提高目标威胁估计的准确性和适应性。     

基于SFLA优化BP神经网络的语音信号分类

BP神经网络是一种多层前馈网络,数据经过网络的输入层、隐含层逐层处理后,由输出层进行输出,通过和期望输出的对比进行反向传播,调整网络参数使输出不断逼近期望输出;在使用BP神经网络对语音特征信号进行分类的过程中,会出现BP神经网络易陷入局部最优解、学习收敛速度慢的问题;针对此问题提出一种基于SFLA优化BP神经网络权值和阀值的方法,引入SFLA算法优化网络权值和阀值,利用SFLA优化后的BP网络模型进行语音特征信号分类;仿真结果表明,经SFLA优化后的BP神经网络与未优化的神经网络相比,不仅训练速度快, 而且误差小,语音特征信号分类的正确率平均提高1.31%。     

基于粒子群算法优化BP神经网络漏钢预报的研究

针对标准BP神经网络中收敛速度慢以及易陷入局部最优解等问题,利用粒子群算法的全局搜索性,将粒子群算法应用到BP神经网络训练中建立了PSO-BP神经网络模型,结果表明改进模型不仅可以克服传统 BP 网络收敛速度慢和易陷入局部权值的局限问题,而且很大程度地提高了结果精度和 BP 网络学习能力,将此模型应用到结晶器漏钢预报系统中,并用某钢厂采集到的历史数据对该模型进行训练与测试,与标准BP神经网络测试结果进行分析与比较,实验表明PSO-BP网络模型预报更加实时、准确,具有很好的应用前景。     

基于BP优化算法的PSD非线性校正

针对位置敏感探测器(PSD)固有的非线性,提出一种基于BP优化算法的PSD非线性校正方法。以传统的牛顿算法为基础,推导了Levenberg Marquardt算法,即BP优化算法的相关原理。采用Matlab软件编程,网络采用具有2个中间隐层的结构形式,2个隐层使用的神经元数分别为40和30,最大训练次数取500次,利用sim函数计算并仿真网络输出,网络输出误差均在0.001 mm之内,其中最大误差不超过0.003 mm,实现了对PSD非线性的校正。     

混流泵三元叶片优化设计方法研究

以叶片角的分布为优化变量,叶轮效率为优化目标,将三维粘性流动分析与神经网络相结合对混流泵叶片进行了优化设计。在设计空间内根据实验设计理论安排神经网络的训练样本,选择径向基函数网络建立设计变量和目标函数间复杂的响应关系,利用遗传算法进行优化。针对研究对象设计变量较多、变化范围较大的问题,提出子系统优化的初步思想,即:将优化变量进行分类,对每类变量建立子系统,分别在子系统内进行局部优化,然后再考虑子系统之间的相互影响进行全局优化。对一混流泵的三元扭曲叶片进行优化,叶轮效率明显提高,从而验证了该方法的简便性与有效性。     

基于多维状态参量和时间序列对电机的异常检测

针对传统对电机的异常检测常常出现误判或滞后的情况,采用基于时间序列对电机单一状态参量用AR拟合,同时利用SOM神经网络无监督的方式量化电机数据。然后,利用得到的量化序列结合AR曲线得到序列的转移概率,及早发现某种状态参量的异常变化;之后,DBSCAN算法挖掘多维参数之间特征关系来确定电机是否出现异常。最后结合实例说明该方法的检测过程,并对比验证了该方法的优越性。     

多传感器目标识别系统的特征优化方法

来自多传感器的目标特征往往是高维数的,并且包含了更多的冗余信息和噪声。为了减小数据获取的代价,提高目标识别器的性能和效率,提出了基于遗传算法(GA)的多传感器目标识别系统特征优化方法。将遗传算法与神经网络目标分类器结合,通过识别结果的反馈信息,控制GA的遗传进化方向,从而实现特征优化。为了克服遗传算法的未成熟收敛问题,提出了相关选择与自适应遗传算子相结合的改进遗传算法。仿真实验结果验证了方法的有效性。     

基于改进蚁群算法的无线传感器网络路由的优化

为了延长无线传感器网络(Wireless Sensor Network ,WSN)的生命周期,均衡各个节点间能量消耗,针对现有的WSN路由优化算法存在的问题,提出了一种基于改进蚁群算法的路由优化算法。首先通过对蚁群算法和遗传算法的优劣性比较,在蚁群算法的基础上,结合遗传算法的选择、交叉和变异的操作,从而提高蚁群算法的搜索速度和寻优能力。最优路径评价函数综合考虑节点能耗及节点的剩余能量,使剩余能量多的节点优先参与数据转发,均衡节点间的能量消耗。通过与经典蚁群算法及遗传算法的对比实验表明,随着数据转发轮数增加,改进的蚁群算法能耗小,剩余能量多,网络生命周期明显延长;随着整个网络运行时间的增长,改进的蚁群算法,节点均衡能耗性好,最优路径搜索的成功率也明显优于其他两种算法。     

茶叶掺糖含量检测算法中光谱数据有效性及冗余度研究

基于近红外光谱(NIRS)技术和遗传算法-反向传播(GA-BP)神经网络建立模型,分析茶叶掺蔗糖样品的1～2.5 μm原始光谱数据的有效性及冗余度。固定样本数据,对模型的参数优化选择后建立茶叶蔗糖含量定量检测模型。将1～2.5 μm原始数据分1～1.7,1～1.3,1.3～1.7,1.7～2.5和2～2.2 μm。利用建立的模型对同一分辨率下的不同波段进行模型训练。预测结果表明,1～1.7和1～2.5 μm波段存在数据冗余。仅使用1.3～1.7或1.7～2.5 μm波段即可有效建立模型。预测模型对同一波段下的不同分辨率进行研究,从2 nm到20 nm改变分辨率,当波段范围为1～2.5 μm时,模型的R均介于0.9和0.95之间,且RMSEP也在1.7和2.1之间。当波段范围为1～1.7 μm时,模型的R均在0.9和0.93之间,且RMSEP也在1.95和2.25之间。结果表明,1～2.5 μm原始数据中确实存在波长范围和光谱分辨率的冗余。通过光谱特征分析和算法建模,可以显著提高光谱数据获取的有效性;对于茶叶中蔗糖含量的检测,可以采用更窄的波长范围和更低的光谱分辨率。     

太赫兹光谱法和GA-BP在甲醇浓度检测的应用

在常温常压下,利用光电导天线式太赫兹时域光谱仪和自行设计的气室,在0.1~3.0 THz范围内对甲醇气体进行太赫兹时域光谱测试,测试结果表明,甲醇气体在1.0~3.0 THz没有明显的吸收峰,但是在0.1~1.0 THz波段存在明显的吸收峰。为了准确测定甲醇气体的浓度,根据甲醇气体在0.1~1.0 THz范围内的15处不同的位置处的特征吸收峰强度和甲醇气体浓度的关系,对十五组不同浓度的甲醇气体进行检测,获得了在特征吸收峰处的差异曲线。基于误差反向传播(BP)神经网络的函数逼近特点,并利用遗传算法(GA)收敛速度较快,不宜陷入局部极值的优点,采用GA优化BP神经网络的初始的权值和阈值,构建了以预测甲醇浓度为目的的数学模型。结果表明,该网络模型适用于体积浓度范围为0.028 3~0.424 6 m3·L-1的甲醇的浓度预测,两组样本的平均相对标准误差为1.7%,平均回收率为98%,神经网络误差精度10-1,实测值与期望值的相关系数为0.996 77,基本达到理想预测结果。本成果不仅获得了甲醇气体在太赫兹频段的实验数据,而且发现太赫兹时域光谱法和GA-BP神经网络相结合的方法能有效地检测甲醇气体的体积浓度,为检测甲醇气体浓度提供新的方法。     

基于遗传算法优化BP神经网络的高炉喷煤优化

高炉炼铁是一个复杂的多变量系统,而现行的操作制度是基于炉长经验的参数设置模式,导致能源尤其是煤粉的消耗常常处于“盲目”状态。本文综合炼铁工艺理论和高炉专家经验,针对白云鄂博矿石冶炼的特殊性,采用筛选出的优化数据,利用遗传算法所固有的全局搜索性能优化BP神经网络模型的权值和阈值,分别建立了基于遗传算法优化BP神经网络的高炉喷煤量优化预测模型以及工艺指标(铁水[Si]含量及入炉焦比)预测模型。优化数据的利用使得上述模型可以根据高炉当前炉况输出喷煤量的最佳优化设定值,并预测出相对应的工艺指标变化趋势。实际应用表明,本方法能够给现场操作人员提供操作指导,实现高炉稳定顺行、提高经济效益的目的。