期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到4篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
控制阀智能定位器控制算法及PID参数整定方法研究
1
作者 陆沛琳 杭凌峰 +1 位作者 林振杨 钱前 《阀门》 2024年第9期1055-1058,共4页
智能阀门定位器作为气动控制阀系统的核心部件,其控制性能直接影响气动控制阀门的响应速度、调节精度、稳定性等,从而影响整个工业回路的控制效果。为提高气动控制阀的响应速度、调节精度和稳定性,减小控制阀性能不佳对工业管路系统的影... 智能阀门定位器作为气动控制阀系统的核心部件,其控制性能直接影响气动控制阀门的响应速度、调节精度、稳定性等,从而影响整个工业回路的控制效果。为提高气动控制阀的响应速度、调节精度和稳定性,减小控制阀性能不佳对工业管路系统的影响,设计了一种基于自私群体优化(SHO)算法的控制器。基于直行程的单作用膜片式气动控制阀的物理特性,对智能阀门定位器的PID控制器参数进行自动整定,测试优化后的控制效果,控制过程不出现超调和振荡现象。本方法为后续优化智能阀门定位器控制算法提供一定的参考价值。 展开更多
关键词 控制阀 阀门定位器 自私群体算法(sho) PID
下载PDF
基于改进斑点鬣狗优化算法的同步优化特征选择 被引量：10
2
作者 贾鹤鸣 姜子超 +1 位作者 李瑶 孙康健 《计算机应用》 CSCD 北大核心 2021年第5期1290-1298,共9页
针对传统支持向量机(SVM)在封装式特征选择中分类精度低、特征子集选择冗余以及计算效率差的不足,利用元启发式优化算法同步优化SVM与特征选择。为改善SVM分类效果以及选择特征子集的能力,首先,利用自适应差分进化(DE)算法、混沌初始化... 针对传统支持向量机(SVM)在封装式特征选择中分类精度低、特征子集选择冗余以及计算效率差的不足,利用元启发式优化算法同步优化SVM与特征选择。为改善SVM分类效果以及选择特征子集的能力,首先,利用自适应差分进化(DE)算法、混沌初始化与锦标赛选择策略对斑点鬣狗优化(SHO)算法改进,以增强其局部搜索能力并提高其寻优效率与求解精度;其次,将改进后的算法用于特征选择与SVM参数调整的同步优化中;最后,在UCI数据集进行特征选择仿真实验,采取分类准确率、选择特征数、适应度值及运行时间来综合评估所提算法的优化性能。实验结果证明,改进算法的同步优化机制能够在高分类准确率下降低特征选择的数目,该算法比传统算法更适合解决封装式特征选择问题,具有良好的应用价值。 展开更多
关键词 斑点鬣狗优化算法 差分进化 混沌初始化 锦标赛选择 支持向量机 封装式特征选择
下载PDF
基于SHO-VMD分解和多特征参数的变工况滚动轴承故障诊断 被引量：3
3
作者 刘伟 梁涛 +1 位作者 李涛 姜文 《机床与液压》 北大核心 2022年第19期185-193,共9页
风机在多种工况条件下运行时,利用轴承的振动监测系统所检测到的信号难以实现故障诊断,而大量文献研究的轴承故障诊断多是在恒定转速下进行的。针对变工况下运行的滚动轴承,提出一种基于SHO-VMD分解和多特征参数融合的特征提取方法,使用... 风机在多种工况条件下运行时,利用轴承的振动监测系统所检测到的信号难以实现故障诊断,而大量文献研究的轴承故障诊断多是在恒定转速下进行的。针对变工况下运行的滚动轴承,提出一种基于SHO-VMD分解和多特征参数融合的特征提取方法,使用t-SNE降维可视化,提取出振动信号的故障信息与转速变化信息。变分模态分解(VMD)方法的分解效果取决于分解个数和惩罚因子的取值,采用自私羊群优化算法(SHO)对参数进行优化,将振动信号分解为一些本征模态分量,再对每组分量进行特征参数提取,基于奇异值特征、能量熵、样本熵特征进行多特征量融合,使用t-SNE降维来提取轴承故障信息以及速度变化信息,实验结果表明:提出的方法可以有效提取出轴承的故障和速度信息。 展开更多
关键词 sho优化算法 变分模态分解 多特征量 滚动轴承 故障诊断 变工况
下载PDF
基于PCA-SHO-SVM和PCA-SHO-BP模型的径流预测 被引量：5
4
作者 李代华 《水资源与水工程学报》 CSCD 北大核心 2021年第1期97-102,共6页
为提高径流预测精度,研究主成分分析(PCA)、斑鬣狗优化(SHO)算法与支持向量机(SVM)、BP神经网络相融合的预测方法。在样本数据筛选上选取PCA方法进行数据降维,使数据样本简洁且更具代表性。利用SHO算法优化SVM关键参数及BP神经网络权阈... 为提高径流预测精度,研究主成分分析(PCA)、斑鬣狗优化(SHO)算法与支持向量机(SVM)、BP神经网络相融合的预测方法。在样本数据筛选上选取PCA方法进行数据降维,使数据样本简洁且更具代表性。利用SHO算法优化SVM关键参数及BP神经网络权阈值,分别提出PCA-SHO-SVM、PCA-SHO-BP径流量预测模型,并与SHO-SVM、PCA-SVM、SVM和SHO-BP、PCA-BP、BP模型的预测结果作对比,通过云南省龙潭水文站年径流量及枯水期月径流量预测为例进行验证。结果表明,PCA-SHO-SVM、PCA-SHO-BP模型对实例年径流量预测的平均相对误差分别为2.34%、2.50%,对月径流量预测的平均相对误差分别为6.15%、6.08%,预测精度均优于其他6种模型,具有较高的预测精度和更强的泛化能力。 展开更多
关键词 径流预测 主成分分析 斑鬣狗优化算法 支持向量机 BP神经网络 数据降维 参数优化
下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部