论文部分内容阅读
智能计算广义的讲就是基于生物体系的某些机制，用数学语言抽象描述的计算方法。计算智能是一个内蕴相当丰富的概念，它是融合神经网络、进化计算以及物理学、数学、计算机科学等学科形成的一种新的计算方法。随着其它学科如量子计算理论、混沌学的引入，智能计算算法的研究也将赋予更新的内容，并提出了更高的要求。本文对智能计算算法的研究现状、存在问题以及未来发展进行了总结，从理论上对若干混合智能计算算法的结构及参数学习算法进行了研究，并将其用于解决工业实际问题。主要研究成果如下：
1.提出了量子进化神经网络算法。该算法将神经网络的拓扑结构由一联接矩阵表示，将联结矩阵的行或列串接形成结构个体的量子染色体，并用量子进化算法对神经网络的结构进行优化，确定适合的网络可行结构，再用BP算法训练确定此特定的网络结构权重数值。量子进化神经网络算法能够减少寻优的计算复杂度，具有收敛速度快、寻优能力强等优点，提高了神经网络的性能。
2.提出了一种具有模糊分类功能的量子神经网络分类器。量子神经网络分类器是将量子迁移(量子间隔)概念引入前向神经网络，在隐含层和输出层借鉴量子理论中的量子态叠加的思想，神经元采用多个激励函数的叠加，形成对特征空间的多级划分，在训练过程中，量子神经元能够根据需要伸展或坍塌。这样当输入模糊的信息时，这种算法可以学习不精确或不确定性的数据，具有较高的分类精度。在心电图分类的应用中，具有较好的分类率。
3.对基本粒子群算法和差分进化算法进行了分析，有机结合两种进化算法提出了一种新型差分进化粒子群混合优化算法，该算法将优化过程分成两阶段，两分群分别采用PSO算法和DE算法同时进行。迭代过程中引入进化速度因子并通过群体间的信息交流阻止算法陷入局部最优。该算法的收敛速度和精度，全局搜索能力均优于常规粒子群算法和差分进化算法。
4.对于现有最小二乘支持向量机算法在处理大规模样本软测量建模时出现模型结构复杂、失去支持向量稀疏性且正规化参数和核参数难以确定等问题，提出了一种改进的算法，即基于混沌最小二乘支持向量机。该算法定义了一种混沌映射构成混沌系统并分析了其遍历性，应用改进的混沌优化算法优化最小二乘支持向量机模型参数，以提高模型的拟合精度和泛化能力。将本文提出的改进算法用于丙烯腈收率软测量建模，研究结果表明模型精度较高、泛化性能好，满足现场测量要求。
5.在基本PSO算法和协同粒子群优化算法(CPSO)的算法基础上提出了一种改进的协同粒子群优化算法(ICPSO)。改进算法在进化过程中，各子分群粒子能有效利用本分群搜索经验和整个种群搜索经验，既能充分地在本子种群内部不断地搜索，不会迷失自己的寻优方向，又能利用周期性地共享全局最优值促使粒子找到最好解。此外，分解为多个子种群有利于维持种群的多样性，从而能有效抑制局部最优现象发生。实验研究表明改进算法的收敛速度和精度，全局搜索能力均优于基本粒子群算法和协同粒子群算法。最后将ICPSO算法用于建立神经网络故障诊断模型，设计了相应的故障诊断系统。研究结果表明基于此算法的故障诊断系统运算速度较快、诊断精度较高、稳定性能较好。