基于联想竞争神经网络的静态织物疵点识别研究

在竞争神经网络的模型基础上,提出了一种新的联想竞争神经网络模型,并利用新的网络模型对织物疵点进行检测.实验结果表明,基于联想记忆的竞争神经网络模型算法, 具有较快的收敛速度并有较好的识别效果.     

基于遗传BP神经网络的磁流变悬置模型辨识

为克服误差逆向传播算法的多层前馈型BP神经网络收敛速度慢、局部极小化问题,提出用遗传算法(GA)的全局搜索能力寻求最优的BP神经网络权值和阀值,以提高神经网络的收敛速度和克服局部最优。以磁流变液压悬置动态特性试验结果为数据样本,分别用未优化的BP神经网络和优化后的GA-BP神经网络对磁流变液压悬置正、逆模型进行辨识。结果表明,相对于BP神经网络,GA-BP神经网络具有更高的辨识精度、更快的收敛速度,在磁流变液压悬置数学模型辨识方面具备更优的性能。     

基于灰色长短时记忆网络融合模型的隧道沉降预测

地下建筑工程中,对地下结构的变形监测无法有效预防灾害发生,因此需要开展变形预测的研究。传统预测方法多属于静态预测,无法实现随沉降发展的动态调整,且评价指标单一。结合灰色模型GM （2,1）与长短时记忆神经网络（LSTM）两种动态预测模型,基于快速非支配遗传算法构建了同时考虑两种评价指标的组合模型,依据某工程长期监测数据对隧道沉降进行预测。结果显示：长短时记忆神经网络模型与灰色模型在精度上优于其他模型,能够准确预估沉降发展,其中长短时记忆神经网络优势更明显;使用快速非支配多目标优化遗传算法进行组合模型的权值分配可以较快得到两种评价指标下的最优定权方案,结合每种模型的优势,得到较精确的预测效果。     

基于遗传—ＢＰ神经网络的沉积微相自动识别

提出了一种基于神经网络与图象处理技术相结合的沉积微相自动识别方法,该方法是先将数字化测井曲线和地层参数预处理转化为二值点阵图象模式,经过点阵数据编码压缩提取和记忆曲线所表征的地层模式特征,然后利用超线性ＢＰ算法与遗传算法相结合的方法训练多层前馈神经网络,所得神经网络稳定,学习收敛速度快,同时具有很强的记忆能力和推广能力,此模型对解决沉积微相自动识别问题具有良好的适应性。     

基于改进门控单元神经网络的语音识别声学模型研究

传统语音识别系统中,基于循环神经网络的语音声学模型对长距离历史信息记忆能力有限,难以利用语音的上下文相关性信息,标准长短时记忆单元参数规模庞大,神经网络训练收敛速度较慢。针对以上问题提出一种基于改进门控循环单元的双向循环神经网络的语音识别声学模型。改进模型使用ReLU函数代替双曲正切激活函数,选取单位正交矩阵作为网络初始化参数,结合批量规范化方法,在维持网络长期依赖关系的同时加快训练收敛速度。在TIMIT和LibriSpeech数据集上的实验结果表明:与基线系统相比,改进的门控循环单元模型有2.8%的绝对音素错误率的下降;与标准长短时记忆单元模型相比,神经网络训练的平均迭代周期减少了16.6%,在识别性能和计算效率上均有提升。     

一种基于广义子波基函数选择的智能化神经元集聚模型

针对神经网络中传统神经元模型在结构和信息存储能力上存在的不足,提出了一种基于广义子波基函数网络的神经元集聚模型。在对一类非线性函数的逼近中,与传统的神经元模型相比,新模型不仅收敛速度极快,非线性逼近能力更好,而且还使神经网络具有了内部结构变尺度自适应调整和广义信息存储等智能化特点,更符合生物原型的实际情况。仿真实验验证了新模型方案在此类函数逼近问题中应用的可行性和高效性,从而为智能化神经网络的设计提供了一种新的思路和方法。     

模拟退火算法对遗传神经网络优化的性能分析

遗传神经网络是利用遗传算法优化连接权值代替梯度下降法求解的方法,在遗传算法进化的过程中加入模拟退火算法,同时具有优秀的全局寻优能力和局部搜索能力,不仅能够提高运算收敛的速度和效率,而且可以有效避免出现早熟现象,防止陷入局部最优,同时性能也很稳定,完全能满足实时系统对精度和速度的要求。研究了遗传神经网络分别在复制、交叉和变异后应用模拟退火算子进行优化的方法,并且比较了三者在遗传神经网络优化中性能的优劣。     

基于暂态混沌神经网络的低阶混沌时间序列预测

暂态混沌神经网络是一种基于Hopfield网络提出的混沌神经网络，具有收敛速度快、不易陷入局部极小等优点．许多低阶的混沌系统都可以展成二阶volterra级数，因此提出一种基于暂态混沌神经网络和volterra级数的低阶混沌时间序列预测方法．该方法利用暂态混沌神经网络计算系统的volterra级数系数，确定系统的动力学模型，从而实现混沌时间序列预测．利用Logistic模型对该方法进行测试，结果表明，预测相对误差小于0．5％，预测可达到较高的速度和精度．     

遗传神经网络在滑坡灾害预报中的应用研究

针对传统BP算法易收敛于局部最优以及网络结构难以确定等问题,引进遗传算法进行混合建模.采用遗传学习算法和误差反向传播算法相结合的混合算法来训练前馈人工神经网络,即先用遗传学习算法进行全局训练,再用BP算法进行精确训练,使网络收敛速度加快并避免陷入局部极小.文中结合实例,对BP神经网络,遗传算法改进的神经网络进行了比较分析.实验表明,利用改进的混合模型可以提高预测精度,缩短收敛时间.     

基于一类改进遗传算法的进化神经网络研究

分析传统遗传算法易早熟收敛的主要原因,提出一类改进的遗传算法以及一种基于改进遗传算法的前馈神经网络设计方法,用以同时完成对网络结构空间和权值空间的搜索。该算法将普通遗传算法的交叉算子和遗传算子进行改进,利用模拟退火算法、BP算法和小生境技术来加快算法的收敛速度,改善解的性能。通过对异或(XOR)、噪声模式识别等前馈神经网络性能的一组测试,与BP算法进行比较,实验结果表明,该算法能够有效抑制遗传算法初期收敛的发生,有效地提高多层前馈神经网络的收敛精度和收敛速度,由此得到的神经网络的泛化能力也较好,能够达到根据训练样本自动优化设计多层前馈式神经网络的目的,并可获得更为简洁的网络结构。     

遗传神经网络在齿轮故障诊断中的应用

由于齿轮故障征兆与故障之间具有非线性和耦合性等特点,采用BP神经网络对齿轮进行故障诊断存在着收敛速度慢和可靠性差等缺点,提出了一种基于遗传算法的BP神经网络齿轮故障诊断方法,即在利用BP神经网络对齿轮进行故障诊断的基础上,利用遗传算法对神经网络的权值和阈值进行修正,得到全局的最优值.仿真结果表明,该诊断策略具有故障诊断能力强和诊断效率高的特点,改善了齿轮故障诊断的精度和速度.     

卫星通信中一种快速RPEM 算法

记忆多项式预失真能够有效地补偿卫星信道的非线性失真,但存在收敛速度慢的缺点．将RPEM算法应用于卫星记忆多项式预失真中,提出了一种快速收缩递归预测误差算法．该算法通过利用Shrinkage方法和L₁范数与L₂范数差值最小化公式,获得了噪声自由先验误差与噪声自由后验误差的关系,推导了一种最佳遗忘因子,有效地提高了收敛速度．仿真结果表明,收缩递归预测误差算法能够有效地抑制信号的星座扭曲和频谱再生,解决了非线性失真的问题,同时在几乎不增加计算复杂性的基础上,能够获得较快的收敛速度和较好的稳定性．     

基于RBF神经网络和自适应遗传算法的变压器故障诊断

由于变压器故障征兆与故障类型之间具有复杂的非线性关系,采用传统的BP神经网络诊断方法存在收敛速度慢、准确率低和自适应能力差等缺点.针对以上问题,提出了一种基于自适应遗传算法的RBF神经网络故障诊断方法,建立了以变压器的故障特征参数为输入、以主要故障类型为输出的故障诊断模型;将自适应遗传算法和RBF神经网络有机地结合起来,利用自适应遗传算法对RBF神经网络的基函数宽度和中心进行优化,将优化后的RBF神经网络应用于变压器故障诊断.仿真结果表明,该诊断模型加快了网络收敛速度,改善了RBF神经网络的泛化能力,提高了故障诊断正确率,具有良好的实用性.     

基于遗传算法的BP神经网络模型在道路交通事故宏观预测中的应用

采用遗传算法优化BP神经网络来建立一个道路交通事故宏观预测的模型.该模型结合遗传算法和神经网络两者的优点,具有更好的运算性能、更快的收敛速度和更高的精度.模型以交通事故死亡人数为输出变量,以机动车保有量、公路里程、人均GDP为输入变量,利用1978年至2006年的道路交通事故数据进行训练及检验.实例计算表明,建立的基于遗传算法的BP神经网络模型可以很好的适用于道路交通事故宏观预测,为制定交通安全对策提供理论依据.     

基于遗传神经网络沥青混合料抗车辙性能研究

动稳定度是评价沥青混合料在规定条件下抵抗塑性流动变形能力的指标,它的大小直观反映了沥青混合料抗车辙能力的强弱。介绍了BP、遗传算法(GA)优化BP两种神经网络,建立了沥青混合料抗车辙性能预估模型,并以此分别对沥青混合料车辙动稳定度进行预测,实验结果表明:基于遗传算法(GA)优化BP神经网络的沥青混合料动稳定度预测方法,能够使网络收敛速度加快并避免局部极小;GA-BP神经网络在收敛速度和预测精度方面均优于BP神经网络。     

基于神经网络的TWTA非线性校正方法

用于卫星转发器的高功率行波管放大器（TWTA）是非线性放大器,由于常工作在饱和状态导致非线性失真很严重．针对这种非线性变换特性,提出了一种基于神经网络的新的校正方法,主要步骤包括样本数据的预处理、网络结构的设计、采用LM算法进行网络训练,以及利用训练好的模型进行AM／PM或AM／AM校正等．通过仿真实验和对比分析表明,基于神经网络的校正方法优于传统校正方法,校正结果与真实值吻合程度高．     

基于GA-PSO-BP 的大坝变形监测模型

提出了一种基于GA-PSO 混合优化BP 神经网络的大坝变形监测模型, 将遗传算法(GA)和粒子群算法(PSO)的寻优过程进行融合, 利用GA 算法的全局性和PSO 算法收敛速度快的特点,通过迭代选取最优的粒子作为BP神经网络的连接权值和阈值,以减小网络输出误差, 提高其收敛速度和加强网络泛化能力。运用GA-PSO-BP 模型对大坝自动监测数据进行预测分析, 实验结果表明GA-PSO-BP 模型优化了BP 神经网络的连接权值和阈值, 能有效提高网络训练精度与收敛速度, 有效避免早熟收敛, 使模型的整体预测效果得到提高。     

场景自适应的红外焦平面阵列非均匀性校正新方法

提出了一种基于神经网络的红外焦平面阵列 (IRFPA) 非均匀性自适应校正方法,重新设计了隐含层结构以获得更接近真实信号的期望信号,此外,还将变步长归一化LMS (VSS-NLMS)自适应滤波技术引入到校正参数的迭代估计过程中,以实现对校正速度和稳定性的提升．实验结果表明,该方法在校正精度、收敛速度和稳定性方面的性能均显著优于传统的神经网络校正算法．     

基于GA-CNN-LSTM模型的文本情感分析方法研究

为了克服传统神经网络不能学习文本长期信息的缺点和神经网络中梯度下降法容易陷入的局部最优问题,提出基于遗传算法(GA)、卷积神经网络(CNN)和长短期记忆神经网络(LSTM)相结合的文本情感分析模型GA-CNN-LSTM.具体来说,该模型首先利用卷积神经网络从全局信息中提取序列特征,之后使用长短期记忆神经网络分析句子的句法和语义结构,最后运用遗传算法从全局进行寻优,有效避免梯度下降法陷入的局部最优问题.在IMDB数据集上进行实验,结果表明,该模型相比于其他现有的网络模型,取得了更好的分类效果,精度比传统的长短期记忆神经网络提高了 1.8百分点,准确率达到了 0.906.     

基于改进粒子群算法的BP神经网络模型研究

为解决BP神经网络局部性收敛度慢的问题,提出了基于改进粒子群算法的BP神经网络模型．该方法通过粒子群进化速率动态调整惯性权重因子,提高了算法的收敛速度和全局搜索最优值的能力．提出的模型和改进的算法模拟仿真表明：该方法对收敛速度和精度有更好的拟合性．