共查询到19条相似文献,搜索用时 145 毫秒
1.
针对传统多目标优化的求解方法通常存在目标权值主观性大,优化目标仅为各目标加权和以及在求解过程中各目标优化的不可操作性等问题,文中提出了一种新颖的多目标优化算法,其将改进后的遗传算法与BP神经网络融合,提出了基于遗传算法的BP神经网络融合算法。该算法将遗传算法与BP神经网络算法相结合,充分发挥遗传算法的全局搜索能力优势和BP算法的局部搜索能力特点,使得多目标优化问题得以求解,加快收敛速度,从而提高了收敛精度。 相似文献
2.
《现代电子技术》2016,(3):90-93
考虑到常规BP神经网络算法容易陷入局部最优解,所建立的网络遗传流量检测模型检测效率低,准确率不高等问题,提出一种改进型GA优化BP神经网络算法,并使用其建立网络遗传流量检测模型。常规遗传算法在搜索过程中,往往会由于出现影响生产适应度高的个体而对遗传算法搜索过程产生影响的现象发生,因此需要对常规遗传算法进行改进。使用的方法是通过混合编码方式进行改进,同时对交叉算子、变异算子、交叉概率以及变异概率等参数进行优化修正。使用KDD CUP99数据库中的网络异常流量数据进行实验研究,研究结果表明,所提出方法的检测性能要明显优于常规算法,其对BP神经网络的结构、权值以及阈值进行同步优化,避免了盲目选择BP神经网络结构参数带来的问题,避免了常规BP神经网络容易陷入局部最优解的问题。 相似文献
3.
4.
5.
基于遗传算法优化的BP神经网络研究应用 总被引:1,自引:0,他引:1
《现代电子技术》2018,(9):41-44
为提高BP神经网络预测模型对超市大米日销售预测的准确性,提出一种基于遗传算法优化的BP神经网络预测方法。介绍了BP神经网络和遗传算法的特点以及存在的缺陷,并进一步研究了BP神经网络和遗传算法相结合的有关技术,利用遗传算法优化BP神经网络的权值和阈值,然后训练BP神经网络预测模型获取最优解,充分发挥了BP神经网络的局部搜索能力和遗传算法的全局搜索能力的优势。仿真结果证明,该方法对超市大米日销售预测具有更高的精度和更好的非线性拟合能力。 相似文献
6.
7.
神经网络具有识别复杂非线性系统的特性,比较适合于交通领域应用。BP神经网络是一种典型的人工神经网络,BP算法依梯度下降搜索法可以保证在有限次搜索后快速找到全局最优;而遗传算法的全局寻优能力,可防止陷入局部极小点。本文将二者结合起来,建立遗传一神经网络.建立了结合实时交通信息的动态交通流量预测模型。 相似文献
8.
9.
遗传算法在问题优化中的应用已有了许多研究,但对于大型多目标规划问题而言,由于其问题特性和计算量大而限制了遗传算法的应用。为探索新的问题求解方法,提出了一种基于遗传算法和梯度算法的问题优化混合算法。用梯度法每次迭代得到的结果来改进遗传算法的群体,而用遗传算法的最优个体与梯度算法的迭代解相比较,选择其中的最优点作为梯度法下一步迭代的初始点。通过保持迭代过程的最优解,加快了搜索速度,并保证收敛于全局最优解。算例表明该方法兼具遗传算法的全局搜索能力和梯度算法的局部搜索的特点,且具有良好的工程适应性。 相似文献
10.
11.
非线性阈值自调整小波图像去噪方法研究 总被引:14,自引:12,他引:2
为解决小波变换阙值去噪方法中阙值的合理选取,提出一种基于非线性阙值自调整小波变换的图像去噪方法。在传统小波阈值去噪方法的基础上,结合神经网络的非线性双曲线正切函数和BP训练方法,首先对含噪图像进行二进小波分解,然后对分解系数进行小波重建,并将重建系数在BP神经网络中采用最速梯度下降法进行优化处理,得到最优阈值,最后对阈值处理的重建系数进行叠加,得到原始图像信号的估计值,即去噪后的图像信号。仿真实验表明,该方法具有较好的重建图像视觉效果,信噪比(SNR)和峰值信噪比(PSNR)均比传统小波阈值方法提高了1~2dB。 相似文献
12.
针对BP神经网络存在的固有缺陷:收敛速度慢,容易陷入局部极小,文中对所建BP网络的学习算法进行了改进,采用附加动量项和自适应调整学习率的BP算法对网络进行训练,替代标准BP算法中的梯度下降法寻找最优网络连接权值.仿真实验证明,这种学习算法提高了BP网络的学习效率及稳定性,大大提高了网络的收敛速度,更好地实现了对模拟电路... 相似文献
13.
14.
15.
BP神经网络有网络结构本身的改进,基于传统梯度下降算法的改进和基于数值优化算法的改进三个主要方面。针对经过大量预处理后的较规范手写体数字样本,提取一种13维的结构特征向量,采用多种改进方式进行训练和识别测试以比较不同算法的性能。 相似文献
16.
17.
采用增加动量因子和自适应学习速率相结合的方法,对BP神经网络算法进行改进,利用改进的BP网络算法,可以有效地抑制网络陷入局部极小值,提高网络训练速度。实验验证表明,改进的算法对图像识别的准确率较高。 相似文献
18.
误差反向传播神经网络(BP神经网络)的误差曲面是一个多极值的不规则曲面,标准BP算法是一种单调的梯度下降算法,在训练过程中会收敛到其中的某一个极值而失去寻找到具有更佳泛化能力的解的可能。本文提出一种振动重力场训练算法,通过对神经网络的权值进行正态分布的随机调整,让其以一定概率跳出当前局部最优解的收敛域,同时一直以梯度下降算法引导解向泛化误差更小的方向下降,这样可以以更高的概率得到泛化误差更小的解。面向一种衬底集成波导功分器的优化实验表明相比较于标准BP算法这种训练方法可寻找到泛化性能更好的神经网络。 相似文献
19.
Aiming at the accuracy and error correction of cloud security situation prediction, a cloud security situation
prediction method based on grey wolf optimization (GWO) and back propagation (BP) neural network is proposed.Firstly, the adaptive disturbance convergence factor is used to improve the GWO algorithm, so as to improve theconvergence speed and accuracy of the algorithm. The Chebyshev chaotic mapping is introduced into the positionupdate formula of GWO algorithm, which is used to select the features of the cloud security situation prediction dataand optimize the parameters of the BP neural network prediction model to minimize the prediction output error.Then, the initial weights and thresholds of BP neural network are modified by the improved GWO algorithm toincrease the learning efficiency and accuracy of BP neural network. Finally, the real data sets of Tencent cloudplatform are predicted. The simulation results show that the proposed method has lower mean square error (MSE)and mean absolute error (MAE) compared with BP neural network, BP neural network based on genetic algorithm(GA-BP), BP neural network based on particle swarm optimization (PSO-BP) and BP neural network based onGWO algorithm (GWO-BP). The proposed method has better stability, robustness and prediction accuracy. 相似文献