固体推进剂力学性能预估研究

固体火箭发动机中,药柱的结构完整性直接关系到发动机的结构完整性和可靠性,而推进剂的力学性能对保持药柱结构完整性起着重要作用,也是决定推进剂寿命的重要指标.为了预估固体推进剂的力学性能,提高系统的可靠性,将遗传算法和神经网络相结合,建立了预估固体推进剂力学性能的遗传神经网络(GA-BP)模型.利用模型预测了某固体推进剂在不同温度、湿度和时间下的抗拉强度、延伸率、弹性模量变化情况,并与试验结果进行了比较.结果表明,模型预估精度高,泛化能力强,仿真计算与试验在结果上有很好的一致性.从而为固体火箭发动机的结构完整性研究提供可靠依据.     

煤/气混燃锅炉运行优化与智能算法预测模型

为提高煤/气混燃机组的锅炉效率,以某300 MW煤/气混燃锅炉为对象,对热量混燃比、分级配风、排烟温度、飞灰含碳量及锅炉效率进行了优化。基于优化试验数据,采用支持向量机(SVM)、反向传播(BP)神经网络及遗传算法优化BP(GABP)神经网络等算法,建立了锅炉效率智能算法预测模型。采用均方根误差和平均绝对百分比误差,分别评价了模型预测精度和预测值相对于试验值的平均偏离情况。试验与预测结果表明:随着高炉煤气热量混燃比的增加,锅炉效率由92.87%降到了90.82%,高炉煤气与焦炉煤气的最佳配比应小于1.3;锅炉效率随着分离燃尽风开度的增加而降低,最优开度为4层,均开至100%。通过对比3种预测模型的性能发现,遗传算法优化BP神经网络算法具有较强的逼近能力和泛化能力。该模型对锅炉效率的预测能力优于其他2种模型。     

复合固体推进剂的燃烧模型和模拟计算

模拟研究对认识固体推进剂的燃烧规律、改善燃烧性能有重要意义。本研究提出一种如图1所示的燃烧模型并据此进行了大量模拟计算。计算结果与实验值符合得很好。与Miller的实验值比较,有80％以上计算值的相对误差小于10％;比PEM模型的计算精度提高了约15％;对含Al推进剂燃速、压力指数的计算,有95％计算值的相对误差小于10％,基本上能满足定量予估的要求。     

基于GA-BP神经网络的动力锂电池SOC估算

为提升新能源汽车的整车动力性、经济性以及安全性,更精确估算车用锂电池的荷电状态值(SOC),以纯电动汽车动力锂电池为研究对象,采用遗传算法(GA)优化BP神经网络,解决了误差逆传播存在的收敛速度慢、全局范围搜索能力弱、容易陷入局部极小值等缺陷,同时建立了基于GA-BP算法的SOC值预测神经网络模型,通过仿真实验与传统BP算法进行对比,验证该算法兼顾神经网络学习速度、误差小、全局搜索能力并满足动力电池SOC值估算要求。     

基于混合遗传神经网络的百米跑成绩预测方法

在遗传算法(Genetic ALgorithm)与BP(Back Propagation)网络结构模型相结合的基础上，设计了用遗传算法训练神经网络权重的新方法，并把这种方法用于运动员百米跑成绩预测。与BP算法和LM(Levenberg Marquardt)算法相比，基于混合遗传算法的神经网络不仅有较快的学习速度和较好的学习精度，而且网络的泛化能力(Generalization Ability)得到了很大提高。     

STM32的四旋翼无人机故障诊断仿真研究

提出了基于BP神经网络的四旋翼无人机故障诊断方法,但考虑到经典BP神经网络算法误差收敛速率慢,训练学习容易陷入局部最优值等缺陷,设计了一种基于改进型遗传算法(Genetic Algorithm)优化BP神经网络.改进型GA算法对编码方式和选择算子进行了优化,同时对交叉和变异算子等参数进行了调整.Matlab仿真表明,改进后的BP神经网络算法的检测性能有了明显的增强,避免了经典BP算法容易陷入局部最优值的问题.     

遗传算法优化神经网络权值盲均衡算法的研究

将遗传算法与神经网络盲均衡算法相结合,提出了两段式优化神经网络权值的方案。首先利用遗传算法全局搜索能力强的特点优化初始权值,然后发挥BP算法局部搜索速度快的特点得到最佳权值。经计算机仿真表明,该算法与传统BP神经网络盲均衡算法相比,收敛速度加快,稳态剩余误差减小,误码率降低。     

基于GA-GRNN的RFID室内定位算法

针对基于测距模型的定位算法易受环境干扰、测距误差大的问题,提出一种基于遗传算法-广义回归神经网络(GA-GRNN)优化的指纹定位算法。利用GRNN建立节点定位模型,通过GA确定最优平滑参数,将阅读器与标签间的信号强度值作为神经网络的输入,进而得到输出节点的坐标。仿真结果表明,与GRNN算法、BP神经网络算法、FOA-GRNN算法相比,该算法的定位精度较高,泛化能力较强。     

基于GA、BP神经网络和多元回归的集成算法研究

遗传算法、BP神经网络和多元回归是目前应用比较广泛的数据挖掘算法,它们各俱优点,同时也存在诸多无法避免的缺陷。该文在前三者的基础上,提出一种BP网络与多元回归模型融合的杂合BP网络,并采用遗传算法优化杂合BP网络的初始权值,有效地避免几种方法在单独使用时存在的缺陷。验证实验结果表明：新方法所建立的模型在收敛速度、精度和...     

基于布谷鸟算法优化BP神经网络的锂电池健康状态预测

锂电池健康状态(SOH)的预测是电动汽车锂电池管理系统的最重要的关键技术之一;传统的误差逆向传播(BP)神经网络容易使权值和阈值陷入局部最优,从而导致预测结果不精确;结合布谷鸟搜索算法(CS)的全局优化能力,提出一种基于CS算法优化BP神经网络的锂电池SOH预测方法,该方法的核心在于优化BP神经网络的初始权值和阈值,从而减小算法对初始值的依赖;为了验证算法的泛化性,利用美国国家航空航天局开源锂电池数据集6号电池和7号电池进行仿真实验,仿真得到该算法预测SOH的均方根误差(RMSE)分别为0.2658和0.2620,平均绝对百分比误差(MAPE)分别为0.3319%和0.2605%;通过与BP神经网络、粒子群优化的BP神经网络(PSO-BP)、遗传算法优化的BP神经网络(GA-BP)对比,布谷鸟算法优化的BP神经网络(CS-BP)具有更小的预测误差。     

基于AIGA-BP神经网络的粮食产量预测研究

为了提高预测粮食产量的准确度,针对BP神经网络进行粮食产量预测时易陷入局部最优的缺陷,主要借鉴免疫系统的浓度调节机制和遗传算法的全局寻优特性,用自适应免疫遗传算法（AIGA）来优化BP神经网络的权值和阈值,并给出了具体的优化过程。用优化的神经网络对粮食产量进行了仿真预测,通过仿真实验表明,与BP神经网络预测法和遗传神经网络预测法对比,优化的网络模型在粮食产量预测中取得了更精确的结果。     

基于遗传BP网络的股市预测模型研究与仿真

股票价格走势已经成为人们关注的焦点,为了更精确的预测股票价格,得到更合理的股票投资意见,利用遗传算法全局寻优和BP神经网络局部寻优相结合的方法.提高了传统BP神经网络的计算精度和收敛速度.建立了基于遗传BP网络的股市预测系统模型,对贵州茅台股票价格进行预测.仿真结果表明,经遗传算法改进后的BP神经网络模型在降低计算和预测的平均误差的同时,迭代次数比一般BP神经网络模型也大大减少.因此适用于求解如股市预测等非线性问题,具有较高的精确度和应用价值.     

自适应遗传退火算法优化BP神经网络及其应用

以提高预测软件老化趋势为应用背景,提出一种新型自适应遗传退火算法（NAGSA）优化BP神经网络模型,该模型采用轮盘赌选择法与精英保留策略相结合的选择算子,在迭代后期通过模拟退火算法对适应度函数进行拉伸,相比传统的自适应遗传算法（AGA）在个体适应度较低时,能够非线性地自适应调节交叉概率和变异概率,从而对BP神经网络的权值和阈值优化并进行网络训练.对在线售书网站注入内存泄漏的代码使之老化,收集实验所需的老化数据进行仿真训练,实验结果表明,NAGSA-BP模型相比于传统遗传算法（GA）、传统自适应遗传算法（AGA）、传统自适应遗传退火算法（NGSA）优化的BP神经网络模型提高了预测精度和取得了优良的收敛效果,在该应用领域验证了本文方法的有效性.     

基于GA-LM-BP神经网络的锂离子电池预测研究

针对BP神经网络训练学习速度慢、容易陷入局部极小值的缺陷,利用LM算法融合高斯-牛顿法和梯度下降法优点的快速性,充分利用遗传算法全局随机搜索强的优势,构建了三层5-6-1型的GA-LM-BP神经网络结构,优化BP神经网络的初始权值和阀值,减少了BP神经网络陷入局部极小值的几率。通过对锂离子电池数据进行了实验,结果表明了该方法预测的有效性。     

基于混沌搜索的人工蜂群优化神经网络交通流预测方法

为了提高长时交通流的预测精度,提出一种改进的人工蜂群优化BP神经网络分时段预测交通流的方法。利用Tent混沌映射采蜜蜂放弃的新解,实现具有混沌搜索策略的人工蜂群算法,然后优化BP神经网络的权值和阈值,最终训练BP神经网络以求得最优值。利用该预测方法对合肥市黄天路全天的交通流分时段预测,实现了对长时交通流的准确预测,与传统的人工蜂群优化BP神经网络预测对比,能有效改善预测精度,降低预测误差。     

粒子群优化算法训练神经网络辨识混沌系统

提出利用粒子群优化算法训练神经网络的算法,进行混沌系统辨识,并与神经网络、遗传神经网络对同一混沌系统辨识的结果进行比较。实验表明,利用粒子群优化算法训练神经网络进行混沌系统辨识,在不明显增加执行时间的基础上,寻求最优解的质量有显著提高,并且原理简单,容易实现,可有效用于混沌系统的辨识。     

一种遗传神经网络在烟气机组故障诊断中应用

针对烟气机组时变、非线性的工况特点,提出了一种基于遗传算法的BP神经网络模型,并在该算法的适应度函数中加入了时间因素。实验结果表明,考虑时间算法的遗传神经网络要明显优于一般BP神经网络,其训练时间大为缩短,网络计算的实时性得到了加强。     

一种基于遗传优化的神经网络水印

提出一种新的遗传算法和神经网络彩色图像水印研究,在检测水印的过程中,利用遗传算法来优化BP神经网络的权值矩阵与初值,构建出内在的隐含关系,然后利用训练好的BP神经网络来融合提取水印.实验证明该算法保持不可觉察性,并且水印的鲁棒性比BP神经网络的更强.