改进遗传算法优化BP神经网络的语音情感识别

语音情感识别技术在人类生活中正扮演着越来越重要的作用。为了更为有效识别语音信号中的情感类型,提出一种改进遗传算法优化BP神经网络的识别算法（IAGA-BP）。该算法一方面改进了自适应遗传算法中的选择算子,另一方面更改了自适应遗传算法中的交叉和变异概率公式。通过对自适应遗传算法的改进,提升了遗传算法的寻优性能,并以此对BP神经网络初始的权阈值进行优化。在与BP、GA-BP和AGA-BP网络比较中,实验结果表明,IAGA-BP网络能够有效提高语音情感识别率,并加快了网路收敛速度。     

基于GA-BP神经网络的目标识别方法

针对单一特征识别算法泛化能力差、识别准确率低的问题,本文深入分析了典型目标地震波信号的时域特征,融合多个特征构建训练样本,采用BP神经网络算法对目标进行识别;针对BP神经网络收敛速度慢、泛化能力差的缺点,通过遗传算法对BP神经网络优化。最终形成基于GA-BP神经网络的目标识别方法,并进行实验验证。结果表明:基于GA-BP神经网络算法无论是在收敛性、准确性还是计算速度上都优于传统算法。     

改进的光伏发电系统MPPT预测算法的研究

在光伏发电效率预测的研究中,针对光伏供电系统受温度和光照变化影响大、太阳能利用效率低和最大功率点预测不准确等问题,提出一种改进的GA-BP神经网络的光伏系统MPPT预测算法,通过优化的BP神经网络训练光伏阵列实测数据,预测输出的最大功率.为提高算法预测精度,采用云模型云滴和遗传算法优化BP神经网络的初始权值和阀值,根据遗传算法收敛程度来调整云自适应交叉和变异算子.经Matlab仿真分析,在光照和温度变化时,改进的GA-BP神经网络比GA-BP神经网络和BP神经网络具有更好的预测效果.     

混合GA-BP算法在机器人地面控制中的应用

为了增强移动机器人在动态环境中的学习和适应能力,提出一种基于GA-BP算法优化的神经网络的具有学习的机器人行为控制方法.单纯的BP算法有易陷入局部极小、收敛速度慢的缺点,根据遗传算法具有全局寻优的特点,将二者结合起来形成一种训练神经网络的混合GA-BP算法.实际的实验结果显示,提出的方法对机器人的学习和适应能力有很大的增强,并且提高了机器人行为的准确性和快速性,可以有效、可靠地运用于机器人地面控制,并可以方便地应用于其他方面.     

二进制神经网络分类问题的几何学习算法

分类问题在前向神经网络研究中占有重要位置.本文利用几何方法给出一个二进制神经网络K（≥2）分类问题的新学习算法.算法通过训练点的几何位置与类别分析，建立一个四层前向神经网络，实现网络输入向量分类.本文算法的优点在于:保证学习收敛且收敛速度快于BP算法及已有的其他一些前向网络学习算法;算法可以确定神经网络的结构且能实现精确的向量分类.另外，算法所建神经网络由线性阀值单元组成，神经元突触权值和阀值均为整数，特别适合于集成电路实现.     

一种改进的GA-BP算法在手写体数字识别的应用研究

在分析GA-BP算法不足的基础上,通过对GA算法中的相应算子进行改进设计,从而有效避免了GA算法中的出现局部次优的情况,并把GA算法产生的最优个体作为BP神经网络的连接权值和阈值,应用于手写体数字识别过程中.实验结果表明,改进的GA-BP算法可以提高BP网络的学习速度和识别效果.     

基于改进遗传算法的神经网络优化方法

为了克服神经网络反向传播算法收敛速度慢,易陷入局部极小值,初始权值和阈值的选择缺乏依据,具有很大随机性等缺陷,采用基于自适应遗传算法的神经网络优化方法,方法结合了两者的优点,但是仍存在种群早期进化速度慢的缺点,于是提出了一种改进的自适应遗传算法,将其应用于神经网络的权值和阈值的优化设计中,并将此模型用于对某城市污水厂难测参数SVI的预测.仿真结果表明,算法不仅可克服BP算法的缺陷,而且与BP和GA-BP网络模型比较,大大提高了收敛速度与收敛精度,获得了良好的测量效果.     

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。     

小波神经网络在滚动轴承故障诊断中的应用

结合小波变换和神经网络的优势给出小波神经网络的结构模型,研究了小波神经网络的学习算法;针对传统算法收敛速度慢等问题,从学习率和引入动量项两个方面对算法进行改进。应用小波网络对滚动轴承的典型故障进行实例诊断。以7216圆锥轴承在实验台上所测取的数据进行网络训练。用振动信号为网络输入向量,给出训练结果。仿真实例表明,采用小波神经网络能够很好地对故障进行分类,其收敛速度明显要快于相同条件BP神经网络,有效地实现了滚动轴承的故障诊断。     

基于混合的GA-PSO神经网络算法

粒子群优化(PSO)算法是一类随机全局优化的技术,它通过粒子间的相互作用发现复杂搜索空间中的最优区域。提出了一种基于GA和PSO混合的算法(GA-PSO)用于神经网络训练。算法在产生下一代时,结合了交叉、变异算子和粒子群算法中的速度—位移公式,充分利用了遗传算法的全局寻优和粒子群算法收敛速度快的优点。经GA-PSO训练的神经网络应用于三元奇偶问题和IRIS模式分类问题,与BP、GA和PSO算法相比,该算法在提高训练误差精度的同时加快收敛速度,并能有效避免早熟收敛。仿真结果表明,GA-PSO算法是有效的神经网络训练算法。     

基于双重优化的卷积神经网络图像识别算法*

为了进一步提高卷积神经网络算法的收敛速度和识别精度,提出基于双重优化的卷积神经网络图像识别算法。在构建卷积神经网络的过程中,针对特征提取和回归分类建立双重优化模型,实现对卷积与全连接过程的集成优化,并与局部优化算法对比,分析各算法的识别率和收敛速度的差异。在手写数字集和人脸数据集上的实验表明,双重优化模型可以在较大程度上提高卷积神经网络的收敛速度和识别精度,并且这种优化策略可以进一步拓展到其它与卷积神经网络相关的深度学习算法中。     

基于HMM和遗传神经网络的语音识别系统

本文提出了一种基于隐马尔可夫(HMM)和遗传算法优化的反向传播网络(GA-BP)的混合模型语音识别方法。该方法首先利用HMM对语音信号进行时序建模,并计算出语音对HMM的输出概率的评分,将得到的概率评分作为优化后反向传播网络的输入,得到分类识别信息,最后根据混合模型的识别算法作出识别决策。通过Matlab软件对已有的样本数据进行训练和测试。仿真结果表明,由于设计充分利用了HMM时间建模能力强和GA-BP神经网络分类能力强等特点,该混合模型比单纯的HMM具有更强的抗噪性,克服了神经网络的局部最优问题,大大提高了识别的速度,明显改善了语音识别系统的性能。     

Research of assembling optimized classification algorithm by neural network based on Ordinary Least Squares (OLS)

A new optimized classification algorithm assembled by neural network based on Ordinary Least Squares (OLS) is established here. While recognizing complex high-dimensional data by neural network, the design of network is a challenge. Besides, single network model can hardly get satisfying recognition accuracy. Firstly, feature dimension reduction is carried on so that the design of network is more convenient. Take Elman neural network algorithm based on PCA as sub-classifier I. The recognition precision of this classifier is relatively high, but the convergence rate is not satisfying. Take RBF neural network algorithm based on factor analysis as sub-classifier II. The convergence rate of the classifier algorithm is fast, but the recognition precision is relatively low. In order to make up for the deficiency, by carrying on ensemble learning of the two sub-classifiers and determining optimal weights of each sub-classifier by OLS principle, assembled optimized classification algorithm is obtained, so to some extent, information loss caused by dimensionality reduction in data is made up. In the end, validation of the model can be tested by case analysis.     

基于GA-BP算法的多分辨率遥感影像融合技术

由于Landsat-5唯一的热红外波段遥感影像TM6的空间分辨率不高,使得其应用与研究程度远不及其它波段广泛。为此,运用GA-BP算法来提高TM6遥感影像的空间分辨率,并进行仿真实验,结果表明:①GA-BP算法有效地避免了BP算法陷入局部最小点、收敛速度慢的问题,是一种快速、可靠的方法。它的快速算法对数据量巨大的遥感图像更具实用价值。②从提高TM6遥感影像空间分辨率的仿真结果来看,无论计算效率还是遥感影像的融合效果,GA-BP算法都优于BP算法。③GA-BP算法既保留了TM6遥感影像的基本灰度分布信息,同时也提高了其空间分辨率,可以有效地运用到提高遥感影像空间分辨率的过程中。     

遗传神经网络在近红外光谱煤质分析中的应用研究

针对BP神经网络收敛速度慢及容易陷入局部最优解的缺点,结合遗传算法全局搜索的特点,提出了一种基于遗传算法和BP神经网络建立近红外光谱煤质分析模型的方法;并利用主成分分析法提取煤炭样品的主成分值,有效地压缩了数据。实验对比了BP模型与GA-BP模型,结果表明,GA-BP模型能有效地减小测试集的预测值与真实值之间的误差平方和,相关系数也得到了提高,有效地提高了预测精度和分析速度。     

自适应调节学习率和样本训练方式的场景分类

在基于卷积神经网络的场景分类方法中,当训练数据较少时,由于网络训练次数较多、收敛性较差等原因,容易造成过拟合.为了消除此影响,在卷积神经网络的框架下,文中提出可以自适应调节网络学习率和样本训练方式的场景分类算法.根据网络训练中误差函数的变化自适应调节学习率,当误差函数变化较小时,保持批次的学习率不变,当误差函数变化加大时,学习率的变化与误差函数的改变成反比.同时根据网络输出结果改变实验样本的训练方式,着重训练分类不准确的图像.在Scene-15、Cifar-10场景数据集上的实验表明,文中算法改善神经网络的收敛性,有效提高分类精度,特别是对于室内场景等特征复杂场景的分类精度.     

基于PSO—BP神经网络的混凝土抗压强度预测

为了有效提高混凝土抗压强度的预测精准度,利用粒子群算法优化BP神经网络初始权值和阈值,建立了混凝土抗压强多因子PSO-BP预测模型。模型以每立方混凝土中水泥、高炉矿渣粉、粉煤灰、水、减水剂、粗集料和细集料的含量以及置放天数为输入参数,混凝土抗压强度值作为输出参数,不仅可以克服BP算法收敛速度慢和易陷入局部极值的缺陷,而且模型的学习能力、泛化能力和预测精度都有了很大的提高。以UCI数据库中的Concrete CompressiveStrength数据集为例进行仿真测试,结果表明：PSO-BP模型预测精度较BP、GA—BP模型分别提高了8．26％和2．05％,验证了PSO—BP模型在混凝土抗压强度预测中的有效性。     

基于双池化特征加权结构CNN的图像分类

传统的池化方式会造成特征信息丢失,导致卷积神经网络中提取的特征信息不足。为了提高卷积神经网络在图像分类过程中的准确率,优化其学习性能,本文在传统池化方式的基础上提出一种双池化特征加权结构的池化算法,利用最大池化和平均池化2种方式保留更多的有价值的特征信息,并通过遗传算法对模型进行优化。通过训练不同池化方式的卷积神经网络,研究卷积神经网络在不同数据集上的分类准确率和收敛速度。实验在遥感图像数据集NWPU-RESISC45和彩色图像数据集Cifar-10上对采用几种池化方式的卷积神经网络分类结果进行对比验证,结果分析表明：双池化特征加权结构使得卷积神经网络的分类准确率有很大程度的提高,同时模型的收敛速度得到进一步提高。     

基于神经网络的加氢反应器温度优化控制

根据加氢反应器的特点，提出了一种加氢反应器出口温度神经元网络优化控制方法，给出了作为模型预估器的神经网络GA－BP算法流程及GA算法实现，提出了最优控制指标选择原则及控制指标表达式，经计算机对四床层一段加氢裂化装置进行仿真研究表明，该控制方法具有良好的跟踪性能及抗干扰能力。