基于混沌免疫遗传算法的神经网络及应用

借助混沌随机序列构造初始种群,将免疫机制引入传统遗传进化过程,有效克服传统遗传算法种群“退化”和“早熟”的不足,保持种群多样性,构造得到混沌免疫遗传优化算法.进而将混沌免疫遗传优化算法与BP神经网络相结合,分别用混沌免疫遗传优化算法和自适应BP算法对网络权值进行全局优化和局部二次优化,建立基于混沌免疫遗传算法的神经网络...     

基于多核系统的混合神经网络及应用

借助混沌免疫遗传优化算法对于BP神经网络进行训练,建立基于混沌免疫遗传算法的混合神经网络模型.针对混沌免疫遗传神经网络计算工作量大,训练速度慢的缺点,利用Matlab的Parallel Computing Toolbox对于所建立的混沌免疫遗传神经网络模型进行并行化算法设计实现,并对渤海海区年极值冰厚数据进行预测,对比...     

基于遗传算法优化神经网络的藻类繁殖状态软测量方法

为了提高BP神经网络模型对海洋藻类生长状态软测量的准确性,提出了一种基于遗传优化算法优化BP神经网络的软测量方法.利用遗传算法优化BP神经网络的权值和阈值,然后训练BP神经网络预测模型以求得最优解,再将该预测结果与传统BP网络预测模型的预测结果进行对比.对仿真结果进行有效性验证后,结果表明,通过这种软测量方法,经遗传算法优化后的BP神经网络可以在更短的时间里创造更高的预测准确性,大大提高了对海洋藻类生长状态预测的效率.     

一种基于CGA的改进BP神经网络模型

针对BP神经网络存在的收敛速度慢和可能产生冗余结构等问题,采用混沌及其在遗传算法中应用的相关理论,设计了利用混沌遗传(CGA)算法对BP网络的初始权值和阈值进行全局寻优的改进措施,提出了一种基于混沌遗传的混合BP神经网络模型.经过实验分析,验证了算法的有效性.     

基于遗传LMBP神经网络模型的股票预测

股票市场是一个高度非线性的系统,通过传统的方法建立较为精确的预测模型比较困难。文章建立了基于遗传算法的LMBP神经网络组合预测模型。利用遗传算法优化BP神经网络的连接权和阈值。采用LMBP算法改进模型的收敛速度。实例验证表明,在建模样本和预测因子相同的条件下,该模型比传统BP网络的预测结果稳定且精度高。     

基于改进神经网络的无线网络流量预测

考虑到无线网络流量具有极强的分散性、随机性以及混沌等特性,使用传统的ARIMA预测模型和BP神经网络模型难以对其进行精确的预测等,该文使用粒子群优化算法对BP神经网络预测模型进行优化以解决BP神经网络容易陷入局部最小值以及训练收敛速率低等问题,引入遗传算法中的自适应变异因子来以一定概率初始化部分变量解决粒子群优化算法会出现陷入局部最优解以及早熟收敛等问题。最后使用经典的CRAWDAD数据库中的无线网络流量数据对该文预测方法性能进行测试,使用稳定小波变换方法将无线网络流量数据分解,得到由1个近似分量以及3个细节分量组成的数据流。测试结果表明,该预测算法在预测性能上要优于ARIMA预测模型和BP神经网络模型。     

神经网络在无线网络流量预测中的应用

无线互联网的流量数据非常分离且极其不稳定,混沌理论在其身上体现得特别明显,因此对无线网络流量进行预测具有一定难度。该文使用BP神经网络建立预测模型,在常规神经网络系统进行训练之前,需要对系统内部各个层次之间的连接权值以及阈值范围实行初始化操作,但是此操作将会影响神经网络最终收敛速度,有可能造成最终结果为非最优解,使得流量预测结果不是很理想。因此这里使用布谷鸟搜索优化方式对神经网络系统内各层之间链接值与阈值进行初始化操作,提高系统预测精度。该文使用遗传优化神经网络算法和粒子群优化神经网络算法建立同样的预测模型,并与该文研究的预测模型进行对比。实例分析结果表明,初期预测结果精度较高,与实际值比较吻合,但测试数据越靠后,预测值越不稳定,这主要是累计误差造成的。但总的来说,该文使用的布谷鸟优化BP神经网络预测模型的预测性能要优于由遗传算法和粒子群算法优化的BP神经网络。     

基于遗传BP神经网络的备货型企业销售预测应用

为了提高备货型企业销售的预测精度及速度,笔者提出了将BP神经网络和遗传算法相组合的预测模型。利用遗传算法的全局搜索能力优化BP神经网络优化的初始权值和阈值,然后通过BP神经网络自我学习模式获得预测结果。最后通过实例验证该模型的有效性,把遗传BP神经网络的预测结果与BP神经网络的预测结果进行对比。结果表明,该方法较BP神经网络具有更高的预测精准度,能为企业生产销售及科学管理库存提供科学依据。     

基于遗传神经网络成绩预测的研究与实现

针对BP神经网络固有的局限性和在应用于成绩预测时出现的问题,运用遗传算法对BP神经网络的权值和阈值进行优化,通过详细设计遗传算法的编码方式、适应度函数,遗传算子使二者结合后的遗传神经网络模型具有更快的学习训练收敛速度,为了提高优化效果,设计了自适应的遗传算法交叉算子和变异算子,并通过与基本BP神经网络和自适应BP神经网络的对比,显示了优化的有效性和可行性。运用Matlab实现了遗传神经网络模型,并完成了模型的训练,运用Java语言完成了模型的调用和成绩预测系统的实现。分析结果表明,该遗传神经网络模型在成绩预测方面具有较高的准确性,具有一定的实用价值。     

基于遗传神经网络的P2P流量识别系统

考虑到传统BP神经网络在进行P2P流量识别时,具有系统识别速度慢、精度低,神经网络自身容易陷入局部最小值等问题,使用遗传算法对BP神经网络进行优化。遗传算法具有较强的自适应性和鲁棒性,因此使用遗传算法对BP神经网络的权值和阈值进行优化处理,能够有效提高神经网络的性能。建立基于遗传神经网络的识别系统,采集处理大量样本数据,对识别系统进行训练和测试。研究结果表明,基于遗传神经网络的P2P流量识别系统具有识别精度高、识别速度快等优点,相比传统BP神经网络,其识别性能有明显提高。     

能量极小化的一种启发式遗传算法

Chakradhar et.al(1988,1990)将组合电路表示为Hopfield神经网络,将测试生成问题转化为一个组合优化问题。本文在传统遗传算法的基础上,结合电路的拓扑信息,提出了一种用于组合电路神经网络模型能量极小化的启发式遗传算法。     

一种快速全局优化的神经网络及其在数据融合中的应用

本文将遗传算法的全局性和EM算法的快速性相结合,提出了一种快速全局优化神经网络,并将其应用于数据融合中。理论与实验结果表明该算法在数据融合中具有很强的鲁棒性。     

基于GA的BP神经网络在多目标优化中的应用

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。     

基于遗传算法和LSSVM的网络安全事件发生频率预测

Since the frequency of network security incidents is nonlinear, traditional prediction methods such as ARMA, Gray systems are difficult to deal with the problem. When the size of sample is small, methods based on artificial neural network may not reach a high degree of preciseness. Least Squares Support Vector Machines (LSSVM) is a kind of machine learning methods based on the statistics learning theory, it can be applied to solve small sample and non-linear problems very well. This paper applied LSSVM to predict the occur frequency of network security incidents. To improve the accuracy, it used an improved genetic algorithm to optimize the parameters of LSSVM. Verified by real data sets, the improved genetic algorithm (IGA) converges faster than the simple genetic algorithm (SGA), and has a higher efficiency in the optimization procedure. Specially, the optimized LSSVM model worked very well on the prediction of frequency of network security incidents.     

基于无线射频定位系统的网络拓扑优化

以遗传算法和免疫算法相结合的算法为研究手段,为无线射频网络的拓扑结构做了优化.这个设计在传统的遗传算法上加以改进,结合了遗传算法和免疫算法的优点,将免疫算法作为遗传算法的一个更新个体的算子,从而提高了遗传算法的搜索能力,使得网络拓扑的结果更加优秀.     

一种利用Gauss变异优化BP神经网络的方法

为了克服传统BP算法收敛速度慢和局部极小点等问题,提出了一种改进的BP网络训练方法,将改进的BP算法和遗传算法相结合。首先引入遗传算法中群体的概念,选取最好个体中的误差作为最小误差,其次利用Gauss变异生成的两个小随机数作为BP算法中的学习率和冲量系数,实现对两个参数的动态调整,以达到对BP网络的权值优化的目的。实验结果表明,该方法有效提高了BP网络的收敛速度,在训练时间方面具有明显的优越性,具有较好的实用性。     

基于VMPSO-BP神经网络的话务量预测

为了更快速、准确地预测移动话务量,提出了速度变异的粒子群算法（VMPSO）,并与BP算法相结合,形成速度变异的粒子群—BP（VMPSO-BP）神经网络算法,用以训练神经网络,从而优化了神经网络的参数,最后对移动话务量进行预测。与传统BP神经网络方法和PSO-BP神经网络方法相比较,并且通过实验数据的分析以及对预测结果地比较,速度变异的粒子群—神经网络预测方法精度更高,收敛速度更快,从而更好地实现了对移动话务量地预测。     

遗传算法及其在PID参数优化中的应用

遗传算法是一种基于自然选择和遗传机理的随机搜索与全局优化的方法。近年来,遗传算法的研究日益成熟,并已成功应用于机器学习、过程控制、经济预测等诸多领域。首先探讨了遗传算法的基本原理及其特点,然后将其应用于PID控制器的参数优化中,仿真实验表明该方法是可行的。     

一种最小化编码节点的网络编码优化算法

网络编码能有效地提升多播网络的传输性能,但编码的引入增加了节点的计算开销。为了克服网络编码带来的额外开销,该文提出了在代数网络编码框架下的网络编码优化模型,并在此模型基础上给出了基于改进遗传算法的最小化编码节点算法-(MCN,Minimizing Coding Nodes)。MCN在简单遗传算法的基础上增加了一些新的策略,避免了局部性问题和降低了算法寻优时间。模拟实验结果表明,MCN是有效的而且运行的更快,输出的网络编码方案所需要的编码节点也更少。同时将MCN应用到具有实际意义的网络中,同传统的网络编码相比,吞吐率仍可达到25%以上,而网络的平均延迟和网络开销却大大减少。     

基于免疫克隆量子算法的多用户检测器

为了解决CDMA系统最佳多用户检测的高计算复杂度问题,基于免疫克隆选择理论和新的遗传量子算法,该文提出了免疫克隆量子算法。该算法把根据神经网络制作的疫苗接种到克隆量子算法的每一代中,通过接种疫苗到CQA中,可以加快CQA的收敛速度减少计算复杂度。另外,CQA所提供的好的初值可以改善疫苗的性能,接种的疫苗还改善了CQA的性能,文中给出了在免疫克隆量子算法中使用随机神经网络制作疫苗的统一理论框架结构。仿真结果证明了该方法不仅能够快速收敛到全局最优解,并且无论抗多址干扰能力和抗远近效应能力都优于传统检测器和一些应用以前智能计算算法的多用户检测器。