基于改进遗传算法的双向BP神经网络控制

针对因果系统提出一种双向神经网络,在相邻两层神经元之间建立反向连接,以直接把被控系统先前时刻的状态变量引入到网络中;设计了一种自适应调整遗传算法交叉率和变异率的规则;结合遗传算法和神经网络的优点,给出了一种基于遗传算法的双向神经网络控制方案,该方案兼有遗传算法的强全局搜索能力和神经网络的鲁棒性和自学习能力。仿真结果表明,该算法能使种群基因保持多样性,有效抑制了算法的早熟收敛;基于该算法的控制系统调整时间短、准确度高,具有良好的抗干扰能力,能满足实时性和稳定性要求。     

一种改进的混合遗传算法人工神经网络及其应用

采用自适应交叉变异、最优保存、局部寻优的遗传算法,避免了BP神经网络在训练过程中收敛于局部极小点的缺陷,并将其对神经网络的权值和阈值进行优化,从而提出了一种改进的混合遗传算法神经网络模型。该算法首先对一给定的神经网络结构,采用自适应交叉变异和最优保存策略对神经网络进行优化;然后采用局部寻优策略进一步克服神经网络学习算法的早熟问题。采用上述三种优化策略的神经网络模型对三元混合物溶液的物性和烟叶质量进行预测。试算结果表明,与实验值相比,预测结果良好。     

基于改进遗传算法的BP神经网络手写数字识别

手写数字识别是光学字符识别技术的一个分支,一般采用神经网络,其中较为突出的是BP神经网络,但BP算法易陷入误差局部最小产生振荡且训练速度慢,通常先采用优化算法对其结构进行优化。为此,在分析GA-BP算法原理的基础上,提出对GA算法的相应算子中交叉和变异概率进行改进的方法,并用改进的GA算法优化BP神经网络的连接权值和阈值。以手写体数字识别为对象进行实验,结果表明：该方法具有更快的收敛速度和更可靠的稳定性,大大提高了BP神经网络的学习速度和识别率。     

高分辨率混合模糊神经网络裂缝反演研究

本文提出了对ANF IS模糊神经网络的一种新的学习方法。由于梯度下降法和最小二乘法在训练ANF IS模糊神经网络时,尽管搜索局部极值的能力较强,但容易陷入局部极值,而遗传算法可以很快达到全局最优解附近。本文结合遗传神经网络、梯度下降法和最小二乘法各自的特点,提出一种混合算法,使得神经网络的收敛速度得到加快,精度得到提高。将该算法进行裂缝反演,取得了很好的反演效果。     

混合蚁群算法及其在裂解深度建模中的应用

设计了一种新的混合蚁群算法,该算法以一种新的二进制蚁群算法为基础,混合PBIL算法及遗传算法的交叉操作和变异操作,从而大大提高了种群的多样性及算法的收敛速度,改善了全局最优解的搜索能力。通过函数优化测试表明该算法具有良好的收敛速度和稳定性,同时将该算法应用到裂解炉裂解深度的神经网络软测量建模中,取得了很好的应用效果。     

基于混合遗传算法的人工神经网络模型及其对有机化合物熔点的预测

为了避免BP神经网络在训练过程中收敛于局部极小的缺陷,采用自适应交叉变异、最优保存的混合遗传算法对BP网络的权值和阈值进行优化,从而提出一种新的基于混合遗传算法的神经网络模型.该算法首先对一给定的网络结构,采用混合自适应交叉变异和最优保存策略,取各自的长处,用尽可能少的搜索代数找到问题的最优解,从而既防止算法陷入局部最优,又保证算法有较好的平均适应值和最佳的适应值个体.采用上述优化策略的人工神经网络可明显改善收敛的稳定性和收敛速度,并确保网络收敛于全局极小点.人工神经网络运用于物性数据的预测是一个具有潜力和有待开发的领域.运用该模型,根据有机化合物的分子量、临界密度、正常沸点和偶极矩,对其熔点进行预测.预测结果表明：提出的混合遗传算法神经网络优于其他算法神经网络,而且预测结果优于文献上已有的Joback方程和许氏方程的计算值.     

改进BP神经网络在胎面挤出参数预测中的应用

采用隐含层数为4,每个隐含层单元数为10的改进BP神经网络预测销钉机筒冷喂料挤出机的胎面挤出参数.与传统BP神经网络相比,改进算法采用惯性冲量校正、限幅输出和步长自适应解决传统算法学习速度慢且易于陷入局部最小值的问题.Matlab仿真表明,改进算法的收敛速度和收敛效果均明显比传统BP神经网络算法好.训练好的神经网络对胎面挤出过程的参数预测和试验结果间的最大误差为1%,大部分误差小于0.5%.     

基于遗传神经网络的冰蓄冷空调系统负荷预测研究

针对现阶段冰蓄冷中央空调系统负荷预测的BP(Back Propagation)模型收敛速度慢和容易陷入局部极小点等缺点,结合遗传算法GA(Genetic Algorithm)和BP神经网络,提出了一种GA-BP算法,并在冰蓄冷中央空调负荷预测系统中应用。     

基于遗传神经网络的微滤膜通量的预测

针对BP神经网络在寻优过程中容易陷入局部极小值的缺点,将遗传算法和BP神经网络相结合,构造了一种基于遗传算法的反向传播（GABP）神经网络。网络的训练分为两步：首先利用遗传算法群体寻优策略,采用遗传算法对网络权值和阈值进行全局搜索,保证其落入全局最优点的邻域;然后再用梯度法对网络权值进行细化训练以进一步减小误差,使其收敛于全局最优解或性能很好的近似最优解。网络训练时使用的数据是在不同操作条件 （温度、压力、浓度）下,用标准孔径为0.1 μm 的亲水聚偏氟乙烯微滤膜过滤牛血清白蛋白(BSA)溶液时得到的膜通量实验数据,用训练好的GABP神经网络对微滤膜过滤BSA的膜通量预测研究结果表明,与传统的BP算法相比,GABP神经网络算法改善了网络收敛速度以及膜通量预测的准确度。     

结合遗传算子的改进粒子群算法在控制系统设计中的应用

针对粒子群优化算法容易陷入局部最优以及早熟等缺点,结合遗传算法的选择交叉变异算子进行改进,得到一种新型PSO算法.将该方法应用于PID控制系统参数调优和被控对象参数辨识,仿真结果显示所提出的算法优化效果优于基本粒子群优化算法和遗传算法,收敛性能也得到较大提高.     

小波神经网络在原油含水率预测中的应用研究

通过对原油含水率测量方法,以及原油含水率与影响其因素之间存在的非线性映射关系的研究,提出基于小波分解与神经网络相结合的小波神经网络原油含水率预测模型,给出具体的网络学习算法,并结合算法对原油含水率进行预测.实例分析表明,小波神经网络模型比传统的BP神经网络模型收敛速度快、预测精度高,且具有较强的学习能力和推广能力.     

基于自适应学习速率的模糊神经网络控制器

针对模糊神经网络控制器中很难确定一个最佳学习速率的问题,将带有动量因子的自适应学习速率BP算法引入模糊神经网络控制器中。采用模糊推理自适应调节学习速率,同时引入动量因子,提高系统的收敛速度,并基于Lyapunov定理给出了系统稳定的证明过程。针对同一数学模型,用Matlab编程仿真3种方法的实验结果表明:优化后的模糊神经网络控制器较普通模糊神经网络控制器和模糊控制器具有更优越的控制性能。     

一种引入动量项的小波神经网络软测量建模方法

针对小波神经网络存在收敛速度缓慢且容易陷入局部极小的问题,提出一种参数修正改进算法。首先,输出层神经元函数采用双曲正切函数代替传统的Sigmoid函数;其次,通过在权值调整式中增加动量项的方法选择学习步长,以提高网络学习效率。利用所提改进方法建立催化裂化主分馏塔轻柴油凝点软测量模型,结果表明,改进小波神经网络模型的预测精度和泛化能力优于BP神经网络和小波神经网络模型,对生产有重要的指导意义。     

基于递归模糊神经网络的污水处理控制方法

针对污水处理过程具有非线性、大时变等问题,提出了一种基于递归模糊神经网络的多变量控制方法。该方法通过递归模糊神经网络控制器自适应地获得对操作变量的控制精度,控制器在常规BP学习算法的基础上采用学习率自适应学习算法且引入了动量项来训练网络参数,避免网络陷入局部最优,提高了网络对系统的控制精度。最后,基于仿真基准模型(BSM1)平台对第五分区中的溶解氧和第二分区中的硝态氮控制进行动态仿真实验,结果表明,与PID、前馈神经网络和常规递归神经网络相比,该方法能有效提高系统的自适应控制精度。     

基于IGA优化的神经网络的小电流接地选线方法

为了克服基于BP网络的故障选线方法学习效率低、收敛速度慢和容易陷入局部极小的缺点,提出了基于免疫遗传算法( IGA)的神经网络来实现配电网故障选线.通过快速傅里叶变换和小波包变换从零序电流信号中提取相应的故障特征量作为神经网络的输入,利用免疫遗传算法对神经网络进行训练,完成训练的神经网络模型为故障选线模型.ATP仿真结...     

混合进化算法研究甲基叔戊基醚合成反应动力学

将遗传算法与模拟退火算法相结合,以自适应多重退火交叉策略和自适应多重退火变异策略分别代替传统遗传算法中的单一交叉策略和单一变异策略,在此基础上进一步与进化策略相结合,开发出了一种多进化模式的混合进化算法. 用以上算法对以强酸性阳离子交换树脂A-15为催化剂用甲醇和叔戊醇为原料合成甲基叔戊基醚反应动力学方程中的速度常数、水的阻害系数等参数进行了求解计算,并与传统算法进行了比较. 结果表明：本研究所提出的混合进化算法收敛速度快,估算精度高,有效抑制了早熟现象的发生,所得到的有关动力学参数可靠,模型计算结果与实验结果吻合良好.     

文化差分进化算法及其在化工过程建模中的应用

提出了一种新的文化差分进化算法,该算法将差分进化算法作为文化算法的种群空间,在文化算法的信念空间和影响函数设计中提出了基于多种知识源的设计方法,通过多种知识指导差分进化的变异操作和交叉操作,使知识的表达和指导种群进化的能力得到加强。函数测试结果表明,基于知识机制的引入使得文化差分进化算法在寻优性能上比差分进化算法有了较大的提高,而对参数的敏感性却相对较小。将文化差分进化算法用于训练补偿模糊神经网络,建立乙烯精馏塔产品质量软测量模型。通过训练与泛化能力的比较结果表明,基于文化差分进化算法的补偿模糊神经网络软测量模型在建模精度和泛化性能上均优于常规补偿模糊神经网络、模糊神经网络以及采用遗传算法优化的模型,具有更好的应用前景。     

一种改进型混合遗传算法的分析

针对遗传算法和BP算法的特点,提出了一种在改进型遗传算法的基础上引入BP算法的混合遗传算法。仿真结果表明,该算法不仅保证了全局收敛性,而且大大提高了算法的收敛速度和稳定性。     

递归T-S模糊模型的神经网络

在常规T-S模糊神经网络的基础上加入动态递归元件,提出了递归T-S模糊模型的神经网络。在系统辨识中采用无监督聚类算法和动态反向传播算法训练该递归神经网络的参数,给出了该递归网络的逼近性证明。辨识效果与常规T-S模糊模型作比较,说明递归T-S模糊模型的神经网络在非线性系统辨识中表现出更好的性能。     

B-C陶瓷CVD制备工艺参数优化

CVD法制备B-C陶瓷的沉积效率对于自愈合陶瓷基复合材料(CMC-SH)的最终性能关系重要.本文结合BP神经网络和遗传算法,建立了B-C陶瓷CVD工艺参数优化方法.首先应用BP神经网络对其试验数据进行训练,训练后的网络作为映射工艺参数与性能指标之间的复杂非线性关系的数学模型,并用该网络预测的性能输出作为目标函数求解的方法,以沉积温度、沉积时间、前驱体BCl3/CH4比例和前驱体H2/CH4比例为设计变量,采用遗传算法对变量进行优化,从而实现平均增重率和沉积速度确定的工艺参数的优化.本文将BP神经网络与遗传算法有机结合起来建立B-C陶瓷CVD制备工艺参数优化系统,以期获得最佳的B-C陶瓷沉积效率.