水轮发电机组神经网络建模研究

针对水轮发电机组存在的非线性，研究用神经网络建立其模型，分析网络初始权值的选取以及遗忘因子对网络权值学习收敛性的影响，并建立了一个真实水轮发电机组的神经网络模型。     

水轮发电机组神经网络建模研究

针对水轮发电机组存在的非线性，研究用神经网络建立其模型．分析网络初始权值的选取以及遗忘因子对网络权值学习收敛性的影响，并建立了一个真实水轮发电机组的神经网络模型．     

GA-SAPSO神经网络模型的构建

BP神经网络存在寻优参数多、收敛速度慢、易陷入局部极小的固有缺陷,为改进其网络性能,本文利用遗传-模拟退火粒子群算法（GA-SAPSO）对BP神经网络的初始权值及神经元阀值进行优化处理,并重新构建网络模型.实例仿真结果表明：所构建模型降低了BP网络结构的复杂性,避免了网络参数选取的盲目性,提高了网络的计算精度.     

基于分布式神经网络的焦炭质量预测模型

焦炭质量预测模型是确保焦炭生产顺利的基础．但在生产多种类焦炭时，模型的泛化能力变差．针对此问题，提出了基于分布式神经网络的焦炭质量预测模型，给出了基于粗划分的自组织网络初始权值选取方法，通过对基于遗传算法一反向传播人工神经网络的预测模型(GA-BP)和基于自组织映射网络一径向基函数的分布式神经网络(SOM-RBF)的预测模型比较，发现后比前的预测精度高且稳定，完全满足现场要求。     

基于免疫遗传算法的自组织映射网络应用研究

研究了自组织映射网络的初始权值选取问题,提出了基于免疫遗传算法的自组织映射网络.利用免疫遗传算法选取网络的初始权值,优化网络模型的输入参数.应用该方法对员工缺席情况和鲍鱼年龄进行分类.实验结果表明,免疫遗传算法自组织映射网络的分类准确度及训练效率都高于遗传算法自组织映射网络.     

基于遗传算法优化神经网络的定位算法

为了减小非视距(Non Line of Sight,NLOS)误差对移动台定位精度的影响,提出一种基于遗传优化后向传播(Back Propagation,BP)神经网络的无线定位算法。先利用遗传算法优化BP神经网络的初始权值,再利用优化后的GA-BP神经网络修正到达时间差(Time Difference Of Arrival,TDOA)测量值,最后使用Chan氏算法确定移动台的位置,以避免由于神经网络初始权值的随机性所带来的网络震荡,克服网络容易陷入局部解的问题。仿真结果表明,新算法能够实现移动台的静态定位,并且性能优于传统BP神经网络与最小二乘(Least Square,LS)算法。     

基于改进的GABP神经网络光伏发电短期出力预测

分析了影响光伏出力的主要因素,选取了太阳辐射量,以及隐含前一日综合气象信息的历史出力数据为关键影响因素,建立了改进的GA-BP神经网络的短期光伏发电功率预测模型.对样本空间进行了合理降维和去噪,并利用遗传算法逐步迭代出优化的初始权值,将得到的最优权值(阈值)赋值给预测网络各层进行学习和预测.仿真结果表明,改进的GA-BP神经网络模型能够剔除冗余的样本数据和优化初始权值,既具备了较快的收敛速度又不易陷入到局部极值中,具有较强的泛化能力,预测精确度大幅提高.     

基于遗传算法的BP网络最优权值算法

针对BP神经网络由于初始权值的随机选取而造成陷入局部极小的问题，提出了以遗传算法为基础的最优值选择法，利用遗传算法自身特有的优势，为BP网络的权值找到全局最优解，从而提高BP网络的收敛速度和精度。     

一种改进BP神经网络在模式识别中的应用

为了提高神经网络识别的速度及实用性,在传统BP神经网络的基础上,提出了一种动态调整网络结构的改进网络模型,给出了该模型在应用中的算法,并做了特征提取．仿真结果表明,与传统的BP神经网络比较,改进网络的初始权值的选取相对容易,有效降低了陷入局部极小的可能,提高了网络收敛和识别的速度．     

K—L变换在BP网络初始权值优化中的应用

提出了一种新的神经网络初始权值的优化方法，该方法首先对样本做K—L变换，将所得到的变换矩阵作为BP网络输入层到隐层的初始权值，然后开始BP算法对多层感知器的训练学习，以缩短样本学习时间．最后分别选取线性可分的样本和非线性可分的样本在MATLAB中进行了仿真，仿真结果证明，该权值优化方法是合理的．     

融合先验知识的BP神经网络锂电池剩余寿命预测

针对锂电池数据为小样本条件下构建的神经网络模型泛化性差、预测误差大的问题,文中提出了一种融合先验知识的BP神经网络的建模方法.利用自适应权重粒子群算法优化网络的初始权值和阈值,以惩罚函数法的形式将单调性约束加入网络性能函数中,完成神经网络优化设计.实验采用NASA锂电池失效数据集,增加单调性的先验知识,对所提算法进行验...     

基于QGA优化的BP神经网络的大坝渗流预报模型

针对BP神经网络的过拟合和收敛速度慢等问题,基于量子遗传算法（QGA）对网络初始权值、阀值进行优化,结合某电站实测资料建立了大坝渗流预报模型,通过对模型实例的比较,验证了模型的优越性．该模型在实际工程应用中有一定借鉴意义．     

基于快速留一交叉验证法的在线递推最小二乘支持向量机建模方法

为提高软测量模型的全局推广能力,提出一种基于快速留一交叉验证法(FLOO-CV)的在线递推最小二乘支持向量机(LSSVM)建模方法。在前向学习过程中,设计一种基于FLOO-CV预报误差的模型更新阈值,该阈值无需人工设定,且能够根据过程特性自适应改变;后向学习时采用FLOO-CV删除对模型整体性能影响最小的冗余样本,最大程度地保留模型的推广性能。工业聚丙烯熔融指数的软测量建模研究表明,该方法能够在提高模型泛化能力的同时,有效降低模型更新频率。     

神经网络在变压器超高频局部放电模式识别中的应用

结合自适应遗传算法(AGA)和BP算法各自的优点，构造了AGA-BP混合算法作为神经网络的学习算法、实验结果表明，AGA-BP神经网络既解决了BP神经网络对初始权值敏感和容易局部收敛的问题，又提高了AGA神经网络的收敛速度、稳定性和求解质量，具有较高的识别率和较强的推广能力。     

双进双出磨煤机模糊神经网络建模与仿真

针对一般经验公式或者回归分析方法难以得到准确的双进双出磨煤机运行模型的问题，在对双进双出磨煤机结构及运行机理深入分析、得出相关参数的基础上，提出了一种基于Takagi Sugeno结构的双进双出磨煤机模糊神经网络建模方法，并应用粒子群算法对网络的各初始权值和阈值进行优化.在Matlab环境下，与传统非线性方程建立模型的方法相比较，本方法仿真效果更优越，同时也证明了模型的有效性.     

基于自组织特征映射神经网络的点云数据分区

自组织特征映射神经网络SOFM可以实现无监督的特征聚类.利用SOFM实现逆向工程中点云数据分区,通过改进SOFM网络初始权值方法以及引进能量函数控制迭代次数,提高了SOFM的分区效率.利用SOFM方法实现点云数据分区具有较强的容错性能,对测量数据点无任何要求.实例运行结果验证了此方法的可行性.     

基于混合聚类的覆盖网络组播服务节点选择模型

通过分析当前覆盖网络特点,以分层覆盖网络为基础构建特定源组播树,实现对组播服务节点MSNs的管理,并提出一种基于K-Medoids和遗传算法的模型,用于网络中MSNs的选择.结果表明,该模型有效克服了传统K-Medoids算法模型对初始中心选值敏感的问题和早熟收敛现象,使其针对覆盖网络组播服务节点的选择性能明显优于K-Medoids选择模型,平均收敛速度也提高近30%.     

一种避免前向网络学习算法局部极小问题的方法

现有前向网络学习算法不可避免地存在局部极小问题，本文提出了一种避免局部极小问题的方法．这一方法从寻找全局极小点的思路出发，将全局优化方法运用于前向网络学习算法，只需在原来学习算法中加入一个由全局优化方法形成的初值点选择模块，以选择好的初始权使，从而自动地避免了局部极小问题的发生．文中用二种确定型方法和一种随机型方法对六位二进制码对称性判别问题进行了仿真实验，结果表明，确定型方法在权向量的维数低时效果优于随机型方法；但当权向量的维数较高时，随机型方法由于可采用并行算法以及该方法的自身特点，所以是有效的，而确定型方法却无效．     

利用空间平滑提高小快拍数时的自适应波束形成性能

文中利用空间平滑法，研究提高小快拍数条件下的自适应波束形成性能。由于采用子阵前后向平滑，等效地提高了快拍数，且显著地提高了小快拍数时的自适应波束形成性能，同时，考虑了对信号指向各子阵间的相位线性递增关系，可将子阵的自适应权值递推为全阵列的权，避免了子阵处理带来的孔径损失。计算机模拟验证了这些优点。     

带权网络的个性化PageRank计算

Page Rank是衡量网络节点重要性的指标之一,个性化Page Rank是普通Page Rank的推广形式.目前关于(个性化)Page Rank的研究主要集中在无权网络,而关于带权网络的研究结果较少.有鉴于此,基于矩阵变换和蒙特卡罗方法,分别给出了在静态和动态带权网络中个性化Page Rank计算方法,并从理论上分析了算法的性能.实验结果显示,两种算法都优于传统的幂迭代算法.