基于遗传和改进布谷鸟算法的BP神经网络建模

针对现代工业系统具有高度非线性的特点，以及采用BP神经网络对非线性系统建模易出现局部最优、过拟合或欠拟合的问题，提出采用遗传算法(GA)和改进布谷鸟算法(CS)优化BP神经网络建模的方法(GACSBP算法)。首先利用遗传算法自适应、全局搜索的特点优化神经网络拓扑结构，避免神经网络建模出现过拟合或欠拟合的问题；然后采用改进布谷鸟算法优化BP神经网络权值，加入惩罚项进一步防止神经网络建模时陷入局部最优。对NACA0012翼型自噪声数据进行建模，仿真结果表明，与BP神经网络相比，提出的GACSBP算法避免了局部最优，明显提高了模型预测精度，且所需迭代次数和时间均明显减少。     

基于粗糙集和改进遗传算法优化BP神经网络的算法研究

针对BP神经网络结构由于特征维数增多变得复杂,以及网络易陷入局部极值点,提出了粗糙集和改进遗传算法结合共同优化神经网络的方法。首先利用粗糙集对样本空间进行属性约简,降低特征维数,进而简化BP神经网络的结构;然后训练过程中先用改进的遗传算法全局搜索网络的权值和阀值,再使用BP算法局部搜索细化,避免网络过早收敛。试验分析证明优化后BP神经网络比传统BP网络的预测精度得到了极大提高,泛化能力得到了增强,说明了该方法的可行性、有效性。     

基于遗传算法优化BP网络的高校生师比预测模型分析

标准BP算法采用的是非线性无约束极值问题求解方法中最古老又十分基本的方法-梯度法(梯度下降法).标准BP算法具有学习效率低,收敛速度慢,容易陷入局部极小点.通过标准BP算法模型和遗传算法优化的BP算法模型对高校生师比的预测结果进行比较.结果表明,遗传算法优化的BP神经网络的权值和阈值具有良好的泛化能力,提高了高校生师比预测精度和效率.     

BP神经网络的遗传优化及其应用研究

针对BP神经网络具有训练速度慢、容易陷入局部极小值的特点,在分析其训练算法本质的基础上,提出将遗传算法（GA）引入神经网络训练,优化神经网络的权值和闽值,充分发挥遗传算法的全局寻优能力和BP算法的局部搜索优势,形成了一种新的GA—BP神经网络．应用实例仿真结果表明,GA—BP神经网络具有全局搜索、快速收敛的特点,建立的模型具有较高的预测精度和良好的泛化能力．     

基于遗传-BP神经网络预测单桩竖向承载力

在遗传算法改进BP神经网络的基础上,利用遗传算法的全局优化能力和BP神经网络的较强的高次非线性能力和自学习能力,建立预测单桩竖向承载力的遗传—BP神经网络模型。通过利用济南地区现场试桩资料对该模型进行训练和检验,证明本文所建立的遗传—BP神经网络预测模型预测精度高,适用性强,可以作为桩基工程设计和理论研究的参考计算工具。     

包装件非线性特性识别的进化神经网络混合方法

提出了一种将遗传算法和BP算法相结合的关于结构化神经网络的混合训练方法 ,并将其用于解决包装件缓冲垫层非线性特性识别问题。在该方法中 ,提出了一种新的自适应变异操作技术及将遗传算法与BP算法进行自适应切换的实施方案。用于两种典型的包装件缓冲垫层材料的模拟识别结果表明 :应用此方法可以有效地解决包装件缓冲垫层非线性特性识别的问题 ,同时也为神经网络的混合训练提供了一种新的可行的途径。     

基于遗传算法的模糊神经网络控制器的仿真

对遗传算法（GA）和模糊神经网络控制器的结构进行了说明,为了克服以反向传播算法（BP）的缺点,通过遗传算法对模糊神经网络控制器的参数进行优化,亦即对模糊神经网络进行训练,用通过优化后的模糊神经网络控制器控制一个带有纯滞后的非线性对象,仿真结果证实了其性能较常规模糊控制器优越。     

基于遗传算法的BP神经网络在声音智能监控中应用

针对标准的BP神经网络对于声音信号在线监控模型的预测误差比较大,提出了一种用遗传算法优化BP神经网络的算法,建立了声音监控的预测模型。遗传算法优化BP神经网络主要是用遗传算法来优化BP神经网络的初始权值和阀值,然后通过训练BP神经网络以得到预测模型的最优解,优化后的神经网络具有预测误差比较小、反应速度快等特点。实验结果证明,利用遗传算法优化BP神经网络在声音的智能监控中取得了比较好的效果,达到了系统设计的目的。     

基于遗传神经网络的入侵检测模型

针对入侵检测系统中存在的对入侵事件高误报率和漏报率问题,提出了遗传神经网络,该方法基于遗传算法的全局搜索和BP网络局部精确搜索的特性,利用遗传算法优化网络初始权重,将遗传算法和BP算法有机结合．实验结果表明,该算法正确鉴定合法的用户矢量为93％,发生7％的误报率．与BP、GA算法相比,分别高出2．875％和5．562％．     

基于遗传BP神经网络的油气识别

为了建立一种有效的油气储层识别模型,使得能够处理大信息量、复杂样本空间油气信息,本文提出遗传BP神经网络模型,利用遗传算法全局搜索问题解的特性对BP神经网络的权值和阈值进行快速优化,约束BP神经网络训练学习过程。研究表明,相对于传统BP模型,遗传BP模型具有效率高、收敛速度快、适应复杂样本空间和大样本空间训练学习等优点。     

基于Rough Set和neural network组合数据挖掘

提出了一种基于rough set和neural network的数据挖掘新方法。首先利用粗集理论对原始数据进行一致性属性约简，然后使用神经网络对数据进行学习，并同时完成属性的不一致约简，最后再由粗集对神经网络中的知识进行规则抽取。该方法充分融合了粗集理论强大的属性约简、规则生成能力和神经网络优良的分类、容错能力。实验表明，该方法快速有效，生成规则简单准确，具有良好的鲁棒性。     

基于计算智能技术融合的故障识别方法

为了提高复杂系统故障识别的精度和降低误报率,利用粗糙集理论、遗传算法、神经网络等计算智能方法的优势,提出一种基于计算智能技术融合的故障识别方法.针对原始样本数据的不确定性和不完备性,利用粗糙集对原始样本数据进行数据归一化、离散化、属性约简等预处理,求得能够覆盖原始数据特征的具有最大完备度的最小规则集.利用具有全局搜索能力的遗传算法直接训练反向传播神经网络的权值,将规则集作为网络输入,形成优化网络模型.采用该模型对预处理的各种状态故障特征向量进行分类决策,实现故障识别.通过电机轴承故障识别实验表明,该方法能够优化网络结构,提高故障识别速度和准确率.     

基于GA-BP神经网络的双目摄像机标定

为克服传统BP算法收敛速度慢、易陷入局部极小等缺陷,本文利用遗传算法的全局寻优能力对神经网络的初始权和阈值进行优化,并将其运用到摄像机BP神经网络标定.采用遗传算法构建的神经网络,在不增加网络结构复杂度的情况下,大大提高了样本训练的精度和成功率,保证了网络的泛化能力.实验结果表明,该算法具有较高的标定精度,而且可行.     

Application of hybrid coded genetic algorithm in fuzzy neural network controller

0　ＩＮＴＲＯＤＵＣＴＩＯＮＧｅｎｅｔｉｃａｌｇｏｒｉｔｈｍ (ＧＡ)ｗａｓｆｉｒｓｔｌｙｐｒｏｐｏｓｅｄｂｙＪｏｈｎＨ .Ｈｏｌｌａｎｄ ,ａｐｒｏｆｅｓｓｏｒｏｆｐｓｙｃｈｏｌｏｇｙａｎｄｅｌｅｃｔｒｉｃａｌｅｎｇｉ ｎｅｅｒｉｎｇ＆ｃｏｍｐｕｔｅｒｓｃｉｅｎｃｅ ,ａｔｔｈｅｂｅｇｉｎｎｉｎｇｏｆ 1970 ,ａｎｄｗａｓｉｎｔｒｏｄｕｃｅｄｉｎｔｈｅＨｏｌｌａｎｄ’ｓｍｏｎｏｇｒａｐｈｉｎ1975[1] .ＩｔｉｓａｓｔｏｃｈａｓｔｉｃｓｅａｒｃｈｉｎｇａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎＤａｒｗｉｎ’ｓｅｖｏｌｕｔ…     

基于知识的神经网络产生式规则的获取方法研究

将连续数据离散化并将已有知识规则的依赖度作为神经网络的初始权值,构建新的网络结构并对其动态训练,给出其具体网络训练算法.从训练后的网络权值中利用正确的分类及该网络结构具有的性质,从而给出其具体的规则抽取算法,并将抽取的具有冗余性的产生式规则利用粗集理论进一步对其精化处理,最后得出最简化的产生式知识规则.充分结合神经网络及粗集理论的优点,探索两者的有机结合无疑对智能信息处理系统的研究具有重要的现实意义.     

基于粗糙集神经网络的网络安全态势评估方法

为克服多源数据融合中存在信息高维、冗余和噪音等大量不确定性因素给网络安全态势评估带来的复杂影响,提出一种基于粗糙集神经网络的网络安全态势评估方法。该方法既利用粗糙集理论在机械学习、处理冗余信息和特征提取等方面的能力,又结合神经网络处理噪音和任意逼近能力构造出由指标层、离散层、规则层、决策层组成的态势评估模型,并与BP神经网络方法进行对比研究。仿真实验结果表明,所提方法偏差较少,更能客观、准确地分析网络安全状况。     

基于GA-BP神经网络的某型装备作战效能评估方法

针对BP神经网络存在易陷入局部极小值的缺点,利用遗传算法全局搜索能力强的特点,对BP神经网络的权值和阈值进行优化,建立了基于GA-BP网络的某型装备作战效能评估模型,给出了实际数据的评估结果.实验结果表明:GA-BP神经网络的泛化能力、评估准确性比BP神经网络的效果更好,这为评估某型装备的作战效能提供了一种新的思路.     

基于粗糙集理论的模糊神经网络建模方法

采用基于粗糙集的模糊神经网络模型,将粗糙集理论与模糊神经网络相结合,通过利用粗糙集理论中的约简的计算方法,从样本数据中获取精简的规则,再根据这些规则构造模糊神经网络各层的神经元个数,克服了当输入维数高时,模糊神经网络的结构过于庞大的缺点,从而使网络模型结构最简.并采用误差反向传播算法(BP算法)来训练该新型网络中的权值参数及隶属函数的中心值和宽度,仿真结果验证了该模型的优越性.