基于统计分析的分阶段进化神经网络方法

基于统计分析和分阶段进化，提出一种新的进化神经网络设计方法．本文方法 的进化过程分三个阶段：第一阶段，首先按训练样本统计特性设计较小规模的神经网络；第 二阶段，引入所有训练样本，在第一阶段的基础上，逐步扩展网络结构，新添加的神经元总 是单独训练并以抵消原网络的输出误差为其训练目标，直至训练网络达到误差要求．第三阶 段，利用统计方法，将网络中非线性变换作用相似的神经元合并，简化网络结构．本文方法 一方面减轻了进化算法的压力,另一方面指出了网络进化的方向使得进化网络的学习过程不 再是黑箱问题．计算机仿真实验表明，该方法是有效的．     

基于进化规划的神经网络群的设计方法

提出一种基于进化规划的神经网络群的自动设计方法．该方法不仅使得神经网络群中的个体网络倾向于完成不同的子任务，同时各神经网络个体在进化过程中不断寻找最好的协作关系，而且神经网络群的规模和结构不需预先设定．仿真试验表明，该算法是有效的。     

进化策略求解Hopfield神经网络

提出了一种进化策略求解ＨＯｐｆｉｅｌｄ神经网络的方法。该进化策略分三个阶段,即第一阶段只在较小区间上求出局部优化解;然后,在此基础上,由第二阶段求出较大区间上的局部优化解;最后由第三阶段求出全局优化解。同时采用Ｈｏｐｆｉｅｌｄ神经网络动态方程指导第一阶段的局部进化策略的进化方向,因而大大加快了优化搜索速度。在分阶段的进化策略中,其第一阶段只需搜索较小区间、第二和第三阶段的搜索则建立在其前一阶段的基     

基于进化式模糊神经网络的时间序列预测系统

文章介绍了一种基于进化式模糊神经网络时间预测系统，它是一种快速自适应的局部学习模型；进化式模糊神经网络是一个特殊类型的神经网络，它能通过进化其结构和参数来容纳新的数据。文章重点介绍了网络结构、学习方法及创建、修剪、聚合规则节点的算法；实验结果表明：模糊隶属函数的个数，规则的修剪和聚合等训练参数，与网络的行为和预测结果有很重要的关系。     

BP网络进化及其在雷达目标识别中的应用

针对常规ＢＰ神经网络的ＢＰ算法只能训练固定结构的神经网络,存在诸如易落入局部极值、没有引入提高泛化能力的训练机制等固有不足之处,以及一些神经网络进化算法的进化机制中存在的缺陷,本文提出一种ＢＰ神经网络进化算法,并用于高分辨雷达目标一维距离像的识别问题。实验结果表明,经所述方法优化后的神经网络结构简单、泛化能力优于ＢＰ算法和一些进化算法训练的网络。     

神经网络结构设计的准则和方法

神经网络结构设计一直是一个很有意义但又难以解决的问题，文中回顾并总结了近年来神经网络结构设计的研究状况。首先分析了在神经网络结构设计中应考虑的４个准则，即神经网络的函数逼近误差、网络结构的复杂性、网络的泛化能力和网络的容错性，随后从构造法、删除法和进化方法３个方面介绍了各种神经网络的设计，并提出了今后研究的展望。     

进化回归神经网络对时序数据和关联数据的建模能力研究

重点研究进化回归神经网络对时序数据和关联数据的建模能力。针对两个标准问题，采用不同形式的建模数据，比较了前向网络和回归神经网络的建模及预测效果，进一步将进化算法用于不同结构回归神经网络的训练并比较了它们的建模能力。仿真结果表明回归神经网络对时序关联数据有很好的建模和预测能力，相比于前向网络，无需过程时序特点的先验知识，可以采用最简单的建模数据形式。而进化算法相比于常规的梯度下降算法，用于训练不同的回归网络结构通用性好，且训练过程不受局部极小问题的困扰，适当规模的训练过程可以获得性能良好的神经网络模型。     

SEFNN:一种基于结构进化的前馈神经网络设计算法

遗传算法是一种模拟自然选择和进化的随机搜索算法，它的搜索能够遍及整个解空间，容易得到全局最优解．目前主要的编码方式都是将结构和连接权值等信息编码成串式的基因，这不利于在遗传过程中保留个体的子结构信息，也难于设计兼顾基因型与表现型的遗传算子；在前馈神经网络的进化中引入BP训练方面，也不分良莠对所有后代进行训练，形成资源浪费．为克服这些问题，提出了一种基于结构进化的前馈神经网络设计算法SEFNN，该算法使用一种紧缩矩阵编码、新型结构化交叉算子、修订的变异算子和精英训练法则，充分考虑了基因型与表现型之间的关系，适当加大变异搜索速度，并采用选拔训练方式，从而提高了进化神经网络的效率．实验表明该算法获得的解无论在网络规模还是测试精度上都有优越的性能表现，并已应用于肺癌早期细胞病理诊断系统，具有良好的效果．     

RBFNN软测量的嵌入式系统仿真与实现

在基于WinCE操作系统的嵌入式平台上。实现基于RBF神经网络的工业过程软仪表。应用无监督K均值聚类确定聚类中心。用可避免矩阵求逆运算的递推最小二乘法训练网络权值的两阶段学习算法训练网络。进一步构造双重RBF网络结构，用一个RBF神经网络训练样本，用另一个独立的RBF神经网络训练误差提高精度。以嵌入式工业计算机作为硬件平台，在基于WinCE的嵌入式系统上用EVC编程实现。在某炼油厂轻柴油凝固点的工业现场，用该软仪表实测数据进行仿真测试，取得了较好的效果。     

进化神经网络研究综述

进化算法(EAs)与神经网络(NN)的结合已形成了一个新的领域一进化神经网络,在神经网络的研究中举足轻重。本文通过讨论和总结进化神经网络中的关键技术和现状，概述了其设计与构造的趋势。所讨论的是：(1)进化神经网络的研究方法；(2)进化模型；(3)应用实例及关键技术；(4)研究方向。     

B—P网络泛化性能的改善

在神经网络的训练过程中存在“过度吻合”的现象,即训练样本的误差已达到非常小的一个值,但是非训练样本的误差非常大,造成神经网络的泛化性能不好。本文说明了泛化性能与隐层节点数的关系,并提出了通过改变性能函数来改善B－P网络的泛化性能的方法。     

基于模糊进化规划和分层方法的神经网络设计方法

本文提出一种模糊进化规划，用于前向神经网络的设计．该方法通过对神经元的部分解群体的进化，缩短了个体的编码长度，显著地减轻了计算量，同时这种方法不但能够在很大程度上简化适应值的计算，更重要的是能够降低适应值空间的复杂性，从而能够加速进化算法收敛到全局最优点．仿真结果显示，本文提出的算法能够有效抑制进化规划算法初期收敛的发生，有效地提高多层前向神经网络收敛精度，并可获得更为简洁的网络结构．     

用遗传算法优化神经网络结构

本文介绍了一种用遗传算法对神经网络和连接权值同时优化的方法，该神经网络的神经元节点可以一定程度地反馈连接，再通过基因链矩阵把神经网络的结构完整地表示，遗传进化学习后，最优个体是结构最优的神经网络，使用该方法可以设计出结构未知的神经网络，本文最后对ＸＯＲ问题进行了计算。     

一种新型的动态递归神经网络及其全自动设计算法

本文基于非线形自回归滑动平均模型NARMA模 型和前馈神经网络建模的思想,提出一种输入层与输出层神经元递归的动态递归神经网络; 基于进化计算中遗传算法和进化策略与自寻优BP算法的不同结合方式,提出两种动态递归神 经网络全自动高效设计算法,实现了网络结构、权重和自反馈增益同时优化学习,实例应用 表明所提网络结构及其设计算法的有效性．     

基于进化式模糊神经网络的时间序列预测系统

文章介绍了一种基于进化式模糊神经网络时间预测系统,它是一种快速自适应的局部学习模型;进化式模糊神经网络是一个特殊类型的神经网络,它能通过进化其结构和参数来容纳新的数据.文章重点介绍了网络结构、学习方法及创建、修剪、聚合规则节点的算法;实验结果表明:模糊隶属函数的个数,规则的修剪和聚合等训练参数,与网络的行为和预测结果有很重要的关系.     

量子神经网络在电力谐波检测中的应用

该文利用复数BP学习算法,构造出量子神经元模型[1],并结合神经网络技术与量子理论,生成更有效的泛化和学习能力的量子神经网络。基于三层量子神经网络实现对谐波参数的检测,并以3次谐波和5次谐波为例,描述了该网络的训练流程和训练样本的构成。量子神经网络的实现采用Matlab进行编程,首先利用训练样本训练量子网络,之后检测构造的未训练样本数据集,通过仿真结果验证了该方法的可行性。该方法在谐波检测中具有较高的灵活性和精度,且对采样数目没有严格的限制,训练好的量子神经网络模型可用于谐波源固定的场合。     

一种基于免疫调节和共生进化的神经网络优化设计方法

利用共生进化原理设计人工神经网络,创造性地融入了免疫调节原理中的浓度抑制调节机制以保持个体的多样性,提出了基于免疫调节的共生进化网络设计方法,通过对神经元群体而不是神经网络群体进行进化设计,显著地减轻了计算量,同时利用生物免疫原理中的浓度机制和个体多样性保持策略进行免疫调节,有效地克服了未成熟收敛现象,提高了群体的多样性,从而加快优化设计速度,实验表明表明该方法可高效、准确地设计鲁棒性很强的神经     

一种基于进化算法的BP神经网络优化方法及应用

针对BP网络的不足,分析了一般进化算法在神经网络结构优化过程中存在的问题,根据物种内优生优育原则和物种间相互竞争、相互学习的生物学原理,提出了一种新的基于进化算法的神经网络优化方法。该方法不但有效弥补了BP神经网络在网络结构、权值选择上的随机性缺陷,缩小了神经网络结构的解搜索空间,加快了BP网络的收敛速度,进而提高了搜索效率,而且还起到对网络的结构和权值进行同时进化的作用。实验结果表明该方法取得了良好的效果。     

一种基于进化算法的BP神经网络优化方法及应用

针对BP网络的不足,分析了一般进化算法在神经网络结构优化过程中存在的问题,根据物种内优生优育原则和物种间相互竞争、相互学习的生物学原理,提出了一种新的基于进化算法的神经网络优化方法。该方法不但有效弥补了BP神经网络在网络结构、权值选择上的随机性缺陷,缩小了神经网络结构的解搜索空间,加快了BP网络的收敛速度,进而提高了搜索效率,而且还起到对网络的结构和权值进行同时进化的作用。实验结果表明该方法取得了良好的效果。     

一种基于误差的径向基神经网络学习方法

提出了一种基于误差的径向基神经网络竞争学习法，它以网络的输出误差为度量，通过竞争调节神经元中心，RLS算法训练网络的权值，并利用IPL算法判断网络神经元的冗余性。仿真结果表明，该算法提高了网络的输出精度，简化了网络结构，其运算速度也较快。