基于遗传算法的BP神经网络在油田措施规划预测中的应用

如何有效地确定神经网络的结构和参数,一直是神经网络研究中的一个难点.遗传算法是一种基于自然选择和生物遗传机理的全局搜索算法,本文提出了一种改进的遗传算法来优化BP神经网络,并将其应用于油田措施规划预测模型中.结果表明,该方法具有收敛速度快和预测精度高的特点.     

基于径向基过程神经网络的油田开发指标预测

目前为止,现有的油田开发指标预测方法难以反映实际存在的时间累积效应对该指标预测的影响。因此,为提高油田开发指标预测的准确度,本文提出基于径向基过程神经元网络的油田开发动态指标预测模型,并将其应用到实际油田开发动态指标的预测中。实例分析结果表明,本文提出的径向基过程神经元网络的油田开发动态指标的预测方法精度高、速度快,是预测油田开发指标的一种较实用的方法。     

基于参数动态调整的动态模糊神经网络的软件可靠性增长模型

利用遗传算法对动态模糊神经网络的自身参数进行动态调整(GA-DFNN),并将其应用于软件可靠性增长 模型(SRGM)的研究。在对动态模糊神经网络进行训练的过程中,用遗传算法求得动态模糊神经网络自身参数的优 化解,根据得到的参数建立基于动态模糊神经网络的软件失效数据预测模型。利用3组软件缺陷数据,对用G卉 DFNN建立的SRGM和模糊神经网络(FNN)以及13P神经网络(13PN)建立的SRC}M的预测能力进行了比较,仿真结 果证实,根据GA-DFNN建立的SRGM的短期预测能力稳定,短期预测误差小,且具有一定的通用性。     

遗传算法优化BP神经网络的混沌时间序列预测

为提高BP神经网络预测模型对混沌时间序列的预测精度,将改进的遗传算法和BP神经网络结合,提出了一种基于改进遗传算法优化BP神经网络的混沌时间序列预测方法。利用改进的遗传算法优化BP神经网络的权值和阈值,训练BP神经网络预测模型求得最优解。将该模型应用到几个典型的非线性系统进行预测仿真,验证了该算法的有效性,与BP神经网络预测模型的预测结果进行了比较,仿真结果表明该方法对混沌时间序列具有更好的非线性拟合能力和更高的预测精度。     

基于遗传BP神经网络的工业经济运行指标预测

提出了一种基于遗传算法优化的BP神经网络工业经济运行指标的预测方法,用遗传算法来优化BP神经网络各连接层的权值和阈值,用训练好的BP神经网络模型来预测工业经济运行指标以求得最优解。以工业经济运行指标工业总产值为例,将该遗传BP神经网络模型应用到工业总产值和工业用电量的预测中,并与BP神经网络预测模型进行了对比。由结果可知,该模型对工业经济运行指标趋势的判断和预测更加准确,可为宏观决策提供可靠的依据,促进工业经济能够健康可持续发展。     

改进GA-BP神经网络的无线信道预测方法

无线信道建模与仿真中,实现一种高效率、高准确性的无线信道预测方法是具有非常重要意义的。针对该需求,提出一种基于多种群遗传算法（Multi-population genetic algorithm, MPGA）-反向传播（Back propagation, BP）神经网络的无线信道预测方法。该方法通过改进遗传算法,优化BP神经网络中神经元的权值和阈值,以此改善BP神经网络预测精度差的问题,从而极大提高了BP神经网络的预测性能。将射线跟踪算法的理论值和BP神经网络结合,实现更高效的无线信道预测方法。通过对比遗传算法（Genetic algorithm, GA）-BP神经网络模型和MPGA-BP神经网络模型的预测误差,发现MPGA-BP神经网络模型的预测结果优于GA-BP神经网络模型,证明了所提出无线信道预测方法具有良好的精确度,可以更高效地进行无线信道预测。     

带种族遗传算法的神经网络辨识器及其应用

为了解决油田动态系统建立数字模型难和模型训练难的问题,以多层动态前向网络为模型框架,给出了一种新的油田系统神经网络辩识器,它对上述系统具有通用性。为了训练该辩识器和避免极值问题,模拟生物种族进化机制,设计了新的种族遗传算法。该算法是由改进的带共享机制的遗传算法、启发式山峰聚类算法和新的Powell算法有机结合构成的新型混合算法。应用表明,种族遗传算法具有极强的全局和局部搜索能力,这确保了上述神经网络辩识器具有很高的预测精度,平均相对误差在1%以内。     

基于约束区域神经网络的动态遗传算法

提出一种基于约束区域神经网络的动态遗传算法,将遗传算法的全局搜索和约束区域神经网络模型的局部搜索结合了起来.利用动态遗传算法确定神经网络模型的初始点,同时使用神经网络确定动态遗传算法的适应度函数.该算法具有一定的理论意义和生物意义.与标准的遗传算法相比,缩小了搜索规模,可获得不定二次规划问题更好的近似最优解.     

基于个体选择的动态权重神经网络集成方法研究

神经网络集成技术能有效地提高神经网络的预测精度和泛化能力,已成为机器学习和神经计算领域的一个研究热点。该文针对回归分析问题提出了一种结合应用遗传算法进行个体选择和动态确定结果合成权重的神经网络集成构造方法。在训练出个体神经网络之后,应用遗传算法对个体网络进行选择,然后根据被选择的各个体网络在输入空间上对训练样本的预测误差,应用广义回归网络来动态地确定各个体网络在特定输入空间上的合成权重。实验结果表明,与仅应用个体网络选择或动态确定权重的方法相比,该集成方法基本上能取得更好地预测精度和相近的稳定性。     

基于自适应遗传神经网络的银行客户分类研究

银行产品的营销行为都是针对广大客户的。若能提前分辨出哪些是优质客户,再为其定制合理的营销策略,那银行就能获得更大的竞争力。文中将遗传算法与BP神经网络结合用于对银行客户分类进而预测客户是否会购买银行产品。该方法有效地克服了BP神经网络容易陷入局部极小值和收敛速度慢的问题,并且针对其中遗传算法的计算时间和精度问题提出了一种新的自适应遗传算法。实验结果表明,基于这种自适应的遗传神经网络的方法用更短的计算时间达到了更高的预测精度,可以准确地为银行客户分类。