基于遗传神经网络的车辆导航路径规划

研究使用混合 GA-BP 神经网络算法来解决交通路径规划中的非线性问题。反向传播(Back-Propagation, BP)神经网络虽然能够很好地解决非线性问题,但它存在着容易陷入局部极小的不足,而遗传算法(Genetic Algorithm, GA)具有很强的宏观搜索能力和良好的全局优化性能,可以弥补BP的不足。用A*算法快速粗算出的几条可选路径作为 GA 的初始种群,然后用混合的 GA-BP 神经网络算法进行路径规划精算。仿真结果显示混合GA-BP神经网络算法在寻找路径规划的全局最优解上具有一定的优势。     

改进的光伏发电系统MPPT预测算法的研究

在光伏发电效率预测的研究中,针对光伏供电系统受温度和光照变化影响大、太阳能利用效率低和最大功率点预测不准确等问题,提出一种改进的GA-BP神经网络的光伏系统MPPT预测算法,通过优化的BP神经网络训练光伏阵列实测数据,预测输出的最大功率.为提高算法预测精度,采用云模型云滴和遗传算法优化BP神经网络的初始权值和阀值,根据遗传算法收敛程度来调整云自适应交叉和变异算子.经Matlab仿真分析,在光照和温度变化时,改进的GA-BP神经网络比GA-BP神经网络和BP神经网络具有更好的预测效果.     

基于GA-BP神经网络的目标识别方法

针对单一特征识别算法泛化能力差、识别准确率低的问题,本文深入分析了典型目标地震波信号的时域特征,融合多个特征构建训练样本,采用BP神经网络算法对目标进行识别;针对BP神经网络收敛速度慢、泛化能力差的缺点,通过遗传算法对BP神经网络优化。最终形成基于GA-BP神经网络的目标识别方法,并进行实验验证。结果表明:基于GA-BP神经网络算法无论是在收敛性、准确性还是计算速度上都优于传统算法。     

遗传神经网络入侵检测器的构造及其实现

本文在分析了神经网络应用于入侵检测的优点及其存在问题的基础上,提出了使用遗传算法对BP神经网络进行优化。遗传算法优化BP神经网络的关键有三点：1、染色体化位串与权系数的编码映射;2、适应度函数的确定;3、进行遗传操作。最后对GA-BP和BP两种算法进行了比较．     

基于改进GA的神经网络航班保障时间估计

准确估计航班保障服务时间可以极大提高地面航班保障服务效率。采用主成分分析(PCA)方法降低变量间的相关性,考虑到BP神经网络的网络结构难以确定,且网络初始权重、阈值随机,提出改进的遗传算法来优化BP神经网络的结构,初始权重、阈值,建立自适应多层遗传算法(AMGA)的BP神经网络航班保障服务时间估计模型。为验证所提AMGA-BP算法的性能,以国内某枢纽机场航班保障服务时间作为研究对象,与传统的GA-BP、BP两种算法做对比实验,进行航班保障服务时间估计,实验结果表明,AMGA-BP算法比BP算法和GA-BP算法精确度更高。     

改进遗传算法优化BP神经网络的语音情感识别

语音情感识别技术在人类生活中正扮演着越来越重要的作用。为了更为有效识别语音信号中的情感类型,提出一种改进遗传算法优化BP神经网络的识别算法（IAGA-BP）。该算法一方面改进了自适应遗传算法中的选择算子,另一方面更改了自适应遗传算法中的交叉和变异概率公式。通过对自适应遗传算法的改进,提升了遗传算法的寻优性能,并以此对BP神经网络初始的权阈值进行优化。在与BP、GA-BP和AGA-BP网络比较中,实验结果表明,IAGA-BP网络能够有效提高语音情感识别率,并加快了网路收敛速度。     

混合GA-BP算法在机器人地面控制中的应用

为了增强移动机器人在动态环境中的学习和适应能力,提出一种基于GA-BP算法优化的神经网络的具有学习的机器人行为控制方法.单纯的BP算法有易陷入局部极小、收敛速度慢的缺点,根据遗传算法具有全局寻优的特点,将二者结合起来形成一种训练神经网络的混合GA-BP算法.实际的实验结果显示,提出的方法对机器人的学习和适应能力有很大的增强,并且提高了机器人行为的准确性和快速性,可以有效、可靠地运用于机器人地面控制,并可以方便地应用于其他方面.     

基于GA-BP神经网络的环境质量评估方法

应用神经网络技术进行环境质量评估,为了提高评估的准确度和科学性,涉及多目标的复杂系统,因此对环境保护和正确决策制定具有重要意义.利用一种基于遗传算法优化BP神经网络进行环境质量评估的新方法.利用遗传算法优化BP神经网络初始权值,充分发挥GA全局寻优的能力和BP算法局部细致搜索优势.并通过MATLAB工具进行仿真模拟计算.结果表明,基于GA-BP算法的神经网络系统对环境质量评估有着良好的性能,与标准BP网络相比,收敛速度快,具有更好的全局收敛性,并提高了评估准确率对保护环境提供依据.     

GA-BP网络在木材干燥过程建模中的应用

木材干燥是一个复杂的非线性系统,由于木材结构复杂且具有多样性和变异性,很难建立一个理想的符合木材干燥过程的数学模型。利用遗传算法的全局寻优能力优化BP神经网络连接权值系数,分别用BP和GA-BP两种算法建立了木材干燥基准模型。对比结果表明:GA-BP算法建立木材干燥基准模型提高了期望误差精度和收敛速度,避免了BP算法陷入局部极小值,预测平均误差为1.0413%,具有较好的预测精度。     

神经网络在变压器故障诊断中的比较研究

在将神经网络应用于变压器故障诊断的过程中,针对BP算法易陷入局部极小、收敛速度慢的缺点,根据遗传算法具有全局寻优的特点,将二者结合起来形成一种训练神经网络的混合算法GA-BP算法;通过实例结果分析,表明该算法可以有效地运用于变压器故障诊断中,提高故障诊断的准确率.     

基于进化神经网络的BLDCM调速控制

针对标准BP算法存在全局搜索能力弱和易陷入局部极小点等缺点,将遗传算法与BP神经网络相结合,构造了一种新的进化神经网络GA-BP算法,并将该算法应用于无刷直流电机调速系统的控制,仿真结果表明,与传统的PI控制系统相比,该算法得出的电机控制曲线几乎无超调,与基于BP算法的速度控制系统相比较,具有收敛速度快、不易陷入局部极小的优点。     

基于跳跃基因的GA-BP算法研究

GA-BP学习算法往往会出现收敛速度慢,可能陷入局部极值的现象。针对以上问题,选取了自适应GA-BP(AGA-BP)算法,并在GA-BP算法和AGA-BP算法的基础上添加跳跃基因,称之为JG-GA-BP算法和JG-AGA-BP算法,用于解决分类问题。算法在遗传算法的基础上增加了跳跃基因算子,用于优化BP神经网络的结构参数,从而建立相应的神经网络拓扑模型。为验证添加跳跃基因后的学习算法的分类效果,将JG-AGA-BP算法、JG-GA-BP算法、AGA-BP算法和GA-BP算法的性能进行比较。以随机数、iris、wine、鲍鱼数据集的分类实验为例,研究结果显示出添加了跳跃基因的GA-BP算法的准确率和收敛速度都有一定程度的提高。     

基于遗传算法和LM优化的BP神经网络的图像复原算法

提出了一种针对图像复原的GA-BP算法.在对退化图像进行复原的过程中,针对BP算法易陷入局部极小、收敛速度慢的缺点,根据遗传算法具有全局寻优的特点,充分利用遗传算法的全局搜索性能进行"粗"搜索,当搜索到全局最优点的附近时,再采用BP算法进行局部搜索,将两者结合起来形成GA-BP算法.通过对图像复原后的效果进行比较,实验表明该算法可以有效的应用于图像复原.     

基于遗传优化神经网络的电子舌在黄酒检测中的应用

采用遗传学习算法和误差反向传播(BP)算法相结合的混合算法来训练前馈人工神经网络,从而提高神经网络的收敛质量和收敛速度,并将此算法运用到电子舌对黄酒的检测上。与经典BP网络及附加动量项BP网络的训练与预测进行了比较。结果显示:遗传优化BP算法具有预测精度高、收敛速度快及运行时间短的优点,是一种快速、可靠的方法。     

基于GA-BP算法的多分辨率遥感影像融合技术

由于Landsat-5唯一的热红外波段遥感影像TM6的空间分辨率不高,使得其应用与研究程度远不及其它波段广泛。为此,运用GA-BP算法来提高TM6遥感影像的空间分辨率,并进行仿真实验,结果表明:①GA-BP算法有效地避免了BP算法陷入局部最小点、收敛速度慢的问题,是一种快速、可靠的方法。它的快速算法对数据量巨大的遥感图像更具实用价值。②从提高TM6遥感影像空间分辨率的仿真结果来看,无论计算效率还是遥感影像的融合效果,GA-BP算法都优于BP算法。③GA-BP算法既保留了TM6遥感影像的基本灰度分布信息,同时也提高了其空间分辨率,可以有效地运用到提高遥感影像空间分辨率的过程中。     

基于遗传优化神经网络的电子鼻对可乐的检测

采用遗传学习算法和误差反向传播(BP)算法相结合的混合算法来训练前馈人工神经网络,从而提高神经网络的收敛质量和收敛速度,并将此算法运用到电子鼻对可乐的检测上.与经典BP网络及附加动量项BP网络的训练与预测进行了比较,结果显示:遗传优化BP算法具有预测精度高、收敛速度快及运行时间短的优点,是一种快速、可靠的方法.     

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。     

前馈神经网络在汽车悬架设计中的应用*

提出采用GABP贝叶斯算法来建立悬架运动学分析近似模型。该算法是一种新型前馈神经网络训练算法,它以提高网络的泛化性能为主旨,其训练目标在于获取对应于后验分布最大值的权值向量。以双横臂式前独立悬架为例,采用GABP贝叶斯算法建立了以车轮接地点侧向最大滑移量为输出的运动学分析近似模型,并与LMBP算法、多项式回归和广义回归神经网络这三种方法进行了比较。结果表明,基于GABP贝叶斯算法的近似模型的预测精度明显高于其他几种模型,并且受随机因素的影响很小。