基于小生境的混沌变异差分进化算法

针对高维复杂函数的优化问题,提出了基于小生境的混沌变异差分进化算法（CNDE）。算法结合小生境策略,使子种群高效独立地进行搜索,并引入混沌变异进行精细的遍历搜索,在运行中根据迭代次数自动地调整交叉概率因子从而使搜索的初始阶段提高种群多样性,而在搜索后期加强局部搜索能力。对3种经典函数的测试表明,新算法不仅具有很强的全局搜索能力,而且能有效避免早熟收敛问题。     

不确定混沌系统的直接自适应神经网络控制

提出了一种不确定混沌系统动态神经网络直接自适应控制方法.为了确保学习过程收敛性,研究了有效的在线学习算法,证明了闭环系统的稳定性,并针对Lorenz混沌系统进行了计算机仿真研究.     

基于混沌搜索的自适应差分进化算法

提出一种基于混沌搜索的自适应差分进化算法（CADE）,该算法在计算过程中自适应地调整交叉率,在搜索初期保持种群多样性的同时增强算法的全局收敛性。具有较强局部遍历搜索性能的混沌搜索的引入使得算法具有较好的求解精度,增加搜索到全局最优解的概率。对几种典型的测试函数对CADE进行了测试,实验结果表明,该算法能有效地避免早熟收敛,具有良好的全局收敛性。     

一种差分进化算法优化小波神经网络及其在弱信号检测中的应用

在混沌理论和相空间重构技术的基础上,提出了一种基于小生境自适应差分进化小波神经网络(NADE-WNN)的混沌背景下弱信号检测方法。该方法采用小生境自适应差分进化算法同时优化小波神经网络的结构和参数,简化网络结构,提高网络的学习精度和收敛速度。实验结果表明,与传统的RBF神经网络和小波神经网络预测混沌时间序列的性能相比,该算法优化的小波神经网络具有更高的预测精度和收敛速度,能够较好地检测出混沌背景下的弱信号。     

改进的自适应混沌差分进化算法

为了提高差分进化算法的寻优速度、克服启发式算法常见的早熟收敛问题, 提出一种基于帐篷映射(Tent)的自适应混沌嵌入式差分进化算法(CLSDE). 算法采用 Tent 映射生成的混沌序列来取代基本DE算法选择操作中的随机数, 充分利用了混沌运动的随机性、遍历性和规律性. 通过与混沌PSO算法与普通的DE算法比较, 测试函数仿真结果表明, 该算法具有良好的全局搜索能力, 寻优精度较高, 收敛速度快, 鲁棒性好.     

不确定混沌系统的动态神经网络跟踪控制

针对不确定非线性混沌系统，提出了一种基于动态神经网络辨识器的自适应跟踪控制新方法，通过滑模控制技术在线调整动态神经网络辨识器权值，并在获取动态神经网络模型的基础上设计出优化控制器，实现混沌系统的轨道跟踪，对辨识误差和轨道跟踪误差进行分析并证明了它们的有界性，Lorenz混沌系统的仿真实验结果表明了控制策略的有效性。     

基于差分进化的BP神经网络预测混沌时间序列

针对BP神经网络预测模型收敛速度慢和容易陷入局部极小值的缺点,将差分进化算法和神经网络结合起来,提出了一种基于差分进化算法的BP神经网络预测混沌时间序列的方法,利用差分进化算法的全局寻优能力对BP神经网络的权值和阈值进行优化,然后训练BP神经网络预测模型求得最优解,将该预测方法用到3个典型的混沌时间序列进行算法的有效性验证,并与BP算法的预测精度进行了比较,仿真结果表明该方法对混沌时间序列预测具有更好的非线性拟合能力和更高的预测准确性。     

基于差分进化算法的模糊神经网络控制器

针对模糊神经网络控制器在应用误差反向传播算法训练时,易于陷入局部最优的问题,提出了一种将差分进化算法与BP算法相结合的学习法,首先利用差分进化算法的全局寻优能力,给BP算法一个好的寻优初始点;然后再以一定的概率进行BP算法的寻优.对一个带有滞后环节的二阶系统进仿真表明,控制性能优于基于BP的模糊神经网络控制器.     

混沌时间序列的自适应变异差分进化ANFIS预测

提出了一种基于自适应变异差分进化（AMDE）算法的ANFIS模型对混沌时间序列进行预测的方法,该方法采用自适应变异差分进化算法和最小二乘法相结合的混合学习算法对ANFIS网络结构参数进行优化设计,利用差分进化算法的全局寻优能力对ANFIS网络前件参数进行优化,而网络的结论参数采用最小二乘法优化,混合学习算法提高了网络参数辨识的收敛速度和系统的全局收敛性,仿真实验结果表明了该方法的有效性。     

差分进化算法中参数自适应选择策略研究

参数选择本身是一个组合优化问题,尽管过去提出了很多方法,但是参数选择依然令人困惑,为此提出适用于差分进化算法的参数自适应选择策略。该策略在进化的过程中动态评估参数的性能,并根据其结果指导下一次迭代过程的参数选择。从参数库的建立、参数评分机制和参数配置机制3方面展开研究,对比实验结果表明,该方法效果良好。     

一种网络流量预测的小波神经网络模型

结合小波变换和人工神经网络的优势,建立一种网络流量预测的小波神经网络模型。首先对流量时间序列进行小波分解,得到小波变换尺度系数序列和小波系数序列,以系数序列和原来的流量时间序列分别作为模型的输入和输出,构造人工神经网络并且加以训练。用实际网络流量对该模型进行验证,结果表明,该模型具有较高的预测效果。     

小波神经网络模型的改进方法

为了改善小波神经网络(WNN)在处理复杂非线性问题的性能,针对量子粒子群优化(QPSO)算法易早熟、后期多样性差、搜索精度不高的缺点,提出一种同时引入加权系数、引入Cauchy随机数、改进收缩扩张系数和引入自然选择的改进量子粒子群优化算法,将其代替梯度下降法,训练小波基系数和网络权值,再将优化后的参数组合输入小波神经网络,以实现算法的耦合。通过对3个UCI标准数据集的仿真实验表明,与WNN、PSO-WNN、QPSO-WNN算法相比,改进的量子粒子群小波神经网络(MQPSO-WNN)算法的运行时间减少了11%~43%,而计算相对误差较之降低了8%~57%。因此,改进的量子粒子群小波神经网络模型能够更迅速、更精确地逼近最优值。     

改进的小波神经网络在桥梁损伤中的预测研究

提出基于BP算法的小波神经网络改进算法。仿真结果表明它避免了BP 神经网络结构设计的盲目性和局部最优等非线性优化问题,简化了训练,具有较强的函数学习能力和推广能力。该算法成功应用于桥梁损伤预测,具有广泛的应用前景。     

基于混沌神经网络模型的查询扩展

针对传统的信息检索模型只能进行精确匹配的问题，提出一种基于混沌神经网络模型的查询扩展方法，利用混沌神经网络较强的记忆性、学习性和联想性，对用户查询行为进行学习，从而对用户的初始查询进行扩展和重构，以得到符合不同用户的检索结果。与传统的神经网络信息检索模型的对比实验表明，新模型具有更高的查全率和查准率。     

基于优化遗传小波网络的混沌时间序列预测

研究利用小波神经网络(WNN)预测混沌时间序列。提出了一种改进的小波神经网络训练算法,该方法融合了遗传算法和梯度下降算法两种方法,在遗传算法中嵌入梯度下降算法以解决遗传算法不具有的细节搜索能力,对遗传算法训练后的小波网络再次利用梯度下降算法寻找最优点。对Henon映射混沌时间序列的预测证明了该方法的有效性,实验结果表明该算法能确保小波网络收敛和具有较高的预测精度。     

Development of PI training algorithms for neuro-wavelet control on the synchronization of uncertain chaotic systems

This paper investigates a neuro-wavelet control (NWC) system to address the problem of synchronization control of uncertain chaotic systems. In this NWC system, a wavelet neural network (WNN) controller is the principal tracking controller designed to mimic the perfect control law and an auxiliary compensation controller is used to recover the residual approximation error so that the favorable synchronization can be achieved. Moreover, the proportional-integral (PI) training algorithms of the control system are derived from the Lyapunov stability theorem, which are utilized to update the adjustable parameters of WNN controller on-line for further assuring system stability and obtaining a fast convergence. In addition, to relax the requirement of unknown uncertainty bound, a bound estimation law is derived to estimate the uncertainty bound. Finally, some numerical simulations are presented to illustrate the effectiveness of the proposed control strategy. The simulation results demonstrate that the proposed NWC with PI training algorithms can synchronize the chaotic systems more accurately than the other control strategies.     

基于小波神经网络的空调系统传感器故障诊断

详细阐述了小波神经网络(WNN)的原理、结构,并对传统的BP算法进行了改进。以空调系统传感器故障检测问题为目标,提出了基于WNN的故障诊断方法。通过采集天津博物馆中的传感器数据,对训练好的WNN进行了传感器故障诊断能力的验证,对温度传感器的1℃偏差故障、0.05℃/s速率漂移故障、完全故障、与不同方差下的精度等级下降故障进行了仿真,结果表明:这种方法对传感器故障具有很好的诊断效果。     

改进的HMM和小波神经网络的抗噪语音识别

通过MFFC计算出的语音特征系数,由于语音信号的动态性,帧之间有重叠,噪声的影响,使特征系数不能完全反映出语音的信息。提出一种隐马尔可夫模型（HMM）和小波神经网络（WNN）混合模型的抗噪语音识别方法。该方法对MFCC特征系数利用小波神经网络进行训练,得到新的MFCC特征系数。实验结果表明,在噪声环境下,该混合模型比单纯HMM具有更强的噪声鲁棒性,明显改善了语音识别系统的性能。     

基于小波神经网络的污水处理厂出水水质预测

在分析传统污水处理厂出水水质预测方法的基础上,提出一种核主元分析和小波神经网洛相结合的预测新方法。首先利用核主元分析实现输入变量的降维和去相关,然后运用小波神经网络建立预测模型。采用统计学理论的中的结构风险最小化原则为目标来训练网络的结构,采用自适应正交最小二乘法来训练网络权值,该方法最大限度地保证了网络的泛化能力。实验结果表明,该预测模型具有预测精度高,使用方便等优点。