基于种群小生境微粒群算法的前向神经网络设计

根据自然界中鱼鸟等所具有的种群运动特征,借鉴递阶编码的思想,构造出一种种群小生境微粒群算法,具有小生境内个体微粒自由运动特征分量和小生境种群运动特征分量分层递阶进化的特征,克服了标准微粒群算法或其改进算法在多蜂函数寻优时出现的微粒“早熟”现象,应用该算法进行三层前向神经网络连接权值和网络结构联合并行自适应设计,在混沌时间序列预测中显示了良好的性能。     

基于多种群协同进化微粒群算法的径向基神经网络设计

神经网络结构和权值的联合设计一直是神经网络进化设计的一个研究方向.本文根据基本微粒群算法的特点,借鉴递阶编码的思想,构造出一种多种群协同进化微粒群算法.该算法具有种群内个体微粒自由运动特征分量与种群运动特征分量分层递阶进化的特征,克服了标准微粒群算法在多峰函数寻优时出现的微粒“早熟”现象.应用该算法进行径向基神经网络隐层结构和径向基函数参数联合自适应设计,在非线性系统辨识中显示了比较好的收敛性和训练精度,同时也使网络的泛化能力和逼近精度这一对矛盾得到了比较好的协调统一.     

基于免疫遗传算法的多层前向神经网络设计

利用一种基于免疫功能的遗传算法,设计多层前向神经网络,用于实现多层前向神经网络结构的确定和权值空间的搜索。仿真实验结果显示该算法具有比遗传算法和动量BP算法更好的全局收敛性和快速学习网络权值的能力。     

改进的多种群协同进化微粒群优化算法

提出一种改进的基于多种群协同进化的微粒群优化算法（ＰＳＯ）．该算法首先利用免疫算法实现解空间的均匀划分,增加了算法稳定性和全局搜索能力．在运行过程中,通过种群进化信息生成解优胜区域,指导变异生成的微粒群向最优解子空间逼近,提高算法逃出局部最优的能力．将此算法与ＰＳＯ 算法和多种群协同进化微粒群算法进行比较,数据实验证明,该算法不仅能有效地克服其他算法易陷入局部极小值的缺点,而且全局收敛能力和稳定性均有显著提高．     

基于协同进化PSO的分类器学习算法

微粒群算法是一种简单、随机的进化群体算法，能够有效地解决数学性质比较复杂的优化问题。神经网络分类器能够解决复杂的非线性空间上分类的问题，它的训练学习算法要求更简单有效。文中将微粒群优化算法应用于神经网络分类器的学习，并加入协同进化机制以增强其性能。实例表明协同PSO算法的优越性。     

基于DMDE算法的前向神经网络设计

针对神经网络结构与参数并行优化问题,提出一种基于动态多群体差分进化算法的前向神经网络设计方法。采用分层递阶结构原理构造算法个体,根据控制基因信息将个体分成不同的动态群体。通过对个体进行重构,实现进化过程中个体信息的充分交换与共享。设计基于群体适应度的控制基因更新方法来优化网络拓扑结构,克服结构优化的盲目与低效问题。将所设计的神经网络应用于大包线飞行控制律参数拟合中。仿真结果表明,该算法能快速有效地确定神经网络的结构和权值,所优化的网络在调参控制中具有较好的泛化能力。     

基于微粒群算法与模拟退火算法的协同进化方法

提出了一种基于模拟退火与微粒群算法的协同进化方法,利用了微粒群算法的易实现性、局部快速收敛性以及模拟退火算法的全局收敛性.通过两种算法的协同搜索,可以有效克服微粒群算法的早熟收敛.仿真结果表明,本文的协同进化方法不仅具有较好的全局收敛性能,而且具有较快的收敛速度.文章从理论上证明了该方法以概率1收敛于全局最优解.     

改进的多种群协同进化微粒群优化算法

提出一种改进的基于多种群协同进化的微粒群优化算法（ＰＳＯ）．该算法首先利用免疫算法实现解空间的均匀划分,增加了算法稳定性和全局搜索能力．在运行过程中,通过种群进化信息生成解优胜区域,指导变异生成的微粒群向最优解子空间逼近,提高算法逃出局部最优的能力．将此算法与ＰＳＯ 算法和多种群协同进化微粒群算法进行比较,数据实验证明,该算法不仅能有效地克服其他算法易陷入局部极小值的缺点,而且全局收敛能力和稳定性均有显著提高．

     

加权微粒群算法在模型配准中的应用

微粒群算法目前已经在很多领域得到了广泛的应用。根据微粒群算法收敛较快的权值范围,建立加权函数,将其运用到速度进化过程中,并在进化过程中分群优化,使得改进的微粒群算法在迭代初期具有较好的全局收敛能力,在迭代后期具有较好的局部收敛能力,从而可以实现维护全局和局部搜索能力的平衡。将该算法运用于散乱点云与三维CAD模型的配准问题中,并与基本微粒群算法进行对比,具有更好的配准结果,迭代收敛更快。     

模拟退火PSO的神经网络的网络流量预测模型

为解决网络流量时间序列的预测问题,针对传统BP神经网络的网络流量时间序列预测模型容易陷入局部极小值的不足,提出一种基于模拟退火的微粒群算法训练神经网络的网络流量时间序列预测模型.将模拟退火算法和基本粒子微粒群算法相结合,设计出一种基于模拟退火的微粒群算法.利用基于模拟退火微粒群算法优化BP神经网络的权值和阀值,对实际采集的网络流量时间序列进行建模.实验结果表明,基于模拟退火的微粒群算法训练的神经网络具有较高的预测效果,相对于传统的神经网络模型具有更高的预测精度和良好的自适应性.     

基于主动进化的神经网络优化算法

本文研究了一种基于主动进化神经网络的自动优化算法,用以同时完成对网络结构空间和权值空间的搜索。主动进化遗传算法在很大程度上克服了现有遗传算法执行效率低的问题,并因此运用到神经网络中去。实验结果表明,改进后的算法收敛速度更快,加快了网络拓扑结构和权值的搜寻速度,提高了网络预测精度。     

基于粗糙集的神经网络结构优化设计

神经网络的结构冗余的原因的基础上,提出了一种利用粗集优化网络结构的原理与方法,并用实例证明,与现有的权消去法,灵敏度剪枝法,相关性剪枝法等方法相比,该方法不仅优化了网络的拓扑结构,而且加快了网络的收敛速度,从而增强了BP神经网络的适应能力.     

自适应径向基神经网络及其应用

提出一种基于硬C均值算法的自适应RBF神经网络。该算法根据网络训练误差的变化,在隐层到输出层的权值修改过程中,对学习步长进行自适应调节;对通常采用的基函数宽度的计算方法作了改进;对于硬C均值算法出现的死节点,则在程序运行中自动进行删除。利用该改进的自适应RBF网络进行某合成氨装置的氢氮比预测,网络计算误差小、收敛迅速、结果令人满意,表明网络具有良好的性能。     

Computation of madalines' sensitivity to input and weight perturbations

The sensitivity of a neural network's output to its input and weight perturbations is an important measure for evaluating the network's performance. In this letter, we propose an approach to quantify the sensitivity of Madalines. The sensitivity is defined as the probability of output deviation due to input and weight perturbations with respect to overall input patterns. Based on the structural characteristics of Madalines, a bottom-up strategy is followed, along which the sensitivity of single neurons, that is, Adalines, is considered first and then the sensitivity of the entire Madaline network. By means of probability theory, an analytical formula is derived for the calculation of Adalines' sensitivity, and an algorithm is designed for the computation of Madalines' sensitivity. Computer simulations are run to verify the effectiveness of the formula and algorithm. The simulation results are in good agreement with the theoretical results.     

A symmetric linear neural network that learns principal componentsand their variances

This paper proposes a linear neural network for principal component analysis whose weight vector lengths converge to the variances of the principal components in the input data. The neural network breaks the symmetry in its learning process by the differences in weight vector lengths and, as opposed to other linear neural networks described in literature, does not need to assume any asymmetries in its structure to extract the principal components. We prove the asymptotic stability of a stationary solution of the network's learning equation. Simulations show that the set of weight vectors converge to this solution. Comparison of convergence speeds shows that in the simulations the proposed neural network is about as fast as Sanger's generalized Hebbian algorithm (GHA) network, the weighted subspace rule network of Oja et al., and Xu's LMSER network (weighted linear version).     

BP神经网络和Elman神经网络在模拟电路故障诊断中的应用

通过分析BP神经网络和Elman神经网络的基本结构和算法,研究了基于神经网络的模拟电路故障诊断方法,并通过仿真实验对比分析了BP神经网络和Elman神经网络的诊断能力。结果表明,BP神经网络的收敛速度相对较慢、训练时间长;Elman神经网络的结构参数调整简单、训练时间短、性能稳定,更适合存在容差、非线性等问题的模拟电路故障诊断。     

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。     

狼群优化的神经网络频谱感知算法

提出了一种基于狼群优化的人工神经网络频谱感知方法,实现了具有神经网络最优结构的神经网络频谱感知算法。该算法在包含自组织神经网络的频谱感知算法的基础上,具体阐述了训练样本的生成,神经网络的训练以及对神经网络训练阶段结束后所得到的权值矩阵运用狼群优化方法进行进一步的优化处理的过程。实验结果表明,狼群优化的自组织神经网络频谱感知算法与自组织神经网络的频谱感知算法相比,具有更好的频谱感知性能。     

基于传感器阵列与前馈神经网络的气体辨识系统

将气体传感器阵列与前馈神经网络模式识别技术相结合形成气体辨识技术相结合形成气体辨识系统,通过实验比较了不同的传感器信号预处理方法、前馈神经网络的结构和参数对气体辨识系统性能的影响,研究结果具有一定的工程应用价值。