基于遗传和BP算法的车牌图像快速匹配

将基于遗传的BP 神经网络算法用于智能交通中的车牌图像匹配,结合了遗传算法和BP 算法的优点。先采用遗传学习算法进行全局寻优、再利用BP 算法进行精确训练、优化BP(Back Propagation) 神经网络权重学习和训练的神经网络图像匹配算法。实验结果表明:本文设计算法较好地达到了匹配要求,能够对目标图像与样本图像进行正确匹配,匹配概率达到了92 % ,而传统的BP 神经网络仅有79 % ,并且在匹配速度上也明显优于传统的BP 神经网络及其他改进算法,具有精确性、收敛性和匹配快等特点。     

基于遗传算法和BP网络的文字识别方法

将基于遗传的BP神经网络算法用于文字识别算法结合了遗传算法和BP网络的优点.先采用遗传学习算法进行全局寻优、再利用BP算法进行精确训练、优化BP(Back Propagation)神经网络权重学习和训练的神经网络文字识别算法.实验结果表明该算法完全达到了文字识别要求,识别率达到了98%.并且在识别速度上也明显优于传统的BP神经网络及其他改进算法,具有精确性、收敛性和识别速度快等特点.     

基于遗传算法与BP神经网络的故障诊断模型

为了克服单独应用BP算法时存在的缺陷，利用遗传算法(GA)对其进行了改进，建立了基于遗传算法与BP神经网络相结合的诊断模型，此外在二进制编码方法的基础上，讨论了十进制的编码方法与实现以及网络模型参数取值与学习次数间的相互影响等关键问题。     

遗传算法在神经网络优化中的应用

把遗传算法和神经网络结合起来，形成以遗传算法与神经网络相结合的进化神经网络。介绍了遗传算法的基本原理。讨论了用遗传算法优化网络结构和基于遗传算法的神经网络权值优化问题。并通过实验仿真将该算法与BP算法进行比较，从而验证了该算法的可行性与有效性。     

基于BP神经网络的入侵检测算法

为解决传统入侵检测算法存在的高漏报率及高误报率问题,结合BP神经网络算法的优点,提出一种采用遗传算法来优化BP神经网络算法的入侵检测算法。该算法通过遗传算法找到BP神经网络的最适合权值,采用优化的BP神经网络对网络入侵数据进行学习和检测,解决直接使用BP学习造成的训练样本数量过大而难以收敛的问题,同时缩短样本训练时间,提高BP神经网络分类正确率。仿真实验结果表明,与传统网络入侵检测算法相比,该算法的训练样本时间更短,具有较好的识别率和检测率。     

无标定图像视觉伺服控制方法研究

针对视觉伺服控制识别速度慢、精度低的问题，提出一种基于反向传播(BP)神经网络和遗传算法的视觉伺服控制算法。该算法对机器人与图象复合雅可比矩阵建模得到初始的BP神经网络视觉伺服控制器，采用遗传算法对控制器的初始权重和阈值进行训练，得到混合优化的视觉控制模型。该算法可以有效地将遗传算法良好的全局搜索能力与BP神经网络的精确局部搜索功能相结合。实验结果表明，收敛速度加快的同时误差下降为原来的4.6%,为机器人控制提供了一种简单有效的方法。     

STM32的四旋翼无人机故障诊断仿真研究

提出了基于BP神经网络的四旋翼无人机故障诊断方法,但考虑到经典BP神经网络算法误差收敛速率慢,训练学习容易陷入局部最优值等缺陷,设计了一种基于改进型遗传算法(Genetic Algorithm)优化BP神经网络.改进型GA算法对编码方式和选择算子进行了优化,同时对交叉和变异算子等参数进行了调整.Matlab仿真表明,改进后的BP神经网络算法的检测性能有了明显的增强,避免了经典BP算法容易陷入局部最优值的问题.     

改善遗传神经网络收敛性的研究

针对BP神经网络中采用的梯度下降法局部搜索能力强、全局搜索能力差和遗传神经网络中采用的遗传算法全局搜索能力强、局部搜索能力差的特点,提出了一种集梯度下降法和遗传算法优点为一体的混合智能学习法(Hybrid Intelligence learning algorithm),简称HI算法,并将其应用到优化多层前馈型神经网络连接权问题。对该算法进行了设计和实现,从理论和实际两方面证明混合智能学习法神经网络与BP神经网络和基于遗传算法的神经网络相比有更好的运算性能、更快的收敛速度和更高的精度。     

基于实数编码遗传算法的混合神经网络算法

该文比较了神经网络与遗传算法的特点，提出了一种融合遗传算法和BP算法的神经网络算法设计。该方法采用了基于实数编码的改进遗传算法来替代随机设定神经网络的初始权阈值，然后由改进的LMBP算法在已由遗传算法确定了的搜索空间中对网络进行精确训练。仿真结果表明神经网络的逼近能力和泛化能力得到了综合提高，能够有效抑制遗传算法初期收敛的发生，确保了快速达到全局收敛，克服了传统BP算法精度低、收敛速度慢、容易陷入局部极小的缺陷。     

基于遗传优化神经网络的故障诊断研究

针对BP神经网络具有收敛速度慢、易陷入局部极小的缺点，利用具有全局搜索能力的遗传算法来优化BP神经网络的权值和阈值，并用遗传优化BP网络实现故障诊断。基于MATLAB实现该算法，仿真实验表明，该算法具有明显的优越性，可以避免BP算法的不足，极大地提高了网络的学习性能，具有一定的实用性。     

An optimizing BP neural network algorithm based on genetic algorithm

A back-propagation (BP) neural network has good self-learning, self-adapting and generalization ability, but it may easily get stuck in a local minimum, and has a poor rate of convergence. Therefore, a method to optimize a BP algorithm based on a genetic algorithm (GA) is proposed to speed the training of BP, and to overcome BP’s disadvantage of being easily stuck in a local minimum. The UCI data set is used here for experimental analysis and the experimental result shows that, compared with the BP algorithm and a method that only uses GA to learn the connection weights, our method that combines GA and BP to train the neural network works better; is less easily stuck in a local minimum; the trained network has a better generalization ability; and it has a good stabilization performance.     

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。     

一种基于遗传优化的神经网络水印

提出一种新的遗传算法和神经网络彩色图像水印研究,在检测水印的过程中,利用遗传算法来优化BP神经网络的权值矩阵与初值,构建出内在的隐含关系,然后利用训练好的BP神经网络来融合提取水印.实验证明该算法保持不可觉察性,并且水印的鲁棒性比BP神经网络的更强.     

BP神经网络在室内甲醛定量分析中的应用

针对室内低浓度甲醛气体的定量分析中,反向传播(BP)算法初始权重敏感性、容易陷入局部极值等问题,以遗传算法优化BP网络,对浓度范围在(0.002~0.06)×10 -6的30组不同浓度的甲醛气体进行定量分析.通过对室内气体中的甲醛气体的初始数据进行优化,将优化的权值阈值代入BP网络,进行浓度的回归分析,并与BP神经网络模型回归效果对比,结果表明:遗传算法优化BP网络方法运行时间约为BP网络的1/2,且预测精度明显高于BP网络.相较于BP网络,遗传算法与BP网络结合更适合处理甲醛气体定量分析问题.     

多层前向网络的研究——遗传BP算法和结构优化策略

分析了引起BP算法局部收敛现象的原因,探讨了解决的途径.通过对遗传算法中 的基因群体的实数化,并将其与BP算法有机地集成起来,提出了遗传BP算法.此外,在借鉴 网络剪枝法思想的基础上,重新定义网络结构复杂度函数,并以遗传算法直接求解网络结构 优化问题,给出了网络结构优化策略.仿真结果和实际应用均表明了上述研究的成效.     

基于GA的ANFIS在自适应噪声消除中的应用

介绍了应用基于GA的ANFIS的自适应噪声消除的方法,阐述了基本思想和算法实现过程。神经网络采用五层的ANFIS网络结构,采用自适应GA对模糊规则前件部分的隶属函数参数进行训练,避免了原有BP算法极易陷入局部最优的缺点,可获得全局最优解,用BP算法来调节和优化具有局部性的推理规则结论部分的权值。应用结果表明了该方法的有效性,收敛速度更快、误差更小,滤波率达到了预期要求。     

基于遗传算法的动态神经网络的建模与应用

本文分析了改进的ELMAN网络的结构，并讨论了神经网络的学习算法，针对BP算法的缺陷，提出了用遗传算法修正网络权值的学习算法。另外，将采用遗传算法进行训练的改进ELMAN网络应用于非线性系统的辨识和建模。通过仿真和在汽车磷化加热系统建模中的应用进一步说明了该方法用于高阶次非线性系统建模的可行性。     

遗传算法与BP神经网络相结合的说话人识别系统

基于BP神经网络的说话人识别系统是目前说话人识别中的一种主要模型,但BP神经网络通常难以确定隐含层单元的数目,且收敛速度慢。针对此缺点,提出了一种基于遗传算法（GA）的说话人识别BP神经网络优化方案,该方案利用混合编码的GA对神经网络的连接权和结构进行了优化,可以有效地剔除整个网络冗余节点和冗余连接权,方案利用了BP神经网络的并行性和GA的全局搜索能力,显著地改善了网络的处理能力。实验表明：基于混合编码GA的BP神经网络具有快速学习网络权重的能力,识别率高,是说话人识别的一种有效可行的新方案。     

遗传算法优化BP 神经网络的短时交通流混沌预测

为了提高BP神经网络预测模型对混沌时间序列的预测准确性,提出了一种基于遗传算法优化BP神经网络的改进混沌时间序列预测方法.利用遗传算法优化BP神经网络的权值和阈值,然后训练BP神经网络预测模型以求得最优解,并将该预测方法应用到几个典型混沌时间序列和实测短时交通流时间序列进行有效性验证.仿真结果表明,该方法对典型混沌时间序列和短时交通流具有较好的非线性拟合能力和更高的预测准确性.     

Evolving neural network using real coded genetic algorithm for permeability estimation of the reservoir

In this work we investigate how artificial neural network (ANN) evolution with genetic algorithm (GA) improves the reliability and predictability of artificial neural network. This strategy is applied to predict permeability of Mansuri Bangestan reservoir located in Ahwaz, Iran utilizing available geophysical well log data. Our methodology utilizes a hybrid genetic algorithm–neural network strategy (GA–ANN). The proposed algorithm combines the local searching ability of the gradient–based back-propagation (BP) strategy with the global searching ability of genetic algorithms. Genetic algorithms are used to decide the initial weights of the gradient decent methods so that all the initial weights can be searched intelligently. The genetic operators and parameters are carefully designed and set avoiding premature convergence and permutation problems. For an evaluation purpose, the performance and generalization capabilities of GA–ANN are compared with those of models developed with the common technique of BP. The results demonstrate that carefully designed genetic algorithm-based neural network outperforms the gradient descent-based neural network.