基于遗传算法优化神经网络权值的损伤识别

针对传统BP神经网络存在着容易陷入局部极小点、训练时间太长等缺点,采用基于浮点编码的遗传算法对BP神经网络的初值空间进行遗传优化.用基于浮点编码的遗传算法来优化BP神经网络的权值,得到最佳初始权值矩阵,并按误差前向反馈算法沿负梯度方向搜索进行网络学习.以弹簧质量系统作为算例,用结构的模态频率变化作为网络的输入向量,结构的损伤位置作为输出向量.对网络进行训练,仿真结果表明:遗传BP神经网络的收敛和诊断能力优于传统BP神经网络,可有效运用到结构的模态参数识别中.     

GA改进BP神经网络在抗滑桩孔爆破开挖中的应用

目前桩孔开挖主要依靠工程类比进行,不同设计者设计的爆破参数往往因掌握的爆破理论和经验的不同而有所差异,爆破质量参差不齐。为此,提出基于遗传算法GA改进BP神经网络(GA-BP)建立爆破参数优化设计模型,该法不仅可以利用已有爆破经验数据和工程地质条件,同时,使用遗传算法优化BP神经网络阈值和权值可以弥补BP神经网络不稳定的缺陷,以达到获得更优爆破参数的目的。实践表明,基于遗传算法改进BP神经网络相比一般BP神经网络预测相对误差较小,同时GA-BP神经网络得到的优化爆破参数进行现场试验,取得了良好的爆破效果。因此,GA-BP神经网络模型应用于抗滑桩孔开挖爆破参数设计是可行的,可用于指导爆破施工。     

GA改进BP神经网络在抗滑桩孔爆破开挖中的应用

目前桩孔开挖主要依靠工程类比进行,不同设计者设计的爆破参数往往因掌握的爆破理论和经验的不同而有所差异,爆破质量参差不齐。为此,提出基于遗传算法GA改进BP神经网络(GA-BP)建立爆破参数优化设计模型,该法不仅可以利用已有爆破经验数据和工程地质条件,同时,使用遗传算法优化BP神经网络阈值和权值可以弥补BP神经网络不稳定的缺陷,以达到获得更优爆破参数的目的。实践表明,基于遗传算法改进BP神经网络相比一般BP神经网络预测相对误差较小,同时GA-BP神经网络得到的优化爆破参数进行现场试验,取得了良好的爆破效果。因此,GA-BP神经网络模型应用于抗滑桩孔开挖爆破参数设计是可行的,可用于指导爆破施工。     

三维针刺C/C-SiC复合材料预制体工艺参数优化EI北大核心CSCD

基于误差反向传播(BP)神经网络与改进的遗传算法建立三维针刺C/C-SiC复合材料预制体工艺优化的代理模型,获得针刺工艺参数与复合材料刚度性能之间的关系。利用BP网络实现复合材料刚度性能预测,BP网络的预测值与有限元计算结果吻合程度较好,模型训练误差最大为0.526%,测试数据误差最大为0.454%,BP网络预测精度高。对传统遗传算法的遗传策略和优化策略进行改进,利用两种改进的遗传算法对针刺工艺参数进行优化。优化后的工艺参数显著提高了材料的刚度性能,其中面内拉伸模量分别提高了11.07%和11.48%,面外拉伸模量分别提高了49.64%和48.13%,复合材料的综合刚度性能分别提高18.17%和18.21%。     

基于BP-GA的冲击破岩掘进机工作机构动态优化

为了改善某型冲击破岩掘进机工作机构的动态性能,利用ANSYS Workbench建立有限元模型,通过模态分析和谐响应分析,得到其第1至第6阶固有频率和模态特性,确定了影响动态性能的模态频率;经灵敏度分析,确定了影响工作机构动态性能的主要结构参数;利用BP神经网络模型,建立所选结构参数与最大动应力、弯曲动刚度和钎杆顶端动位移间的映射关系,运用遗传算法对结构参数进行动态性能优化.结果表明,优化后工作机构的最大动位移和最大动应力分别减小27.5%和43.07%,固有频率提高24.7%,明显改善了工作机构的动态性能.     

基于BP-AGA的非线性组合预测方法研究

运用神经网络和加速遗传算法建立非线性组合预测模型，在BP算法训练网络出现收敛速度缓慢时启用加速遗传算法(AGA)来优化网络参数，把AGA的优化结果作为BP算法的初始值，再用BP算法训练网络，如此交替运行BP算法和AGA以加快网络的收敛速度，同时改善局部最小问题。最后给出实例研究，结果表明，该方法能明显提高预测精度。     

ELM在航空铅酸蓄电池容量检测中的应用

针对传统BP神经网络训练速度慢、参数选择难、易陷入局部极值等缺点,提出基于极限学习机(ELM)的航空铅酸蓄电池容量检测模型。极限学习机是一种新的单隐层前馈神经网络(SLFNs)学习算法,不但可以简化参数选择过程,而且可以提高网络的训练速度。在确定最优参数的基础上,建立ELM的航空铅酸蓄电池容量检测模型。实验结果表明:LM获得较高的分类准确率和较快的训练速度,从而验证ELM用于航空铅酸蓄电池容量检测模型的可行性和有效性。     

于GA-BP模糊神经网络的商业银行信用风险评估

研究了商业银行信用风险评估的现状,针对单独应用BP神经网络评估信用风险时存在的缺陷,提出了基于遗传算法优化模糊BP神经网络的信用风险评估新模型.通过遗传算法训练模糊BP神经网络,克服网络建模中产生的局部极小的缺点,提高了风险评估的准确性.最后,利用Matlab软件对样本数据进行训练和测试,仿真结果表明所构造的评估模型预测误差非常小.     

基于遗传算法及其改进的进化神经网络算法

提出一种基于改进遗传算法的彻底进化神经网络算法,并且命名为IGA-BP算法。在IGA-BP算法中,首先用遗传算法来全面解决和设计神经网络中的结构以及所有训练参数,然后用训练的样本来找到最优解。该网络的缺点是,他的结构和神经训练参数是随机的,或由一个人的经验来解决的。IGA-BP算法可以用于电力变压器故障的诊断。在神经网络的基础上可以建立电力变压器故障诊断的模型。的例证结果表明,该算法在速度的收敛精度方面优于传统的BP算法。可以用该算法实现对电力变压器故障的快速且准确的判断。     

基于EMD和GA-SVM的超声检测缺陷信号识别

为提高金属探伤时对缺陷的识别能力,提出一种遗传优化支持向量机,结合经验模态分解(EMD),对超声波缺陷信号进行自动识别。首先进行经验模态分解法分解,提取出原始信号特征,构建特征向量。鉴于常用的神经网络模型识别率不高及支持向量机参数难确定的问题,利用遗传算法优化支持向量机模型(GA-SVM)的惩罚因子和核参数,提高支持向量机建模精度。分别采用神经网络模型、SVM模型和GA-SVM模型对特征向量进行训练与测试,GASVM模型识别率达到98.437 5%,优于神经网络方法和未改进的交叉验证法SVM模型。试验结果表明:遗传算法能有效提高支持向量机的性能,在小样本条件下能够提高超声缺陷的识别率。     

基于机器学习的钛合金弹性模量预测方法研究

目的 探索一种高效可行的预测方法以提高钛合金弹性模量的预测精度,采用第一性原理计算方法与机器学习相结合的方式建立高精度的预测模型。方法 通过数据挖掘获取材料数据库中钛合金的力学性质微观结构参数,结合第一性原理计算方法构建初始数据集,并对其进行预处理,包括噪音消除、归一化及标准化,以得到高质量的数据集。同时,采用随机森林特征重要性分析法对输入参数进行筛选,去除弱相关变量以降低预测模型的复杂度。在此基础上,构建随机森林模型、支持向量机模型、BP神经网络模型及优化后的GA-BP神经网络模型,综合对比各模型的回归能力,分析误差后选出最优的算法模型。结果 最终建立了钛合金弹性模量预测模型,其中随机森林模型、支持向量机模型、BP神经网络模型、GA-BP神经网络模型的预测相关系数R分别为0.836、0.943、0.917、0.986。结论 GA-BP模型对弹性模量的预测误差基本保持在5%~7%。遗传算法可以优化BP神经网络的权值和阈值,使预测精度大幅提升。说明通过该方法可以实现钛合金弹性模量的预测,大大节省研发和实验成本,加快高性能材料的筛选。     

The Application of BP Neural Networks to Analysis the National Vulnerability

Climate change is the main factor affecting the country’s vulnerability, meanwhile, it is also a complicated and nonlinear dynamic system. In order to solve this complex problem, this paper first uses the analytic hierarchy process (AHP) and natural breakpoint method (NBM) to implement an AHP-NBM comprehensive evaluation model to assess the national vulnerability. By using ArcGIS, national vulnerability scores are classified and the country’s vulnerability is divided into three levels: fragile, vulnerable, and stable. Then, a BP neural network prediction model which is based on multivariate linear regression is used to predict the critical point of vulnerability. The function of the critical point of vulnerability and time is established through multiple linear regression analysis to obtain the regression equation. And the proportion of each factor in the equation is established by using the partial least-squares regression to select the main factors affecting the country’s vulnerability, and using the neural network algorithm to perform the fitting. Lastly, the BP neural network prediction model is optimized by genetic algorithm to get the chaotic time series BP neural network prediction model. In order to verify the practicability of the model, Cambodia is selected to be an example to analyze the critical point of the national vulnerability index.     

遗传算法优化 BP 神经网络的显示器色彩空间转换

目的基于改进遗传算法优化BP神经网络,研究对显示器色彩空间转换的预测准确性的方法。方法通过改进数据归一化处理和遗传算法的适应度函数,来优化BP神经网络的权值和阈值,以将它们的分布范围缩小,再用BP算法进行精确求解,并将该方式与常规方式作对比。结果训练优化后的BP神经网络预测模型20次,测试色块平均色差为2.9353,最小平均色差为1.9467。结论该方法大大降低了BP神经网络预测模型陷入局部极小值的可能性,对显示器色彩空间转换具有较好的非线性拟合能力和更高的预测准确性。     

Research on automatic identification system of tobacco diseases

In order to improve recognition accuracy of tobacco diseases, an identification method based on multi-feature and genetic algorithms optimizing BP neural network was proposed. First, Otsu method was used to obtain disease location information and GrabCut function was initialized for extracting diseased area effectively. Second, colour moments, disease contour and GLCM were used to get colour, multi-contour and texture features. Once again, BP neural network was optimized by genetic algorithm, and the optimal initial weights and thresholds were obtained, which shortened the training time and improved the accuracy of disease identification. Finally, BP neural network model for tobacco diseases diagnosis was established with the mobile client as input and the user services as output. The field experiment showed that the method could diagnose eight types of tobacco diseases effectively and automatically. The average recognition accuracy rate of selected tobacco diseases was about 92.5%.     

基于SCADA数据和改进BP神经网络的塔筒应力预测

针对风电机组载荷监测中应变片寿命短的缺陷,基于风电场海量状态监测数据,利用遗传算法和粒子群算法对BP神经网络进行改进,建立塔筒应力预测模型,并通过综合相关系数实现输入参量的有效选择。仿真结果表明,改进后的GA-BP神经网络预测模型和PSO-BP神经网络模型,预测结果的最大、最小相对误差等指标均比BP神经网络预测模型好;GA-BP神经网络预测模型的塔筒应力预测平均误差为7.04%,相对BP神经网络预测结果误差减少了4.38%,预测精度满足工程需求。所提出的方法建立风电场海量监测数据和塔筒应力数据之间的有效关系模型,可为风电场长期有效的载荷监测提供新的手段。     

基于蚁群算法优化BP神经网络的港口吞吐量预测

利用蚁群算法优化反向传播神经网络的初始权值、阈值,建立预测模型,对港口货物吞吐量进行预测。蚁群算法具有全局搜索能力,分布式计算和鲁棒性强等特点,有利于加快反向传播神经网络的收敛速度,避免易陷入局部极值的问题,提高建模精度。在港口吞吐量预测中的应用表明:蚁群算法优化BP神经网络模型、模糊神经网络预测模型、RBF预测模型及BP预测模型的平均绝对百分比误差分别为2.826%、3.734%、4.990%和6.566%;同时,蚁群算法优化BP神经网络模型收敛速度最快。与传统BP神经网络、RBF网络及模糊神经网络相比,蚁群算法优化BP神经网络模型、模糊神经网络预测模型、RBF预测模型及BP预测模型的平均绝对百分比误差分别为2.826%、3.734%、4.990%和6.566%。     

基于遗传算法优化BP神经网络的SCR脱硝系统催化剂体积设计

火电厂SCR脱硝系统的设计需要在满足脱硝效率的同时,尽可能节约成本,因此需要准确预测SCR脱硝所需的催化剂体积。火电厂的烟气条件复杂多变,烟气温度、烟气流量、出入口NO_x浓度等参数都会影响SCR催化剂的体积设计,因此催化剂体积预测是一个多因素耦合的问题。针对这一特点,使用BP神经网络对催化剂体积设计进行了预测,并针对该模型结构上的缺陷,进行基于遗传算法优化的神经网络建模研究。结果表明,遗传算法优化后的BP神经网络模型预测精度和数据拟合能力均有提高,为脱硝系统的催化剂体积设计提供了新思路。     

结构损伤的遗传神经网络检测方法

将遗传算法与神经网络相结合,用遗传算法完成神经网络的学习过程,建立了结构损伤的遗传神经网络检测方法,并对遗传算法进行了改进.研究结果表明,用改进的遗传算法进化神经网络可以有效地避免BP算法有可能陷入局部极小的缺点,而且运算速度大大加快,精度提高.     

基于BP神经网络算法的316L不锈钢极薄带热处理力学性能预测

目的 为了预测不锈钢极薄带热处理后的力学性能、优化热处理工艺以及实现热处理工艺的智能控制,构建基于BP算法的神经网络模型。方法 以316L不锈钢极薄带为研究对象,进行热处理试验和拉伸试验,通过以热处理的退火温度、保温时间和取样方向作为输入层参数,以屈服强度、抗拉强度、断后伸长率作为输出层参数,采用BP算法构建了316L不锈钢极薄带力学性能预测的思维进化算法优化BP神经网络模型,并进行模型的预测和应用验证,考虑不同隐含层节点数及不同BP神经网络模型对性能的影响。结果 思维进化算法优化的BP神经网络模型测试集的屈服强度、抗拉强度和断后伸长率的平均相对误差分别为8.92%、5.21%和9.28%,训练集相关系数为0.980 94。思维进化算法优化BP网络单、双隐含层误差总和最低分别为0.578 6和0.546 9,BP网络与思维进化算法优化的BP网络误差总和最低分别为0.579 9和0.546 9。结论 思维进化算法优化BP神经网络模型具有较好的预测能力和泛化能力,以及较高的预测精度。与企业现用生产工艺相比,采用模型优化后热处理工艺的综合力学性能有显著提高。