基于G—BP算法的数据挖掘方法研究及应用

将神经网络与遗传算法相结合.提出了G-BP混合算法.该算法在BP神经网络训练过程中,利用遗传算法善于发现最优解区域的特点来优化网络权重值和阈值.在新建项目投资估算的具体应用中,证明该算法克服了传统BP网络算法中的局部极小缺陷,训练速度有很大提高,在数据挖掘中具有实用性.     

基于模拟退火遗传算法优化的BP网络在质量预测中的应用

翘曲量预测精度是注塑成形优化的难点。文章以某零件翘曲量为对象,选取注射温度、模具温度、保压压力、保压时间、注射速度等参数,进行数值模拟实验,建立BP神经网络的翘曲量预测模型。针对BP神经网络易陷入局部最优解的缺陷,设计一种基于模拟退火遗传算法优化的BP网络模型,与BP网络的预测精度对比。结果表明,基于模拟退火遗传算法优化的BP网络模型预测精度高于BP网络模型,同时加快收敛速度,增强全局搜索能力。     

基于免疫遗传算法的BP神经网络在纱线条干预测上的应用

为了避免因随机生成BP神经网络初始权值和阈值而带来的不确定性,以及得到更好的预测纱线条干CV值的精度和速度,借助免疫遗传算法对传统单一的BP神经网络进行权值和阈值的优化。免疫算法中特有的浓度调节机制有效地解决了遗传算法后期未成熟收敛的问题。利用Matlab构建单一的BP神经网络模型、遗传BP神经网络模型和免疫遗传BP神经网络模型进行纱线条干CV值的预测实验,通过仿真训练结果的对比分析可得出,免疫遗传算法优化的BP神经网络能够更准确、更快速、更稳定地完成纱线条干CV值的预测。     

毛精纺前纺工艺参数重要性的BP网络定量评价法

在BP神经网络建模技术的基础上,提出利用神经网络输入层与输出层之间的网络权值及其分布来求各输入参数重要程度的方法。将采集到的毛精纺企业前纺工艺参数运用BP神经网络分别建立了粗纱CV值和粗纱单重的预测模型。结果表明:所建模型的平均相对误差都低于3%;采用样本数据验证,其预报值与实测值间的相关系数都高于0.95。对所建模型的网络权重进行提取,分别计算出13个输入参数对粗纱CV值和粗纱单重的重要性,挖掘出显著而有效的参数。经对比认为,BP网络法比多元回归显著性分析(MRSA)更为精准,可用于对实际生产加工的预报和控制。     

PSO-BP模型在遥感影像分类中的应用研究

针对目前采用BP神经网络模型进行遥感影像分类时存在的对初始权阈值敏感、易陷入局部极值和收敛速度慢的问题,为了提高BP模型遥感影像分类精度,将粒子群算法引入到BP网络模型参数选择中。首先运用粒子群算法对BP模型权阈值参数进行初始寻优,再用改进BP算法对优化的网络模型权阈值进一步精确优化,随后建立基于粒子群算法的BP网络分类模型,并采用MATLAB语言实现了该算法,将其应用到遥感影像数据分类研究中。仿真结果表明,新模型有效提高了遥感影像分类准确性,为遥感影像分类提出了一种新的方法,具有广泛研究价值。     

基于核主成分分析法的BP神经网络短期负荷预测

短期负荷预测的方法有很多,BP神经网络是目前研究最为成熟的神经网络模型之一。然而BP网络存在着收敛速率慢、易陷入局部极小等问题。针对此缺陷,文章提出了基于核主成分分析的遗传算法神经网络模型,利用KPCA法提取负荷数据的主成分。并用GA优化BP网络的权值和阈值,克服易陷入局部极小的不足。最后通过实例分析,证明了算法的有效性。     

基于遗传算法优化的花式捻线机转速值预测

探讨基于遗传算法优化的花式捻线机转速值预测模型。针对纺织厂花式捻线机生产中工艺参数转换至罗拉和锭子转速值的预测问题,采用了遗传算法来优化传统以BP神经网络为基础的预测模型,利用遗传算法的全局寻优特点对BP神经网络的权值和偏置进行优化,再通过BP神经网络算法进行罗拉和锭子转速值的预测,改进了BP神经网络容易陷入局部极小值和收敛速度慢的问题。试验数据表明:基于遗传算法优化的BP神经网络的预测数据精确、误差小。认为:该预测模型可以满足花式捻线机转速值预测的需要。     

GA-BP神经网络及其在液体乳安全评价中的应用

利用遗传算法(Genetic Algorithm,GA)优化BP(Back Propagation,BP)神经网络的初始权值、阈值,以期加快网络收敛,提高预测精度。以乳制品中的液体乳为实验材料,建立安全评价指标体系;将优化后的GA-BP神经网络作为评价模型,对液体乳的日常检测数据进行拟合;以测试数据作为验证,检测模型的收敛速度和拟合度。结果表明GA-BP较BP神经网络来讲更稳定,能较快收敛,且仿真误差较小;在隐层节点数为9时,GA-BP神经网络对液体乳的拟合效果最好,预测精度较高,是一种可行的液体乳安全状况评价方法。     

一种基于遗传算法优化BP神经网络的电网故障诊断方法

提出了一种基于遗传算法优化BP神经网络的电网故障诊断方法,利用神经网络的非线性问题处理能力进行故障诊断。针对BP神经网络在运算过程中易陷入局部极小的问题,结合遗传算法计算网络参数初始值,寻找最优的隐含层节点数,对网络进行优化。结合实例验证,该方法相对于传统BP神经网络在解决电网故障诊断问题上,收敛速度和准确率都有所提升。     

遗传神经网络光度法同时测定饮料中的混合色素

利用人工神经网络技术和分光光度法不经分离直接测定饮料中的混合色素。针对传统的BP算法存在收敛速度比较慢、容易陷入局部极小值以及全局搜索能力弱等缺陷，提出了神经网络与遗传算法相结合的方法，采用遗传算法训练BP神经网络，优化网络权值。实验结果显示，它具有收敛速度快、预测精度高、简单适用等优点。     

酵母呈味核苷酸酶法提取工艺的神经网络分析

以啤酒废酵母为原料,应用神经网络对提取工艺参数进行分析与模拟,并通过遗传算法得到了核苷酸提取的最佳工艺条件:在酵母乳液浓度为20%的原料中,添加NaCl3.0%、控制pH6.6、59℃保温搅拌抽提12h后加麦根浸出液4.9%,60℃作用3h,提取液中核苷酸平均含量可达0.34g/100ml以上.     

棉织物染色配方工艺优化方法研究

为了实现棉织物染色配方和工艺参数的优化设计,研究了一种应用智能混合算法优化求解的新方法。首先构建棉织物染色配方工艺优化的数学模型,再利用自适应调整和相似度判别策略等关键手段对基本遗传算法进行了改进并融合了模拟退火算法形成智能混合算法,最终将智能混合算法应用到优化模型的求解中,以达到配方和工艺优化的目的。结果表明,优化模型可靠有效,智能混合算法的收敛速度、寻优能力和稳定性都得到了改善。应用智能混合算法求解的配方和工艺参数染色,其效果明显优于传统遗传算法,不仅与样布的色差值缩小了6.47%且成本降低2.16%以上。该方法可为棉织物染色过程中的质量控制以及工艺参数快速优化设计提供理论指导。     

基于MEA-BP神经网络的大米水分含量高光谱技术检测

利用高光谱技术对储藏大米的水分含量进行检测。本实验以120个大米样本为研究对象,采集所有大米样本的高光谱图像,利用多元散射校正的预处理方法对大米样本原始光谱数据进行降噪处理。由于原始高光谱数据量大且冗余性强,故利用逐步线性回归分析方法对预处理后的数据进行特征提取。最后建立BP神经网络的大米水分定量检测模型,由于建模效果没有达到预期目标,因此引入遗传算法(genetic algorithm,GA)和思维进化算法(mind evolutionary algorithm,MEA)优化BP神经网络的权值和阈值。对BP、GA-BP、MEA-BP 3种大米水分预测模型进行比较,3种模型的预测集决定系数都达到0.86以上,其中MEA-BP模型具有最佳的预测效果,预测集决定系数达到0.966 3,且均方根误差为0.81%。     

荧光光谱技术结合机器学习算法检测大白菜中吡虫啉含量

目的 基于荧光光谱技术结合机器学习算法实现对大白菜中吡虫啉含量的检测。方法 采集400 nm激发下的130个农残光谱数据, 经过数据预处理、光谱特征筛选,构建基于支持向量机（Support vector machine, SVM）的吡虫啉残留含量预测模型,并利用麻雀搜索算法（Sparrow search algorithm, SSA）对SVM的参数进行寻优。结果 卷积平滑（Savitzky-Golay smooth,S-G）与标准正态变量校正(Standard normal variable, SNV)联用的预处理效果最好; 利用连续投影算法(Successive projections algorithm, SPA)对遗传算法(Genetic algorithm, GA)提取的特征波长进行二次特征降维能获得最优特征波段;SSA寻优后构建的SVM模型精度最佳,测试集决定系数为0.9234, 均方根误差为0.4129。结论 荧光光谱技术可以实现白菜中吡虫啉含量的检测,为蔬菜中农残快速检测提供了新的思路。     

基于模拟退火算法改进遗传算法的织物智能配色

为提高传统配色方法及现有配色算法的配色精度、效率及泛化能力,构建了基于BP神经网络的遗传算法和模拟退火算法相结合的织物智能配色模型,利用BP神经网络预测颜色,将训练好的BP神经网络与CIEDE2000色差公式结合作为遗传算法的适应度函数,用模拟退火算法改进的基于BP神经网络的遗传算法预测颜色配方,并根据预测的配方对涤纶织物进行染色实验,计算实验色差。结果表明:模拟退火算法优化的基于BP神经网络的遗传算法配色模型只需经过80次迭代即可收敛,预测颜色的理论色差均值为0.165,染色实验色差均值为0.289,配方绝对误差平均值为0.010 7;验证样本的理论色差均值为0.240,染色实验色差均值为0.437。该算法可实现织物的智能配色。     

遗传算法在织物起皱评价中的应用

文章对传统遗传算法进行了改进，提出了一种带有倒位算子的遗传算法。经检验表明，该遗传算法可以有效地提高收敛速度，达到全局最优。将遗传算法应用于织物起皱评价，可以为决策者提供优化方案。     

基于遗传算法和BP网络的造纸废水处理预测研究

在造纸废水处理过程建立出水COD预测模型中,针对BP算法易陷入局部极小、收敛速度慢等缺点,根据遗传算法(Genetic Algorithm-GA)具有全局寻优的特点,将两者结合起来形成一种训练神经网络的混合算法--GA-BP算法;仿真结果表明,预测模型具有较强的学习能力和泛化能力,同时,建立的GA-BP模型预测输出的平均误差仅为0.88%,说明此模型可以有效、可靠地预测造纸废水出水COD.     

基于色差系统的宝庆桂丁红茶品质量化评价模型构建

目的:基于茶叶色差构建宝庆桂丁红茶品质量化评价模型。方法:以宝庆桂丁红茶为研究对象,在感官审评的基础上,分别测定干茶、茶汤和叶底的色差值,分析茶叶色差值与品质之间的相关性,并以GA-BP神经网络构建品质量化评价模型。结果:宝庆桂丁红茶品质与茶汤和叶底的L、a、b值呈极显著相关（P<0.01）,与干茶a值呈显著相关（P<0.05）;遗传算法（GA）的引进明显提高了BP神经网络的拟合精度,GA-BP模型的决定系数（R2）明显高于BP网络;通过对比不同隐含层结构,优选结构为9-5-1的GA-BP神经网络结构;优选的GA-BP神经网络模型的训练、验证、测试和预测的决定系数（R2）分别为0.988、0.976、0.933和0.95。结论:基于色差系统和GA-BP神经网络对宝庆桂丁红茶品质进行量化评价的方法是可行的。     

遗传算法与模糊控制的融合研究

遗传算法是将问题的求解用染色体的形式表示,在其复制、交叉、变异的进化过程中收敛为一个最适应环境的染色体,即为问题的解。用遗传算法对模糊控制中的录属度函数进行编码,确定适应函数,作遗传运算与微量调整,可实现对录属度函数及控制规则的优化,改善模糊控制器的性能。