自适应递阶遗传算法优化BP网络的程序设计

主要阐述了一种新的遗传算法-自适应递阶遗传算法的基本原理,解决了长期以来无法同时对神经网络拓扑结构和神经网络的权值和阈值进行优化的问题,设计了一个基于自适应递阶遗传算法的BP神经网络学习算法,给出了具体的程序设计,并且利用MATLAB平台进行仿真计算.实验结果表明,该算法比一般遗传算法具有明显的优越性,可以避免神经网络陷入局部最优,迅速优化网络的拓扑结构,提高了网络的学习性能,具有一定的实用性.     

采用双折线步方法的傅里叶神经网络

目前神经网络已经成为解决非线性系统辨识问题的一类有效的方法,但是常用的多层感知器存在网络稳定性差、收敛速度慢的问题.在多层感知器和傅里叶级数基础上提出的傅里叶神经网络具有较好的泛化性、模式识别能力,但其学习算法主要采用最速下降法,易产生陷入局部极小,学习速度慢等问题.提出一种采用双折线步方法的傅里叶神经网络,避免了局部极小问题,且具有二阶收敛速度.通过相应的数值算例验证新算法的性能,并应用于非线性系统的识别问题中,其结果和几类经典的神经网络算法做了相应的对比和分析.     

基于遗传算法的神经网络性能优化

遗传算法是一种典型的进化算法。文中分析了遗传算法的特点和神经网络的特点,从而得出了把两种算法结合起来进行应用的思想。运用理论对比的方法,阐明了用遗传算法进行神经网络性能优化的原因,并得出结论,认为用遗传算法进行神经网络性能优化促使了神经网络更进一步的应用。阐述了遗传算法优化神经网络的两种主要方法,论述了遗传算法和神经网络的发展现状和将来的研究动向。     

基于遗传算法优化投影寻踪技术的神经网络集成模型及其应用

首先利用遗传算法优化的投影寻踪技术对神经网络学习矩阵降维,再利用Bagging技术和不同的神经网络学习算法生成集成个体,并再次用遗传算法进化的投影寻踪技术对神经网络个体集成.建立基于遗传算法优化的投影寻踪技术神经网络集成模型,通过上证指数开盘价、收盘价进行实例分析,计算结果表明该方法具有较好的学习能力和泛化能力,在股市预测中预测精度高、稳定性好.     

感知器在语言模型训练中的应用

感知器（perceptron）是神经网络模型中的一种,它可以通过监督学习（supervised learning）的方法建立模式识别的能力．将感知器应用到语言模型的训练中,实现了感知器的两种不同训练规则以及多种特征权值计算方法,讨论了不同的训练参数对训练效果的影响．在训练之前,使用了一种基于经验风险最小化（empirical risk minimization,ERM）的特征选择算法确定特征集合．感知器训练之后的语言模型在日文假名到汉字（kana-kanji）的转换中进行评估．通过实验对比了感知器的两种训练规则以及变形算法的性能,同时发现通过感知器训练的模型比传统模型（N-gram）在性能上有了很大的提高,使相对错误率下降了15％～20％．     

基于遗传算法的神经网络性能优化

遗传算法是一种典型的进化算法。文中分析了遗传算法的特点和神经网络的特点，从而得出了把两种算法结合起来进行应用的思想。运用理论对比的方法，阐明了用遗传算法进行神经网络性能优化的原因，并得出结论，认为用遗传算法进行神经网络性能优化促使了神经网络更进一步的应用。阐述了遗传算法优化神经网络的两种主要方法，论述了遗传算法和神经网络的发展现状和将来的研究动向。     

一种优化神经网络的教与学优化算法

为了提高BP神经网络的输出精度,提出一种改进的教与学优化算法进行神经网络中的权值和阈值的优化调整.算法对基本的教与学优化算法的“教”阶段和“学”阶段分别进行改进,并提出一种“自学”机制来增强算法的学习能力.通过函数拟合实验和拖拉机齿轮箱故障诊断实验进行算法性能测试,结果表明,与遗传算法和基本的教与学优化算法相比,该算法具有收敛速度快、求解精度高等优势.     

基于预测的遗传算法

遗传算法被广泛应用于解决各类优化问题.常规的遗传算法易于陷入局部最优,其收敛速度也较慢.为了提高常规遗传算法的优化性能,将预测的概念引入遗传算法的循环过程,提出基于预测的遗传算法框架;并以人工神经网络算法作为预测算法,提出了一种基于神经网络预测的遗传算法.通过优化8个典型的函数优化问题,将该算法与常规遗传算法的性能进行了比较;结果显示该算法具有很强的全局优化能力,能有效地增强种群的多样性和进化速度,明显优于常规遗传算法.     

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。     

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.