特异性免疫的遗传算法在神经网络中的应用

基于小生境技术和免疫算法,提出了一种特异性免疫的遗传算法。将该算法应用于神经网络控制器的优化,对非线性系统进行仿真实验,结果表明该方法比传统的控制方法有更好的控制效果。     

基于模糊神经网络和遗传算法的智能控制器

PID控制算法简单、鲁棒性强,但其参数整定过程繁琐,整定时需要控制对象的精确数学模型,而且整定往往是针对某一种具体工况进行的,缺乏自学习和自适应能力.模糊神经网络则兼备了模糊逻辑和神经网络的优点,具有函数逼近功能,具有较强的自适应、自学习能力、容错能力和泛化能力.借助于遗传算法对全局性参数进行优化设计,借助于BP算法对局部性参数进行优化,将模糊神经网络和遗传算法引入PID控制参数的整定过程,构造出一种基于模糊神经网络和遗传算法的智能PID控制器.     

基于神经网络建模和遗传算法的线切割工艺参数模糊优化

针对电火花线切割加工工艺难以获得更优异的工艺参数（如同时得到更快的切割速度和更好的表面粗糙度）等问题，先以神经网络建立模型，然后结合遗传算法和模糊理论求解此多目标优化问题，得到优化的工艺参数。结果显示。取得了较好的效果。     

基于遗传算法和神经网络的冷挤压工艺参数模糊优化设计

将模糊优化思想引入冷挤压工艺参数优化设计,以冷挤压模具的四个关键工艺参数为设计变量,以最终挤压件的各处材料的损伤值为目标函数,建立了冷挤压工艺参数模糊优化模型。提出了利用神经网络进行材料损伤近似计算的策略,从而形成了基于遗传算法和神经网络的冷挤压工艺参数模糊优化方法。对冷挤压工艺参数模糊优化模型进行了求解,优化结果表明模糊优化思想能提高冷挤压工艺设计质量。     

基于遗传算法的高阶模糊BP神经网络在齿轮故障诊断中的应用

将模糊逻辑理论和遗传算法引入高阶BP神经网络中,讨论了高阶模糊BP神经网络的特征值的提取、结构、特点、二阶算法以及遗传算法,并将该神经网络模型用于齿轮的故障诊断中,试验表明基于遗传算法的高阶模糊BP神经网络对齿轮故障模式具有稳定、准确的识别能力,是一种行之有效的新型诊断方法。     

基于改进遗传算法的模糊RBF神经网络控制在液压伺服系统中的应用研究

针对电液伺服系统普遍存在非线性、时变性和不确定性的情况,提出一种基于改进遗传算法的模糊RBF神经网络控制方法。该方法采用模糊RBF神经网络控制实现对液压伺服系统的自适应模糊控制,并将GA的全局寻优及BP局部寻优相结合,克服了单独应用GA算法或BP算法调节模糊RBF神经网络控制器参数存在的缺陷。仿真结果表明,该方法具有很强的自适应性和鲁棒性。     

一种基于自适应模糊神经网络的交通灯控制系统

交通灯控制是智能交通系统的一个重要部分,针对我国中等城市交通流具有模糊性、复杂性的特点,将模糊逻辑和神经网络相结合,采用模糊隶属函数来描述车辆排队长度和绿灯时间,建立了模糊神经网络交通灯信号控制模型。利用神经网络等技术对交通系统进行全局优化调度,并在此基础上形成调度指令,利用模糊控制的方法实现交叉口的交通灯控制。     

免疫遗传算法在机械优化设计中的应用

介绍了遗传算法的特点和不足，分析了免疫遗传算法的原理，并利用其对一个机械优化设计实例进行了仿真计算，结果表明，免疫遗传算法可以有效地避免陷入局部解，对于复杂的机械优化设计切实可行。     

使用混合递阶遗传算法训练径向基神经网络

递阶遗传算法是一种能够同时训练RBF神经网络的结构和参数的有效算法,但收敛速度较慢.这里在分析了RBF网络固有特性的基础上,提出用混合递阶遗传算法是对其进行训练,即对输出层采用最小二乘法,对隐层采用递阶遗传算法,并使用优化后的RBF网络对青霉素生产过程进行了建模,证明其有效性.     

基于数据场聚类的模糊神经网络在发酵过程中的应用

针对传统模糊神经网络方法中模糊规则难以提取、网络结构优化时间过长以及易于早熟的问题,提出了一种基于数据场聚类的免疫模糊神经网络方法.该方法将物理学中场的理念引入到抽象的数域空间,通过模拟对象在虚拟数据场中的相互作用实现数据对象的自组织聚类,提取模糊规则建立初始模糊神经网络模型,并运用免疫遗传算法优化构成隶属函数的网络结构.以实验室赖氨酸发酵过程关键生物量参数软测量为例,进行了仿真验证.结果表明,与常规方法相比,该方法具有较好的建模精度和实用性.     

基于ANN和GA的机床结构优化设计

机床主轴是机床中的重要部件,其设计对机床性能影响很大。在对主轴设计的各项要求中,刚度和振动稳定性是主要考虑的指标,将其归纳在一个含区域和性能约束的主轴结构优化设计数学模型中。借助有限元软件可获得不同主轴尺寸下的各项性能指标,利用人工神经网络(ANN)实现主轴各项性能指标的近似分析,并采用遗传算法(GA)实现了性能指标为设计变量隐式表达下的机床主轴结构优化设计。     

基于模糊基因神经网络的传动设计评价模型的研究

利用模糊数学理论建立了评价语言值标尺,使专家知识的形式化数值表达成为可能。利用神经网络的非线性特性构成了多层次因素事物的评价模型,并建立了包括遗传算法和人工神经网络的混合学习系统,解决了网络设计问题。本评价模型建立的传动设计方案评价系统,使专家评价知识获取手段简化且易于表达,提高了评价结果的正确性。     

基于遗传算法优化神经网络的技术研究

为克服传统BP算法的收敛速度慢和容易陷入局部极小值的缺点,提出了一种基于遗传算法优化的BP神经网络智能诊断技术:采用基于实数编码的遗传算法优化神经网络权值和阈值,代替了原BP网络随机设定的初始权值和阈值,然后再用BP算法对网络进行精确搜索。实验仿真结果表明,用此法优化过的神经网络的训练步数明显减少,诊断准确率达91.7%,泛化能力也得到提高。     

基于神经网络与遗传算法的振动钻削仿真

将人工神经网络与遗传算法相融合,利用遗传算法优化多层前馈神经网络的结构和初始参数,利用多层前馈网络的映射能力进行振动钻削仿真,最后对训练好的神经网络稍加改造,利用BP网的逆映射进行参数优化。试验表明神经网络与遗传算法应用于振动钻削过程仿真是可行的,为振动钻削的研究提供了新的思路。     

遗传算法和神经网络在铁谱图象识别中的应用

针对BP算法在神经网络学习中的一些缺点,将遗传算法应用于BP神经网络的网络学习中,提出了一种BP-GA算法。最后,应用神经网络对铁谱图象进行智能识别,实验结果证明它比单纯的BP算法有更佳的结果。     

模糊神经网络和遗传算法结合的船舶火灾探测

本文提出了一种模糊推理系统、神经网络和遗传霜结合的船舶火灾探测算法。该方法用神经网络来构造模糊推理系统,通过遗传算法对神经网络进行训练来实现船舶火灾的分级报警。仿真结果表明了算法的有效性。     

基于模糊理论、遗传算法和神经网络的切削参数混合智能优化

提出一种基于模糊理论、遗传算法和神经网络的混合智能优化技术,给出优化目标的优化数学模型,详细叙述了遗传算法的寻优过程,模糊理论的应用及神经网络的训练和学习获取优化切削参数的技术,并给出各种优化目标下的切削参数混合智能优化与普通搜索方法的对比实例。     

基于演化计算的RBF网络故障诊断模型及应用

将演化计算方法引入径向基函数(RBF)网络的训练过程,建立一个故障诊断模型,并给出学习训练算法。最后,将其应用于轴承的故障诊断中。