遗传算法优化神经网络的拓扑结构与权值

遗传算法(GA)和人工神经网络(ANN)的相互结合有辅助式和合作式两种方式.本文在此基础上提出了融合、BP_GA和GA_BP三种算法,并采用GA_BP算法同时优化BP神经网络的结构、权值和阈值,研究和实现了一套先进的编码技术和进化策略,克服了传统BP神经网络经验尝试方法的盲目性.实例优化与检验结果表明:遗传算法优化获得的神经网络比由经验尝试法得到的BP网络性能更优异,方法更合理.     

遗传算法构建的神经网络及在机械工程中的应用

在分析遗传算法和神经网络优点的基础上,采用遗传进化的方式自动获得神网络的结构、权值和阈值．提出了构建神经网络模型参数的遗传算法分区编码方案,构建了适应度函数并依据个体适应度值的大小动态调整隐层节点及连接权个数的方法,给出了整体算法过程．采用该方法构建的神经网络计算两自由度的机械手参数,并通过实例仿真与常规凭经验构建网络结构及采用BP学习算法相比较,采用遗传算法构建的神经网络具有仿真精度高、占用资源少、计算效率高等优点．     

利用自适应遗传算法实现模拟电路自动设计

简述模拟电路进化设计的研究现状,提出一种新的自适应遗传算法．利用基于典型电路结构和元件取值标准化的高效编解码方案,以及权值动态调整的多目标适应度评估方法,考虑基因位影响力并跟踪进化进程的遗传参数调整策略等,可根据设计目标自动优化元件的类型和取值．这种新方法能显著减小运算量,提高设计结果的实用性．     

一种混沌对角递归神经网络混合学习算法研究

针对一种混沌对角递归神经网络辨识,提出了一种混合学习算法。首先,采用遗传算法来获得混沌对角递归神经网络的拓扑结构和连接权值的全局次优解。之后,用混沌BP算法对网络的连接权值进行精调。最后,将这种混合优化算法应用到非线性时间序列的建模中。仿真结果表明了模型和算法的有效性。     

基于竞争协同进化的改进遗传算法

针对标准遗传算法中的早熟收敛现象,提出一种基于竞争协同进化的改进遗传算法.该算法根据个体与对手竞争的表现来衡量个体的生存能力,生存能力由个体所击败对手的数量和优秀程度决定,个体在击败更多更优对手的努力中逐步进化.函数优化实验结果表明,该算法收敛速度快,且能有效保留种群多样性,与标准遗传算法及其他多种群遗传算法相比,能有效减轻早熟收敛现象.     

基于遗传算法的小波神经网络交通流预测

城市交通流的运行存在着高度的复杂性、时变性和随机性，实时准确的交通流预测是智能交通系统，特别是先进的交通管理系统与先进的出行者信息系统研究的关键．基于交通流预测的特点，给出了基于遗传算法的小波神经网络的交通预测模型GA-WNN，用具有自然进化规律的遗传算法来对小波神经网络的连接权值和伸缩平移尺度进行前期优化训练，部分代替了小波框架神经网络中按单一梯度方向进行参数优化的梯度下降法，克服了单一梯度下降法易陷入局部极小和引起振荡效应等缺陷．仿真实验验证了GA-WNN预测模型对短时交通流的预测的有效性．     

基于两级进化的BP网络自动生成技术

文章提出了一种新的优化神经网络结构及权值的方法——两级进化的方法.一级进化网络的结构;一级进化网络的权值.并且在算子的设计上提出了一种新的变异算子——反向变异算子.仿真结果表明,该算法取得了预期的效果.     

基于遗传神经网络的GPS高程转换方法

将遗传算法和神经网络智能技术相结合,利用神经网络作为模型,以遗传算法作为权值进化算法进行GPS高程转换,提出了该算法的基本思想和算法实现过程,并通过实例进行计算,结果表明该算法用于GPS高程转换具有较好的精度。     

基于混合免疫协同进化算法的模糊-PI优化控制

针对遗传算法诸如局部搜索能力差、早熟收敛、“退化”现象等问题，在协同进化算法(CA)的基础上融入传统的单纯形算法，同时引入免疫算子来防止“退化”现象，提出了混合免疫协同进化算法(HICA)，并设计了一种自适应交叉、变异算子以提高算法的运算效率；应用HICA对模糊 PI控制器的各个参数进行协同优化，设计了体现控制器综合性能指标的目标函数，仿真结果表明：提出的基于HICA模糊 PI控制优化方法可以获得满意的控制效果.     

遗传神经网络在邮件过滤器中的应用

针对目前反垃圾邮件技术的缺点,提出一种基于遗传优化神经网络的垃圾邮件过滤器模型,利用遗传算法全局搜索能力优化神经网络连接权值,克服神经网络局部极小值点问题,提高神经网络的学习速度和识别能力。通过对遗传算法和人工神经网络算法的实现,证明它们在垃圾邮件过滤器中有很好的应用效果。     

基于遗传算法的神经网络优化的研究

有效地确定神经网络的参数和结构,一直是神经网络研究中的一个难点。遗传算法是一种基于自然选择和自然遗传机理的全局搜索学习算法。本文研究了用遗传算法优化神经网络连接权的思想和方法。实验结果表明,遗传算法为训练神经网络提供了一种新的途径     

基于 ANN 的 FMS 故障诊断模型及其学习算法

讨论了基于前馈型神经网络的ＦＭＳ故障诊断模型，并提出一种用于前馈型神经网络训练的改进ＢＰ算法和基于遗传算法的网络初始点获取策略，给出一种通用前馈型神经网络结构和学习参数自整定学习算法，最后应用上述方法建立了基于前馈型神经网络的ＦＭＳ机器人故障诊断模型，并用所提出的新的学习算法对网络进行了学习，与传统ＢＰ算法比较，学习速度较快，且不易陷入局部极小点     

基于模糊加权论证方法的模糊神经网络

在‘Mamdani'论证方法的基础上提出改进的模糊加权推理方法.模糊神经网络是以改进模糊加权论证方法为基础发展起来的.网络加权和成员函数最优化的相互匹配在应用发展规则系统的条件下进行.模糊规则可根据网络加权而获得,网络模型的有效性和最优化程度可以由仿真实验检验.     

遗传神经网络在滑坡灾害预报中的应用研究

针对传统BP算法易收敛于局部最优以及网络结构难以确定等问题,引进遗传算法进行混合建模.采用遗传学习算法和误差反向传播算法相结合的混合算法来训练前馈人工神经网络,即先用遗传学习算法进行全局训练,再用BP算法进行精确训练,使网络收敛速度加快并避免陷入局部极小.文中结合实例,对BP神经网络,遗传算法改进的神经网络进行了比较分析.实验表明,利用改进的混合模型可以提高预测精度,缩短收敛时间.     

基于模糊理论和遗传算法的神经网络权值优化

基于遗传算法的神经网络权值优化的研究和应用,已经得到了很大的发展.但是现有的算法仍存在一些缺陷,容易陷入局部解且收敛缓慢.为此结合模糊理论提出了一种改进的遗传算法来实现神经网络的权值优化,并用实例证明了此算法的可行性和有效性.     

基于GA-BP神经网络的双目摄像机标定

为克服传统BP算法收敛速度慢、易陷入局部极小等缺陷,本文利用遗传算法的全局寻优能力对神经网络的初始权和阈值进行优化,并将其运用到摄像机BP神经网络标定.采用遗传算法构建的神经网络,在不增加网络结构复杂度的情况下,大大提高了样本训练的精度和成功率,保证了网络的泛化能力.实验结果表明,该算法具有较高的标定精度,而且可行.     

用优化参数降低芳烃抽提过程中丁烷的损耗量

针对如何降低芳烃抽取过程中的丁烷消耗问题，提出优化过程操作参数的解决方法．其中优化问题的模型用人工神经网络来描述，优化方法采用遗传算法．介绍了人工神经网络建模的过程和遗传算法寻优的步骤．     

基于神经网络的模拟电路故障诊断

针对目前模拟电路故障诊断中存在的容差和非线性特性所带来的诊断难点,提出了一种基于LM算法的神经网络故障诊断方法;主要包括故障特征的选取以及神经网络的建立.其中网络隐含层节点数的选取采用黄金分割优选法.试验仿真表明,LM算法明显提高了网络训练速度,减少了训练时间,其效果优于标准BP算法,可有效提高故障诊断性能.     

基于GA的模糊神经网络控制

在详细论述模糊神经网络技术基础上,提出了基于GA的模糊神经网络控制器构造方法.选择MATLAB作为开发工具,使用所提供的神经网络和模糊逻辑工具箱,完成了基于GA的模糊神经网络控制器设计,并应用ActiveX技术在虚拟测控系统中实现了对其的调用.     

基于粒子群-BP神经网络算法的电价预测

为了解决现有电价预测中BP神经网络法对初始权值敏感、易陷入局部最小值和收敛速度慢等问题,在神经网络训练中引入基于全局随机优化思想的粒子群优化(PSO)算法,先利用PSO优化BP神经网络的初始权值,然后采用神经网络完成给定精度的学习,建立了粒子群-BP神经网络模型.与传统BP神经网络、粒子群广义神经网络相比,该方法收敛速度快、所需历史数据少、预报精度高,可用于电力系统的短期电价预测.