Fourier神经网络非线性拟合性能优化研究

针对采用传统BP(back propagation)算法训练的Fourier基函数神经网络拟合非线性函数容易陷入局部最优、拟合精度较差等问题,提出采用粒子群(particle swarm optimization,PSO)算法优化Fourier基函数神经网络拟合非线性函数的方法。通过引入具有全局搜索能力的PSO算法对Fourier正交基神经网络权值进行优化,达到提高非线性函数拟合精度的目的,并进行实例仿真实验,通过比较PSO和BP算法训练Fourier基函数神经网络的预测输出结果,验证PSO算法拟合非线性函数的优越性。结果表明,经PSO算法优化后的Fourier基函数神经网络学习能力更强,非线性函数的拟合精度更高。     

基于GA-PSO-BP 的大坝变形监测模型

提出了一种基于GA-PSO 混合优化BP 神经网络的大坝变形监测模型, 将遗传算法(GA)和粒子群算法(PSO)的寻优过程进行融合, 利用GA 算法的全局性和PSO 算法收敛速度快的特点,通过迭代选取最优的粒子作为BP神经网络的连接权值和阈值,以减小网络输出误差, 提高其收敛速度和加强网络泛化能力。运用GA-PSO-BP 模型对大坝自动监测数据进行预测分析, 实验结果表明GA-PSO-BP 模型优化了BP 神经网络的连接权值和阈值, 能有效提高网络训练精度与收敛速度, 有效避免早熟收敛, 使模型的整体预测效果得到提高。     

基于遗传和改进布谷鸟算法的BP神经网络建模

针对现代工业系统具有高度非线性的特点,以及采用BP神经网络对非线性系统建模易出现局部最优、过拟合或欠拟合的问题,提出采用遗传算法(GA)和改进布谷鸟算法(CS)优化BP神经网络建模的方法(GACSBP算法)。首先利用遗传算法自适应、全局搜索的特点优化神经网络拓扑结构,避免神经网络建模出现过拟合或欠拟合的问题;然后采用改进布谷鸟算法优化BP神经网络权值,加入惩罚项进一步防止神经网络建模时陷入局部最优。对NACA0012翼型自噪声数据进行建模,仿真结果表明,与BP神经网络相比,提出的GACSBP算法避免了局部最优,明显提高了模型预测精度,且所需迭代次数和时间均明显减少。     

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.     

改进哈里斯鹰优化算法与BP神经网络组合的滑坡位移高精度预测模型

开展滑坡位移高精度预测研究对于滑坡灾害的防灾预警具有重要意义。针对哈里斯鹰优化算法(HHO)搜索精度低且会陷入局部最优的问题,对其进行改进并进一步与BP神经网络组合,同时有效兼顾滑坡外部影响因子,发展了一种改进哈里斯鹰优化算法(IHHO)与BP神经网络组合(IHHO-BP)的滑坡位移高精度预测模型。结合我国典型黄土滑坡——甘肃黑方台党川滑坡HF08、HF05和HF09等3个监测点的北斗/GNSS实测数据,验证了IHHO-BP模型在3个实测数据集中的位移预测精度均优于单一BP神经网络模型,以及哈里斯鹰优化算法、麻雀搜索算法(SSA)、粒子群算法(PSO)、遗传算法(GA)与BP神经网络组合的预测模型。结果表明:引入Levy变异、局部增强和随机化Halton序列种群初始化策略的改进哈里斯鹰优化算法,可有效解决哈里斯鹰优化算法搜索精度低且会陷入局部最优的问题; IHHO-BP模型具有更好的泛化能力,可有效提升滑坡位移的预测精度,该组合预测模型具有更好的推广应用价值。     

基于粒子群的BP神经网络算法在猪等级评定中的应用

现有的在猪等级评定中应用的BP神经网络算法存在对初始权值敏感、易陷入局部最小值等缺陷,从而导致预测精度不高、收敛速度慢的状况。针对该问题,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神经网络相比,该方法预测精度高、收敛速度快,可以有效地运用到猪等级评定中。     

基于实测数据的地铁隧道长期沉降预测模型研究

基于上海地铁二号线的实测沉降数据,运用遗传算法(GA)和粒子群算法(PSO)对传统BP神经网络进行了优化,以弥补BP神经网络在网络结构、权值和阈值选择上的随机性以及容易局部收敛等缺陷,据此提出了两种新型隧道长期沉降预测模型,即GA-BP神经网络和PSO-BP神经网络模型;并对比研究了经验曲线、BP神经网络、GA-BP神...     

基于改进的BP神经网络模型的雷达网效能评估

为拓展雷达网效能评估的内容、改进评估方法和提高评估效率,重构了雷达网效能评估指标体系,给出了各指标的量化模型和方法;针对BP神经网络收敛速度慢、局部极小化问题,提出了利用遗传算法(GA)优化BP神经网络的方法,并采用GA+BP神经网络模型对雷达网部署方案进行了评估优选.仿真结果表明,运用GA算法改进的BP神经网络具有更快的收敛速度和更高的预测精度,可作为雷达网效能量化评估的有效手段,为雷达兵作战筹划提供科学决策依据.     

采用遗传算法的小波神经网络在降雨量预测中的应用

为了提高降雨量预测的精度,提出了一种基于遗传算法(GA)优化小波神经网络(WNN)的降雨量预测方法.依据邯郸市1956—1998年历年的降雨量构造了两类不同的训练样本,分别利用BP神经网络、小波神经网络和遗传小波神经网络(GA-WNN)对7月份的降雨量进行了预测.仿真结果表明,遗传小波神经网络克服了BP算法容易陷入局部最优的缺点,提高了预测精度,为降雨量预测提供了一种新方法.     

采用BP-ANN和改进SVR的进水BOD软测量模型

进水水质条件是研究和优化管理污水处理厂所需的关键要素,及时获取进水水质数据至关重要.针对污水厂关键性水质指标BOD5不易直接检测、滞后强的特点,分别采用BP神经网络(BP-ANN)、网格搜索算法(GS)优化支持向量回归(SVR)、粒子群算法(PSO)优化的SVR和遗传算法(GA)优化的SVR 4种方法,通过利用其他进水...     

BP神经网络的遗传优化及其应用研究

针对BP神经网络具有训练速度慢、容易陷入局部极小值的特点,在分析其训练算法本质的基础上,提出将遗传算法（GA）引入神经网络训练,优化神经网络的权值和闽值,充分发挥遗传算法的全局寻优能力和BP算法的局部搜索优势,形成了一种新的GA—BP神经网络．应用实例仿真结果表明,GA—BP神经网络具有全局搜索、快速收敛的特点,建立的模型具有较高的预测精度和良好的泛化能力．     

基于遗传算法的煤与瓦斯突出影响因素研究

针对采用BP神经网络对煤与瓦斯突出预测时的过学习现象,引入遗传算法对煤与瓦斯突出的影响因素进行选择,并建立了以筛选出的变量作为输入的优化BP网络预测模型.遗传算法中染色体采用二进制编码,个体适应度函数引入了惩罚函数,并对基本遗传算法的遗传操作算子进行了一定的改进,最后利用平煤八矿煤与瓦斯突出的实测样本,在MAT-LAB2009b环境中对上述算法进行仿真研究.结果表明,以遗传算法筛选出的变量作为输入建立的预测模型的输出结果的拟合效果变好,预测精度提高,建模时间缩短.     

基于GA-BP的混凝土抗压强度预测研究

研究如何利用BP神经网络建立多因子混凝土抗压强度BP预测模型。针对BP网络收敛速度慢和难以获得全局最优的缺点,提出利用遗传算法优化BP神经网络初始权值和阈值,建立混合GA-BP预测模型。模型以每立方混凝土中水泥、高炉矿渣粉、粉煤灰、水、减水剂、粗集料和细集料的含量以及置放天数作为输入参数,混凝土抗压强度值作为输出参数。...     

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.     

一种结合改进遗传算法和BP神经网络的图像压缩算法

针对LM（Levenberg—Marquardt）算法的缺陷,提出一种使用改进的遗传算法和LM算法优化神经网络的混合学习算法（GA-LMbp）。该算法先通过改进的遗传算法粗调得到一组全局最优近似解（即BP网络的初始权值和阈值）,再以该近似解为初值,用LM算法优化BP网络进行图像压缩处理。实验结果表明,新算法提高了网络的学习能力和收敛速度,避免了LMbp陷入平坦区或局部极小值。     

基于优化BP网络的液体管道工况识别方法研究

利用环道实验装置模拟实际管道的不同工况,应用小波分析对原始信号降噪,并利用基于核的主成分分析方法（KPCA）提取处理后泄漏信号的时频域特征值,得到神经网络最终输入向量。由于传统BP神经网络在进行工况识别时容易陷入局部极小值,因此利用遗传算法（GA）和粒子群算法（PSO）对BP神经网络进行优化。结果表明,两种优化后的神经网络相较传统BP神经网络具有更强的识别泄漏工况能力。最后从测试准确度和训练时间两个方面,对两种不同优化算法进行对比并提出其不同的适用情况。     

遗传神经网络在输电线路可靠性评估中的应用研究

为了改善当前输电线路可靠性评估中的人为主观局限性,文中首次将遗传神经网络运用于输电线路可靠性评估中．利用BP神经网络的自学习、自适应、强容错性,通过遗传算法（GA）优化BP神经网络的权值和阈值．弱化了评价体系中的人为因素,解决了BP神经网络易陷入最小值点及收敛速度慢的问题,相比神经网络,遗传神经网络的仿真次数减少了3014次．实例仿真研究表明,该评价方法在输电线路的可靠性评价中取得了很好的评价效果,很好地克服了人为主观局限性,其精度达到了90％以上．     

变照度下的视觉测量系统误差建模

针对二维视觉在线测量工件时,照度变化因素导致测量误差的问题,提出基于遗传算法优化的最小二乘支持向量机（GA-LSSVM）,建立照度误差模型的方法. 分析视觉测量系统的误差来源,通过最小二乘法分析照度影响下的误差规律. 利用照度变化误差实验,获得照度和测量系统的误差数据,分别训练GA-LSSVM、支持向量机（SVM）以及BP神经网络,建立照度和测量系统误差模型,对系统测量误差进行预测. 结果表明：在变照度测量误差预测模型中,GA-LSSVM模型、SVM模型及BP神经网络模型的预测精度分别为94.90%、90.23%及80.60%. 这表明遗传算法优化的最小二乘支持向量机建立的变照度误差模型,在拟合和预测精度上优于传统的BP神经网络.     

变尺度搜索遗传算法在神经网络训练中的应用

为解决传统的BP学习算法因采用梯度搜索技术而具有的收敛速度慢、容易陷入局部极小等缺点，提出了一种基于多参数空间快速搜索遗传算法的网络权值优化方法.该方法采用误差均分的变尺度搜索技术来训练网络权值，将网络权值的训练转化为多参数空间的寻优问题.训练实例对比结果表明，由于采用了并行计算及变尺度搜索技术，该算法不仅收敛速度快，网络逼近精度高，而且能实现全局最优，克服了BP算法易于陷入局部极小的问题，说明了该方法的有效性.