基于PSO-BP算法的入侵检测研究

提出基于PSO-BP的入侵检测算法并建立测试模型。用PSO算法优化BP神经网络的权值和阈值,解决其参数设置依赖性问题,充分利用PSO算法的全局搜索性和收敛速度快的特点,克服BP算法的易陷入局部最优、收敛速度慢的缺点。采用KDD CPU99入侵测试数据集进行实验,结果表明,在检测率、误报率、漏报率方面均优于传统BP算法且缩短了检测时间,提高了入侵的检测效率和性能。     

改进EHO算法在无线传感网络入侵检测中的应用

引入象群算法,对无线传感网络入侵检测技术予以优化.在传统算法的基础上加入了飞行及融合粒子策略,以提高象群算法的全局搜索能力和收敛速度.将象群算法与Spark分析相结合,以缩短分类时间、提高稳定性;同时,SVM函数相融合,以增强算法的精准度、降低误报率.象群算法优化模型效能评测结果表明:与传统算法相比,优化后的象群算法入侵检测结果精准度约提高5.548％,平均误报率约降低3.074％,整体稳定性和运行效率有所提高.     

基于支持向量机和遗传算法融合的入侵检测

为了研究网络异常入侵检测问题,将支持向量机(SVM)和遗传(GA)算法融合并应用于入侵检测领域,区分正常和异常的用户行为,实现对网络系统的入侵检测。传统SVM算法易产生训练参数选择不当,难以获得较高的检测效率和分类精度等问题。针对此问题,提出了一种优化的基于SVM-GA融合的入侵检测方法,首先对网络入侵数据进行归一化处理简化输入,然后通过遗传算法对SVM训练参数进行同步优化,最后采用SVM算法对网络数据进行检测,分类识别得到网络入侵结果。仿真实验结果表明,该融合算法训练时间短、检测精度高、误报率和漏报率低,是一种有效可行的入侵检测方法。     

基于粗糙集和改进遗传算法优化BP神经网络的算法研究

针对BP神经网络结构由于特征维数增多变得复杂,以及网络易陷入局部极值点,提出了粗糙集和改进遗传算法结合共同优化神经网络的方法。首先利用粗糙集对样本空间进行属性约简,降低特征维数,进而简化BP神经网络的结构;然后训练过程中先用改进的遗传算法全局搜索网络的权值和阀值,再使用BP算法局部搜索细化,避免网络过早收敛。试验分析证明优化后BP神经网络比传统BP网络的预测精度得到了极大提高,泛化能力得到了增强,说明了该方法的可行性、有效性。     

基于改进遗传算法的BP网络在降雨量预测中的应用

提出了一种改进遗传算法(GA)和BP算法结合的神经网络模型优化方案。首先采用自适应交叉概率和变异概率的遗传算法优化BP网络的权值,在进化结束时,能够寻到全局最优点附近的点;在遗传算法搜索结果的基础上,利用局部寻优能力较强的动量BP算法,从此点出发,进行局部搜索,进而达到网络的训练目标。仿真实验结果表明,在大庆市2000年到2004年6月降雨量的预测方面,遗传算法与BP算法结合的模型预测误差平均为39.13%,标准BP算法的模型预测误差平均为194.66%。说明GA-BP算法模型预报精度较高,预测能力得到了改进。     

基于结构式二进制编码的遗传算法在及其在BP网络中的应用

根据BP网络的拓扑特征,本文设计了基于结构式二进制编码的遗传算法,在该算法中,通过先将庞大的解空间进行分解处理,再将分解后的子空间视为个体进行遗传操作,能借助遗传算法的优势在全局范围内搜索到最优解所在的子空间,从而为下一步应用BP算法进行局部搜索明确了起点,缩小了范围,有效解决了BP算法易陷入局部极小,收敛速度慢甚至不收敛等问题,最后,通过字母识别试验证明了该算法的效率。     

基于免疫遗传算法的煤与瓦斯突出预测研究

根据影响煤与瓦斯突出的各个因素与突出强度之间存在的复杂的非线性映射关系,建立了突出强度预测的BP网络模型.针对BP网络收敛速度慢和易陷入局部极小值及基于遗传算法的BP网络易出现未成熟收敛问题,提出了一种基于免疫遗传算法(IGA)的BP网络,即利用IGA实现对BP网络的优化.IGA在遗传算法(GA)的基础上引入生物免疫系统中的多样性保持机制和抗体浓度调节机制,有效地克服了GA算法的搜索效率低、个体多样性差及早熟现象,提高了算法的收敛性能.结果表明:将基于IGA的BP网络应用于煤与瓦斯突出强度预测,该算法设计的BP网络具有较快的收敛速度和较强的全局收敛性能,在煤与瓦斯突出预测中取得了良好效果.     

神经网络式电力负荷预测的混合计算

针对BP算法存在的缺陷,如训练速度慢,易收敛于局部极小点及全局搜索能力弱等,利用遗传算法能够进行全局最优化搜索这一特点,提出了一种新的用于BP网络训练的混合算法,即遗传算法与改进的BP算法相结合的混合训练方法.将所提出的混合训练方法应用于神经网络式电力负荷预测中,结果表明:所提出的算法与单一的BP算法相比,不仅可避免陷入局部极小点,而且提高了网络的训练速度和负荷预测精度.     

遗传神经网络在铁矿石需求预测中的应用

将遗传算法与BP神经网络结合,利用遗传算法的全局搜索优化BP网络的初始权重,有效地克服了BP算法的局部收敛和收敛速度慢等问题.使用主成分分析法选取输入变量,并将建立的混合模型应用于铁矿石需求预测中.实验表明,该方法改善了预测精度,达到了较好的预测效果.     

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.     

人工肺-嗅觉系统集成与混合气体识别方法

针对仿人机器人的嗅觉及多种混合气体识别问题,提出一种人工肺-嗅觉系统(HALOS-I)及基于主动呼吸的气体识别方法.该系统硬件主要集成了微型真空泵、酒精/硫化氢/氨气/烟雾/甲烷5种气体传感器、单片机以及信号采集与处理电路;分别用K-均值聚类分析法、遗传算法结合神经网络(GA+BP)、三级级联神经网络(GA+3BP)进行了5种单一气体及4种混合气体的识别实验,结果表明:GA+BP算法仅对5种单一气体识别率达到90%以上,加入混合气体后识别率较低;GA+3BP算法除对硫化氢和烟雾的混合气体识别率为70%以外,对其余8种气体识别率均在90%以上,表明GA与多级级联BP神经网络相结合方法对多种单一及混合气体具有较高的识别率.     

基于GIS的河流水体污染非线性预测系统研究

针对河流水体污染物的空间分布特点,提出综合运用GIS、BP神经网络和遗传算法,实现河流水污染的空间数据管理和污染预测的方法。该方法通过改进激励函数、为权值的修正加入动量项等方法改良BP算法;并引入遗传算法实现BP神经网络隐层节点数、最佳学习率和动量因子等参数的自动搜索,有效地解决了传统模型参数难以确定等问题。并进一步将该模型与GIS强大的空间功能结合,实现了水体污染的海量空间数据管理及评价预测结果的空间图形直观可视化表达,十分便于及时掌握河流水体污染动态、空间分布及演化趋势。并最终以GIS为二次开发平台,实现了基于遗传神经网络的河流水体污染非线性预测管理系统,并在长江重庆城区段河流污染预测应用中显示出良好的效果,预测精度达78%以上。     

基于遗传算法的ELMAN网络在非线性系统辩识中的应用

分析了ELMAN网络的基本结构，并讨论了ELMAN神经网络的学习算法，针对BP算法的缺陷，提出了采用遗传算法修正网络的权值的学习算法。最后，利用仿真曲线说明了该方法在高阶次非线性系统中进行了辩识的可行性。     

基于遗传BP神经网络的油气识别

为了建立一种有效的油气储层识别模型,使得能够处理大信息量、复杂样本空间油气信息,本文提出遗传BP神经网络模型,利用遗传算法全局搜索问题解的特性对BP神经网络的权值和阈值进行快速优化,约束BP神经网络训练学习过程。研究表明,相对于传统BP模型,遗传BP模型具有效率高、收敛速度快、适应复杂样本空间和大样本空间训练学习等优点。     

遗传神经网络在模拟电路故障诊断中的应用

对模拟电路的故障诊断,本文采用一种将遗传算法和BP神经网络结合的智能诊断方法-GA-BP算法,实现了模拟电路的故障诊断.该方法采用遗传算法优化神经网络的权值和阈值,代替了原来BP网络随机设定的初始权值和阈值,然后再用改进BP算法进行训练.通过仿真结果比较分析,经过遗传算法优化过的神经网络的训练步教大大减少.克服了传统BP算法的收敛速度慢,容易陷入局部极小值的缺点.     

一种基于特殊个体的改进遗传算法

提出了一种不需要变异操作,只由交换操作就能遍历搜索空间所有状态点的改进遗传算法。这种算法通过在种群中增加两个特殊个体,就足以提供交换所需的基因材料。在计算量上这种算法比简单的遗传算法明显要小,仿真结果证明了这种算法的可行性     

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．     

包装件非线性特性识别的进化神经网络混合方法

提出了一种将遗传算法和BP算法相结合的关于结构化神经网络的混合训练方法 ,并将其用于解决包装件缓冲垫层非线性特性识别问题。在该方法中 ,提出了一种新的自适应变异操作技术及将遗传算法与BP算法进行自适应切换的实施方案。用于两种典型的包装件缓冲垫层材料的模拟识别结果表明 :应用此方法可以有效地解决包装件缓冲垫层非线性特性识别的问题 ,同时也为神经网络的混合训练提供了一种新的可行的途径。     

建筑结构优化设计的改进进退遗传算法

针对遗传算法在迭代过程中经常出现未成熟收敛、振荡、随机性太大、局部搜索能力差和迭代过程缓慢等缺点.提出一种离散变量结构优化设计的进退搜索算法与遗传算法结合在一起解决问题;并提出一种新的遗传算子———转基因算子,用于对遗传算法的改进.结果表明,这种改进退遗传算法即发挥了进退搜索算法省时、高效、局部搜索能力强的特点,又发挥了遗传算法全局性好的特点;采用的改进措施效果明显,其收敛特性得到很好的改善.该算法是高效的理想工程结构优化设计方法.     

应用混合遗传算法的建筑结构优化设计

提出一种离散变量结构优化设计的单向搜索算法并与标准遗传算法结合成混合遗传算法,即发挥了单向搜索算法省时、高效、局部搜索能力强的特点,又发挥了遗传算法全局性好的特点。算例结果表明,该方法能直接计算具有应力约束和截面尺寸约束的离散变量结构优化设计问题,也能处理同时具有稳定约束和位移约束的多工况、多约束、多变量的离散变量结构优化设计问题。这种混合遗传算法优于标准遗传算法和单向搜索算法,是兼二者之长,弃二者之短的高效的理想优化设计方法。