基于遗传神经网络的入侵检测方法研究

首先介绍了人工神经网络和遗传算法的基本原理，进行分析后将这两种方法相结合提出一种GABP遗传神经网络算法及其实现过程，并将其应用于入侵检测中，和传统的BP神经网络相比具有较好的效果。     

基于遗传神经网络成绩预测的研究与实现

针对BP神经网络固有的局限性和在应用于成绩预测时出现的问题,运用遗传算法对BP神经网络的权值和阈值进行优化,通过详细设计遗传算法的编码方式、适应度函数,遗传算子使二者结合后的遗传神经网络模型具有更快的学习训练收敛速度,为了提高优化效果,设计了自适应的遗传算法交叉算子和变异算子,并通过与基本BP神经网络和自适应BP神经网络的对比,显示了优化的有效性和可行性。运用Matlab实现了遗传神经网络模型,并完成了模型的训练,运用Java语言完成了模型的调用和成绩预测系统的实现。分析结果表明,该遗传神经网络模型在成绩预测方面具有较高的准确性,具有一定的实用价值。     

基于遗传BP神经网络的备货型企业销售预测应用

为了提高备货型企业销售的预测精度及速度,笔者提出了将BP神经网络和遗传算法相组合的预测模型。利用遗传算法的全局搜索能力优化BP神经网络优化的初始权值和阈值,然后通过BP神经网络自我学习模式获得预测结果。最后通过实例验证该模型的有效性,把遗传BP神经网络的预测结果与BP神经网络的预测结果进行对比。结果表明,该方法较BP神经网络具有更高的预测精准度,能为企业生产销售及科学管理库存提供科学依据。     

基于GA-BP神经网络的股票收盘价预测

为提高BP神经网络预测股票收盘价的准确性和高效性,文章使用Python语言,通过遗传算法（GA）对BP神经网络算法中的权值和阈值进行优化（GA-BP）,并将优化后的系统用于股票预测当中。优化后的算法收敛速度更快,同时克服了BP算法容易陷入局部最优的缺陷,提高了整个系统的预测精度。最后对股票“千金药业”的仿真结果表明,该方法在股票收盘价的短期预测方面具有一定的应用价值。此外,在对股票收盘价预测过程中,添加输入参数盘口,能够有效降低GA-BP神经网络的预测误差。     

基于遗传神经网络的芯片图像分割

芯片图像分割是上芯机机器视觉系统进行图像处理的重要环节,分割效果直接影响下一步芯片信息的提取。采用遗传算法对BP神经网络的权值和阈值进行优化,避免网络陷入局部最优,使其在全局范围内获得最优解。通过选择实数编码和遗传算子算法控制参数,利用优化后的神经网络对芯片图像进行分割;并用模板匹配法得到分割图像的匹配度,计算其平均值和方差。最后,将该算法与传统分割算法的进行比较,该算法的分割效果优于传统分割效果。     

基于遗传神经网络的电力机车主变流器故障诊断

在变流器的故障诊断系统中,针对BP算法存在收敛速度慢、容易陷入局部极小值的问题,文章采用了遗传算法的选择、交叉、变异过程代替班,神经网络的反向传播过程的遗传神经网络算法。通过仿真试验证明,这种算法具有收敛速度快、推广性强的特点,极大提高了变流器的故障诊断系统的效率和准确性。     

基于遗传算法优化BP神经网络的预测建模

为了进一步提高基于BP神经网络的预测模型精度,本文针对BP神经网络收敛速度慢,参数选择随机等特点,采用了遗传算法对BP神经网络进行优化,并提出了一种基于遗传算法优化BP神经网络的预测模型,从而进一步提高预测模型的预测精度,通过对比未使用遗传算法优化的BP神经网络的预测模型发现基于遗传算法优化BP神经网络的预测模型在提升...     

基于遗传算法的BP神经网络技术应用

目前,传统的BP网络算法可以很精确地接近非线性函数,但是仍然存在着两大缺点,就是收敛速度缓慢与极易陷入局部最小值。而基于遗传算法的神经网络技术的提出可以很好地解决这个问题,通过仿真实验对比之后我们可以发现它能够很好地将两者进行有机融合,加快收敛精度与收敛速度。     

基于多种群遗传神经网络的非线性系统辨识

提高非线性系统的辨识精度,本文提出利用多种群遗传算法对BP神经网络权值进行优化,并将该算法用于非线性系统辨识中,取得了良好的效果。实验证明,与单纯采用BP神经网络辨识方法相比,本文方法对非线性系统有更强的辨识能力。     

基于遗传算法的神经网络集成在人耳识别中的应用

BP神经网络算法存在收敛速度慢和网络泛化能力差的缺点,影响分类识别率。为了提高网络的分类识别能力和泛化能力,在此介绍一种基于遗传算法的神经网络集成方法,即训练出多个个体BP神经网络,利用遗传算法选择差异度较大的个体BP网络进行神经网络集成,再利用该神经网络集成进行分类识别。实验结果表明,神经网络集成可以提高识别率。     

基于GA的BP神经网络在多目标优化中的应用

针对传统多目标优化的求解方法通常存在目标权值主观性大,优化目标仅为各目标加权和以及在求解过程中各目标优化的不可操作性等问题,文中提出了一种新颖的多目标优化算法,其将改进后的遗传算法与BP神经网络融合,提出了基于遗传算法的BP神经网络融合算法。该算法将遗传算法与BP神经网络算法相结合,充分发挥遗传算法的全局搜索能力优势和BP算法的局部搜索能力特点,使得多目标优化问题得以求解,加快收敛速度,从而提高了收敛精度。     

基于RBF算法的机房网络流量预测

摘要：为保证网络通信的正常运行,采用RBF算法预测网络流量的可靠性。以黑龙江科技学院计算机基础实验室网络流量数据为例,根据其在时序上的复杂非线性特征,利用自相关分析技术分析时间序列的延迟特性,确定RBF神经网络的输入／输出向量,建立了基于Matlab6．5环境下的RBF神经网络客运量预测模型。验证结果表明,该模型拟合精度和预测精度较高,计算速度较快。     

组合神经网络的网络流量预测研究

提出一种组合神经网络的网络流量预测模型.首先采用SMOF网络对网络流量数据进行聚类,然后采用Elman网络对聚类后的流量数据进行训练并预测,同时采用遗传算法对Elman网络的网络结构进行优化,提高网络流量预测精度.仿真结果表明,组合神经网络加快了网络流量预测速度,提高了网络流量预测精度,克服了单一预测模型不足,为网络流量预测提供了新的思路,具有很好的应用前景.     

基于GA-BP神经网络的人脸检测

传统的BP神经网络算法收敛过慢、局部收敛不理想,影响其工作性能。针对以上不足以及人脸图像数据大等问题。提出GA-BP神经网络对人脸图像进行检测的新方法:将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,使网络收敛速度加快和避免局部极小。通过实验表明该网络不仅收敛速度快,而且易达到最优解。证明该网络对人脸图像检测具有高的检测精度。     

遗传优化神经网络的网络流量预测

为了提高网络流量预测精度,利用相空间重构和预测模型参数间的相互联系,提出一种遗传算法优化神经网络的网络流量预测模型.首先将相空间重构和神经网络参数进行编码,网络流量预测精度作为目标函数,然后通过遗传算法选择模型最优参数,最后进行网络流量仿真实验.实验结果表明相对传统预测模型,遗传优化神经网络模型具有更高预测精度及稳定性更好.     

基于改进BP神经网络的洪峰预测模型

BP神经网络擅长对数据模型进行预测,通过模拟退火遗传算法的引入,对原始BP网络进行改进,对比分析两种算法的流程及效率,同时在洪峰预测模型上进行试验,观察两者的数据结果,并分析误差和效率,发现改进BP网络优于原始BP网络,在实际工程应用中值得推广。     

基于自适应遗传算法优化BP神经网络

传统的BP算法具有简单可塑的优点,但是存在着容易陷入局部极值、收敛速度慢等无法克服的缺陷。遗传算法是一种全局搜索算法,具有很强的全局搜索能力。因此,文中设计了一种自适应遗传算法优化BP神经网络的方法,并通过对数字信号的实例仿真,证明了经过改进优化后的BP神经网络具有很好的应用前景。     

基于遗传算法和BP模糊神经网络的红外步态识别

为了提高红外步态识别精度的目的,采用分别基于小波描述子特征的模糊分类器识别和基于体形平均灰度图特征的贝叶斯分类器识别,再进行基于遗传算法和BP模糊神经网络的多分类器融合识别的新方法。做了基于中科院红外步态数据库的识别仿真实验,获得识别率、等错误率和累积匹配分值的实验数据及对比结果,得到多分类器融合识别比单分类器识别提高约10%识别率,降低约10%等错误率,完全收敛阶数提高1倍多的结论。具有识别精度高、收敛速度快的特点。