遗传算法在神经网络中的研究与应用

首先分析了遗传算子对遗传算法的统计学特性的影响,并对十进制遗传算法进行了一定的改进。在此基础上,提出了算法中参数的选择依据,然后将其与神经网络的BP算法相结合,对神经网络的权值进行全局搜索。仿真实验结果表明,该算法具有很好的效果     

遗传算法和神经网络在交通事故预测中的应用

介绍了BP(误差反向传播算法)和GA(遗传算法)以及GA-BP三种神经网络,并以此分别对道路交通事故进行预测。实验结果表明,基于GA-BP算法的神经网络方法应用于交通事故的预测问题,能采用遗传学习算法优化BP神经网络模型的初始权重,即先利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和避免局部极小。GA-BP神经网络在收敛速度和预测精度等方面均优于BP和GA网络,从而为交通部门的未来事故预测提供了一种新的思路与方法。     

改进遗传算法和神经网络在汽轮发电机组故障诊断中的应用

遗传算法是一种模拟自然进化而提出的优化组合算法，是建立在遗传学基础上的参数搜索方法。文章针对多征兆、多故障的汽轮发电机组的故障诊断系统，对采用改进的GA和RBF径向基函数神经网络相结合进行故障模式识别的方法进行研究。仿真表明，该方法对于汽轮发电机组的故障诊断具有较高的实用价值。     

改进遗传算法及模糊神经网络在交流伺服系统中的应用研究

针对交流伺服系统高精度、快响应的要求,提出了基于改进遗传算法(IGA)优化的模糊神经网络控制方案。把神经网络与模糊逻辑控制结合起来,采用IGA算法对模糊神经网络控制器中的参数进行搜索和优化,给出了具体设计方法和优化步骤。实验结果表明:基于IGA算法的模糊神经网络控制方法用于交流调速系统具有较高的精度以及较强的鲁棒性、抗干扰能力等。     

基于遗传算法的模糊神经网络在动态系统辨识中的应用

复杂不规则系统的语言建模构成了许多控制／决策系统的核心问题,模糊逻辑是进行语言建模最有效的方法之一。本文介绍了一种基于模糊逻辑、神经网络和遗传算法的语言建模方法,并给出了新型的混合学习算法,即：首先由自组织算法确定出模糊神经网络的初始隶属度函数;其次由最大匹配因子学习算法完成模糊规则确定;最后提出了一种改进的遗传算法用来优化调节已经获得的隶属度函数。通过具体的仿真实例说明了所提出的建模方法在动态系     

基于遗传算法的神经网络优化在系统辨识中的应用研究

在基于神经网络的系统辨识中,传统辨识方法易陷于局部寻优,或在优化过程中忽略了网络权值和结构的关联性而进行单一优化,这都难以建立精确模型。针对此问题,本文采用遗传算法浮点数编码的方式,同时优化神经网络权值及拓扑结构,设计评估综合性能的适应度函数,求出最优解。最后通过试验仿真,证明此方法的可行性。     

遗传算法与神经网络在照明系统中的应用

该文设计了一种基于Blackfin的BF537数字信号处理器(DSP)的新型太阳能照明系统。它采用Siemens公司的TC35i模块来实现无线通讯,采用BP神经网络在蓄电池的灌充阶段实现了太阳能最大功率点跟踪(Maximum power point tracking,MPPT)。为了解决神经网络不保证收敛的问题,在BP神经网络里还引入了遗传算法,得到遗传神经网络(GA-BP)。最后通过系统的实现与测试,证明了算法的优越性和该系统的实用性。     

遗传算法和神经网络在电站锅炉燃烧优化中的应用研究

燃烧优化技术是实现电站锅炉高效燃烧和污染物控制的最经济、最有效的方法之一。本文首先利用神经网络建立起电站锅炉燃烧特性模型,然后利用遗传算法计算送风调节控制系统最优氧量设定值。仿真结果表明采用本文设计的燃烧优化策略,不仅可以提高燃烧效率而且能有效降低排放烟气中的氮氧化物含量,具有较高的实用价值和广泛的应用前景。     

改进遗传算法和神经网络在电能质量扰动识别中的应用

提出了一种改进遗传算法(IGA).该算法采取了有效的选择和交叉策略,设计了自适应变化的交叉概率和变异概率,以及随进化代数自适应变化的移民算法.该改进遗传算法稳定性和收敛性能较好,将其应用到基于BP网络的电能质量扰动识别中,提高了识别的稳定性和收敛性能,并使基于BP网络的电能质量扰动识别系统更具实用性.文中最后通过仿真计算验证了本文方法的性能.     

基于非参数估计的在线电压预测

随着电网规模扩大、复杂度加深,对在线潮流计算确定节点电压提出严峻挑战,通过电压对无功的响应数据来快速精确预测电压发展趋势具有重要意义。提出基于非参数估计的节点电压快速预测方法,以系统负荷水平、无功激励为输入,节点电压为输出,以均方误差作为电压预测精度的指标,衡量预测效果。最后将该方法的预测结果与传统神经网络、自适应神经网络的预测结果作比较分析。通过IEEE 24节点系统标准算例验证表明,非参数估计方法具有较强的电压拟合能力和外推能力,其预测精度与神经网络算法的预测精度相当。     

基于遗传算法和神经网络的电站锅炉燃烧优化

燃烧优化技术是实现电站锅炉高效燃烧和污染物控制的最经济、最有效的方法之一。本文首先利用神经网络建立起电站锅炉燃烧特性模型,然后利用遗传算法计算送风调节控制系统最优氧量设定值。仿真结果表明采用本文设计的燃烧优化策略,不仅可以提高燃烧效率而且能有效降低排放烟气中的氮氧化物含量,具有较高的实用价值和广泛的应用前景。     

基于遗传模拟退火算法的新安江模型参数优选

结合新安江模型参数的特点,在分析传统遗传算法和模拟退火算法各自优缺点的基础上,将模拟退火算法与传统遗传算法相结合的混合算法运用于新安江模型参数优选中,并应用于实际径流预报。实例表明,该方法能快速地完成参数寻优,并找出较为满意的参数最优解。     

混沌递阶遗传神经网络在组合预测中的应用

分析了几种常见的组合预测方法,针对这些方法的缺点,提出了混沌递阶遗传神经网络的组合预测方法,通过实际应用,并与基于人工免疫算法组合预测和基于标准BP神经网络组合预测进行了比较,表明了方法的有效性和实用性.     

改进遗传神经网络在传感器温度补偿中的应用

精确辨识传感器温度补偿模型对于提高系统测试精度具有重要的意义.神经网络具有良好的自学习、自适应和非线性映射能力,但往往训练速度慢、易陷入局部极小值,而遗传算法具有很强的全局寻优能力,但其局部搜索能力却不足.本文探讨了利用改进遗传算法优化函数链神经网络,以获得全局最优解的方法,并根据多温度条件下的实测数据,对电涡流传感器温度补偿模型进行了有效辨识.结果表明,该方法运算快速、精度高、通用性强,在智能传感器建模与补偿等领域具有良好的应用前景.     

基于参数估计和人工神经元网络的永磁直流电动机故障检测与诊断

将参数估计法和人工神经网络法应用于电动机故障检测与诊断。建立了永磁直流电动机的线性动态增量数学模型。对某一型号永磁直流电动机进行实验,初步验证上述理论应用在电动机故障检测与诊断中的正确性、可行性。     

基于自组织竞争网络的异步电机参数辨识研究

矢量控制系统中的转子磁场定向的精度取决于异步电动机的参数。在传统的利用空载、短路实验测量电机参数方法的基础上,本文提出一种利用变频器自身的资源,不需要外接电路的方案来对电机参数进行辨识。为了克服由于数据采样精度所照成的参数波动较大的缺点,提高所辨识参数的精度,利用上位机中基于自组织竞争神经网络算法对所得参数组进行学习以获得最优参数。试验结果表明:该神经网络可快速收敛,并可抑制参数异常点的干扰,获得较为精确的参数。     

遗传算法与人工神经网络结合在变压器故障诊断中的应用

运用油中溶解气体分析法，在人工神经网络和遗传算法的基础上，建立了变压器故障诊断的神经网络模型。实际测试结果表明这一方法是有效的和可行的。     

嵌入式永磁同步电机离线参数辨识技术

详细介绍了一种永磁同步电机(Permanent Magnet Synchronous Motor,简称PMSM)矢量控制系统电机参数的离线辨识技术.该技术基丁电机的动态数学模型,通过在电机端注入直流或交流电流,测量相应的电压响应,辨识出电机的定子电阻、转子磁链、直轴电感和交轴电感.实验结果证明了该算法的正确性.     

神经网络的柔性改进及其在开关磁阻电机控制中的应用

提出三自由度柔性双极性神经网络的结构、原理以及算法,由于网络多自由度学习的特点,使得其学习能力较传统神经网络大为增强。为了全面研究网络柔性对学习能力及复杂性的影响,将三自由度网络与单自由度网络及两自由度网络进行了比较。在学习逼近开关磁阻电机非线性磁化曲线过程中,基于三自由度的神经网络表现出优良的性能,和传统神经网络及两自由度网络比,其更加柔性的特点可以使网络具有更少的神经元、更快的学习速率。基于所提三自由度神经网络,建立了开关磁阻电机转矩逆模型和磁链模型,构建了电机控制系统,有效补偿了电机的非线性特性。仿真结果表明,基于柔性神经网络的开关磁阻电机控制系统有效降低了转矩脉动,系统运行平滑。     

电力网络支路参数估计新方法

基于新息图法,提出了一种电力网络中支路参数估计的新方法.根据系统中某支路存在网络参数错误时,该支路及其相连支路的新息值比较大的特点识别网络参数错误.然后利用回路新息相角和,估计存在网络参数错误的支路的参数值.该方法辨识和估计网络参数错误较快,且简单有效.通过IEEE-5节点系统算例的计算,表明此方法能够比较准确地估计网络参数错误,并验证了网络参数错误与坏数据、拓扑错误同时发生时该方法的有效性.