b人工神经网络学习策略自适应递阶遗传算法BP算法

在自适应递阶遗传算（AHGA）中融入BP操作可以在对神经网络结构进行优化的同时，充分利用遗传算法的全局寻优能力在大范围内搜索可能的误差极值区域，并利用BP算法沿误差最速下降方向在极值点附近快速搜索，从而达到全局最优和快速搜索的有机结合。通过对混沌时序信号的预测，表明了混合学习策略在较大程度上改进了神经网络的学习性能和泛化能力。     

模糊逻辑系统的GA+BP混合学习算法

提出一种在GA中融入BP算法的混合学习算法以实现模糊逻辑系统的自学习,利用遗传算法的全局最优性在大范围内搜索可能的极值,而用BP算法的误差梯度下降特性在极值点附近的快速搜索,从而达到了全局最优与快速搜索的有机结合,仿真结果表明,这种混合算法的学习效率无论是相对于GA还是BP均有显著提高。     

GA-BP神经网络的非线性函数拟合

由于BP神经网络具有良好的非线性映射能力,但在极值寻优时易陷入局部极值。本文利用具有全局搜索寻优的遗传算法优化BP神经网络(GA-BP),用于非线性函数拟合,弥补了BP网络寻优时的缺点。通过实例比较分析,GA-BP神经网络明显地提高了拟合精度,也使模型具有较强的应用性与推广性。     

增强现实系统中磁力跟踪器的校正

提出了利用BP神经网络对跟踪器进行校正。针对神经网络训练速度慢、容易陷入局部极值的情况，首先利用具有良好全局搜索能力的遗传算法来优化BP神经网络的各层初始权值和阈值，为后续神经网络的搜索定位出一个优化的搜索空间。实验结果表明，利用该遗传神经网络方法进行跟踪器校正，能够显著提高增强现实系统的精度，有助于提高增强现实系统的真实感。     

基于混沌遗传算法的模糊CMAC控制

分析CMAC神经网络和模糊控制的特性,给出了一种能反映人脑认知的模糊性和连续性的模糊CMAC神经网络控制器,该控制器采用高斯函数作为模糊隶属函数,利用神经网络实现模糊推理并可对隶属函数进行实时调整,从而使其具有学习和自适应能力;针对BP算法易陷入局部极值点的缺点和简单遗传算法局部搜索能力差的不足,提出了一种混合学习算法,即首先利用混沌遗传算法全局搜索的特点来离线优化神经网络的参数,再利用BP算法较强的局部搜索能力对网络参数进行在线调整;仿真结果表明了该方法的可行性和有效性.     

遗传算法优化神经网络权值盲均衡算法的研究

将遗传算法与神经网络盲均衡算法相结合,提出了两段式优化神经网络权值的方案。首先利用遗传算法全局搜索能力强的特点优化初始权值,然后发挥BP算法局部搜索速度快的特点得到最佳权值。经计算机仿真表明,该算法与传统BP神经网络盲均衡算法相比,收敛速度加快,稳态剩余误差减小,误码率降低。     

改进型遗传算法在故障诊断中的应用磁

遗传算法优化后的 BP 神经网络具有较好的全局搜索能力,但在迭代后期要求有较好的局部搜索能力,因此,通过对遗传算法进行改进,来平衡系统的全局搜索能力和局部搜索能力。实验表明,改进后的遗传算法能对各种故障进行可靠的分类,有效地提高了故障诊断的效率和准确度。     

改善遗传神经网络收敛性的研究

针对BP神经网络中采用的梯度下降法局部搜索能力强、全局搜索能力差和遗传神经网络中采用的遗传算法全局搜索能力强、局部搜索能力差的特点,提出了一种集梯度下降法和遗传算法优点为一体的混合智能学习法(Hybrid Intelligence learning algorithm),简称HI算法,并将其应用到优化多层前馈型神经网络连接权问题。对该算法进行了设计和实现,从理论和实际两方面证明混合智能学习法神经网络与BP神经网络和基于遗传算法的神经网络相比有更好的运算性能、更快的收敛速度和更高的精度。     

无标定图像视觉伺服控制方法研究

针对视觉伺服控制识别速度慢、精度低的问题，提出一种基于反向传播(BP)神经网络和遗传算法的视觉伺服控制算法。该算法对机器人与图象复合雅可比矩阵建模得到初始的BP神经网络视觉伺服控制器，采用遗传算法对控制器的初始权重和阈值进行训练，得到混合优化的视觉控制模型。该算法可以有效地将遗传算法良好的全局搜索能力与BP神经网络的精确局部搜索功能相结合。实验结果表明，收敛速度加快的同时误差下降为原来的4.6%,为机器人控制提供了一种简单有效的方法。     

基于改进遗传算法的模糊神经网络控制器的设计

为了充分利用遗传算法的全局搜索能力和BP算法的局部搜索能力,提出了1种基于改进遗传算法的模糊神经网络控制器的设计,并通过对二阶系统模型的仿真,证明基于改进遗传算法的模糊神经网络控制器比常规的模糊神经网络控制器具有更好的控制性,具有更大的实用性。     

遗传算法与BP神经网络相结合的说话人识别系统

基于BP神经网络的说话人识别系统是目前说话人识别中的一种主要模型,但BP神经网络通常难以确定隐含层单元的数目,且收敛速度慢。针对此缺点,提出了一种基于遗传算法（GA）的说话人识别BP神经网络优化方案,该方案利用混合编码的GA对神经网络的连接权和结构进行了优化,可以有效地剔除整个网络冗余节点和冗余连接权,方案利用了BP神经网络的并行性和GA的全局搜索能力,显著地改善了网络的处理能力。实验表明：基于混合编码GA的BP神经网络具有快速学习网络权重的能力,识别率高,是说话人识别的一种有效可行的新方案。     

变尺度混沌算法的BP网络优化*

采用变尺度混沌优化方法代替梯度下降法融入BP神经网络,在优化搜索过程中不断缩小搜索空间,克服了标准BP算法易陷入局部极小的缺点,能有效地寻找到BP神经网络权值的全局最优值。此外,进一步提出变尺度混沌优化与梯度下降法有机结合的算法,能有效缩短单一的变尺度混沌优化BP算法的训练时间。仿真结果表明,改进的BP神经网络具有实现简单、寻优性强和优化效率高等特点。     

前馈神经网络的混沌BP 混合学习算法

简要分析由Logistic映射产生的混沌数以及不同混沌序列之间的概率统计特性，为混沌全局性搜索提供了依据．将一种快速BP算法与混沌优化相结合，提出了混沌BP混合算法，由于混沌Logistic映射的遍历性、随机性，使得混合算法收敛速度快，且具有全局性，采用混合算法对XOR问题和非线性函数进行仿真，结果表明该算法明显优于标准BP算法和快速BP算法。     

基于PSO算法和BP神经网络的PID控制研究

针对PID控制中的参数整定的难点及基本BP算法收敛速度慢、易陷入局部极值的问题,提出利用PSO算法的全局寻优能力和较强的收敛性来改进BP网络的权值调整新方法,从而对PID控制的比例、积分、微分进行优化控制。该方法是在基本BP算法的误差反向传播的基础上,使粒子位置的更新对应BP网络的权值和阈值的调整,既充分利用了PSO算法的全局寻优性又较好地保持了BP算法本身的反向传播特点。仿真结果表明基于PSO算法的BP神经网络的PID优化控制具有较好的性能和自学习、自适应性。     

基于融合算法的测试优化选择问题研究

测试优化选择是个集覆盖问题,而启发式算法是求解集覆盖问题的有效方法。文中将遗传算法、BP神经网络和模拟退火算法进行融合,提出了一种融合算法,该算法充分利用遗传算法全局搜索能力强、BP神经网络训练能力强和模拟退火算法搜索速度快的优点,既避免陷入局部最优的现象,又提高了搜索的效率和精度。该算法已应用于求解测试优化问题。实例证明,该算法能够快速有效地求得测试优化问题的最优解。     

遗传算法和BP网络在电池电量预测中的研究

蓄电池剩余容量为汽车可持续行进提供有力的判据，所以，对它的准确估计有重要的意义。该文在BP网络的基础上采用一种组合方法对荷电状态进行预测；并利用BP网络学习能力与泛化能力满足的不确定关系确定隐层节点数；利用遗传算法，确定初始权值和阀值，使网络的初始条件得到优化，使神经具有更好的收敛速度和收敛质量；通过实验表明网络不仅收敛速度快，而且易达到最优解，证明网络对MH—Ni电池剩余电量的预测是有效的。     

Fast Learning Algorithms for Feedforward Neural Networks

In order to improve the training speed of multilayer feedforward neural networks (MLFNN), we propose and explore two new fast backpropagation (BP) algorithms obtained: (1) by changing the error functions, in case using the exponent attenuation (or bell impulse) function and the Fourier kernel function as alternative functions; and (2) by introducing the hybrid conjugate-gradient algorithm of global optimization for dynamic learning rate to overcome the conventional BP learning problems of getting stuck into local minima or slow convergence. Our experimental results demonstrate the effectiveness of the modified error functions since the training speed is faster than that of existing fast methods. In addition, our hybrid algorithm has a higher recognition rate than the Polak-Ribieve conjugate gradient and conventional BP algorithms, and has less training time, less complication and stronger robustness than the Fletcher-Reeves conjugate-gradient and conventional BP algorithms for real speech data.     

利用单形进化优化的BP神经网络学习算法

在BP神经网络训练算法中,针对权值的优化学习容易陷入局部极值点、收敛速度慢等问题,很多研究引入智能优化算法对其进行改进,但传统的智能优化算法通常有多个控制参数,若不能正确选取参数,或者没有适当选择初始点位置,则很难搜索到最优的神经网络权值。为了解决这些问题,提出一种基于单形进化的BP神经网络学习算法,它通过全随机搜索减少算法的控制参数,利用群体的多角色态保持粒子的多样性,避免算法陷入局部的极值点,减少了对初始值的依赖。在应用中,将该算法应用于神经网络的训练算法中,通过对UCI数据集和人脸图像的测试,实验结果表明,上校算法训练的神经网络有效提高了识别率与训练效率。