基于人工智能的汽车牌照自动识别技术的研究

提出采用遗传算法作为人工神经网络学习算法,以优化神经网络结构的初值和权系数。实验结果表明,运用GA神经网络进行车牌识别与BP神经网络相比,其收敛性、学习速度和识别精度都有了显著提高。     

基于优化RBF神经网络的并联机器人位姿检测

针对采用遗传算法(GA)学习训练RBF神经网络进行并联机器人位姿检测存在的早熟收敛问题,提出一种交替使用GA和Levenberg-Marquart(LM)算法的混合学习算法,首先运用仅需预先给定基函数宽度的最近邻聚类算法,学习训练得出基函数的中心,然后运用所提出的混合学习算法学习网络,确定RBF神经网络的参数,并最终实现对机器人的位姿检测。仿真结果表明,所设计算法提高了网络学习能力,并最终提高了机器人位姿检测精度。     

遗传小波神经网络在烟机运行状态趋势预测中的应用

本文针对BP神经网络极易收敛于局部极小点、过拟合及网络泛化能力不足等缺点,在构建小波神经网络基础上引入了遗传算法的全局优化搜索来加以优化,建立了基于遗产算法的小波神经网络烟机状态预测模型,得到了更高的学习精度和更快的收敛速度。在MATLAB软件环境下,对燕山石化烟气轮机测得的50个振动烈度值运用BP、WNN以及GA—WNN对比预测。结果表明,GA—WNN模型预测能力较高。     

GA-BP网络在钢轨磨损量预测中的应用

基于GA算法及BP神经网络优点,将GA算法优化的BP网络应用于钢轨磨损量预测。通过赫兹模拟试验方法,在JD-1轮轨模拟试验机上获得不同曲线半径、轴重、运行速度工况下对应的钢轨磨损量,即神经网络所需样本,建立GA算法优化三层BP神经网络,对钢轨磨损量进行预测。结果表明:GA算法优化的BP神经网络对钢轨磨损量具有良好的预测性能,较好地反映了曲线半径、轴重、运行速度对钢轨磨损量的影响规律。     

采用遗传算法的旋转机组状态趋势预测之探讨

探讨了采用遗传算法 (GA)进行旋转机组工作状态趋势预测的新途径 ,指出了适合度的选择是实现 GA算法趋势预测的关键。提出了 GA预测的方案 ,探讨了神经网络 GA预测、时间序列模型 GA预测 ,以及灰色模型 GA预测的适合度选择 ,提供了进行遗传算法预测的操作步骤。     

遗传算法优化的SVM在航空发动机磨损故障诊断中的应用

研究遗传算法(GA)优化的支持向量机(SVM)在航空发动机磨损故障诊断中的运用。介绍基于GA优化SVM算法的实现过程,对算法中关键参数进行分析,并用改进的GA对SVM中的惩罚参数和核参数进行优化。采用GA优化的SVM对某型号航空发动机的油液磨粒数据进行诊断,并从诊断精度、计算时间、抗噪能力三方面比较GA优化的SVM、BP神经网络和RBF神经网络的诊断精度。结果表明:GA优化的SVM能够有效地诊断航空发动机磨损故障; GA优化的SVM的诊断精度明显高于RBF和BP神经网络,且在有噪声的情况下,其诊断准确度依旧高于RBF和BP神经网络,但由于GA-SVM的结构和训练方法其训练时间较长。     

基于GA-BP神经网络的三维点云孔洞修补研究

针对精度要求高的销孔、内腔和复杂型面点云零件的大面积、跨面孔洞修补差情况,提出了一种基于GA(遗传算法)和BP(反向传播)神经网络的GA-BP混合算法,利用GA全局优化的能力,运用GA优化BP的权值和阈值,克服了BP神经网络陷入局部最优解。以挖掘机斗齿为例,利用混合算法GA-BP对三维点云数据不同特征缺失进行修补,实验结果表明,与一般BP神经网络比较,该方法预测精度高,收敛速度快,具有很好的鲁棒性,适用性强。     

基于改进遗传算法的模糊RBF神经网络控制在液压伺服系统中的应用研究

针对电液伺服系统普遍存在非线性、时变性和不确定性的情况,提出一种基于改进遗传算法的模糊RBF神经网络控制方法。该方法采用模糊RBF神经网络控制实现对液压伺服系统的自适应模糊控制,并将GA的全局寻优及BP局部寻优相结合,克服了单独应用GA算法或BP算法调节模糊RBF神经网络控制器参数存在的缺陷。仿真结果表明,该方法具有很强的自适应性和鲁棒性。     

采用“GA+LM”优化BP神经网络的电液伺服阀故障诊断

针对标准BP神经网络用于故障诊断时学习效率低、收敛速度慢、易陷入局部极小点及对初始参数较为敏感等不足,提出了一种组合优化的方法,即采用遗传算法（GA）确定BP神经网络的最佳初始权值矩阵,以规避BP神经网络对初始参数较为敏感的不足;应用LM（Levenberg-Marquardt）算法在局部解空间里对BP神经网络进行精确训练,搜索全局最优解。该方法在保留BP神经网络的广泛映射能力的前提下,提升了网络的学习速度和精确搜索能力,进而大幅提高了基于BP神经网络的电液伺服阀故障诊断的效率和精度。通过对MOOG D761-2716A机械反馈伺服阀进行故障诊断,进一步说明了该方法的实用性和高效性。     

GA和BP神经网络在电池散热中的应用

针对电池散热问题,利用GA与BP神经网络对电池间隙与进风口风速进行了优化并利用FLUENT进行了仿真验证。为了获取较高泛化能力的BP神经网络,在建立能反映电池组间隙、进风口风速与电池组最高温度关系的神经网络的同时,利用GA对BP神经网络的初始权值阈值进行了优化,并对训练好的神经网络进行寻优求解,获得最高温度最低时所对应的电池间隙和进风口风速。在此基础上进行仿真验证,仿真结果与寻优结果基本一致,电池组流场平稳,温度得到有效降低且与预测温度基本差别不大。