不确定混沌系统的差分进化小波神经网络控制

提出一种基于小生境自适应差分进化小波神经网络（NADE-WNN）的方法对不确定混沌系统进行控制。该方法利用小波神经网络学习未知模型混沌系统的动态特性并实施控制,为提高神经网络的学习精度和收敛速度,采用小生境自适应差分进化算法同时优化小波神经网络的结构和参数,简化网络结构,提高网络的学习精度和全局收敛性。仿真实验结果表明,在有外部干扰和参数摄动的情况下,NADE-WNN仍能对不确定混沌系统进行有效控制,且网络结构、控制精度和收敛速度都优于传统神经网络。     

小波神经网络在微弱信号检测中的应用

因为噪声总是会影响检测的结果,所以低信噪比下的信号检测是目前检测领域的热点,而强噪声背景下微弱信号的提取又是信号检测的难点。小波神经网络比数字滤波器更加适合检测微弱信号。小波神经网络是一种时频分析的自适应系统,它能检测信号中的微小变化。该文提出了一种新的检测白噪声中微弱信号的方法。仿真结果表明,小波神经网络在检测微弱信号的特征和改善信噪比方面是一种十分有效的方法。     

改进差分进化算法优化BP神经网络用于入侵检测

为解决BP神经网络应用于入侵检测时检测率较低、训练时间过长的问题,对改进差分进化算法(SAMDE)优化BP神经网络并用于入侵检测的可行性进行研究。该算法引入模拟退火算法(SA)和一种融合DE/rand/1与DE/best/1的变异算子对差分进化算法进行改进以提高其全局寻优能力。用改进后的算法优化BP神经网络权值阈值。通过逐次的迭代训练使BP神经网络收敛,将优化过的BP神经网络用于入侵检测。仿真实验结果显示,优化的BP网络在收敛速度和精度方面有明显提升,用于入侵检测时提高了检测准确率,缩短了训练时间。     

小波算法在火焰特征信号提取中的应用

由于目前炉膛火焰检测系统特征信号提取难度大、容易误判,本文通过对炉膛煤粉燃烧试验数据的采集与分析,提出利用小波算法提取特征信号,并借助神经网络对燃烧状况进行识别.实验证明该方法能弥补传统火焰检测方法的不足,提高燃烧状况识别的准确度.     

自动控制在弱信号检测中的应用

系统分析了自动控制在弱信号检测中的作用和特点，自动控制在弱信号控制中可以消除噪声（扰动）和消除噪声对测量的影响。前者与常规自动控制没有多少特殊性。后者利用自动控制方法补偿噪声对测量的影响，其测量部分与主测量部分共用一个传感器，信号和噪声影响的分离通常在频域进行。因此，自动控制系统的特征频率ω应满足ωＮ〈ωＣ〈ωｓ，其中ωＮ是要消除噪声影响的特征频率，ωＳ是信号特征频率。本文同时给出以消除传感器非线     

小波神经网络算法在区域需水预测中的应用

将神经网络和小波分析理论相结合建立小波神经网络模型,在网络参数训练中采用进化算法,设计小波神经网络进化算法步骤。通过对应用于盐城市在未来2010年需水预测的实例进行计算分析,结果表明了该模型具有良好的可行性和合理性,可以借此深入分析外生输入变量与区域需水量之间的关系。     

自适应差分进化算法在入侵检测中的应用

针对开放式的网络环境要求入侵检测系统能够实时高效响应的问题,本文提出了一种自适应的差分进化算法ADE,用于入侵检测的特征选择.算法对网络数据的混合属性进行预处理,引入进化代数和个体适应度函数作为自适应算子动态调整摄动比例因子F和交叉概率CR,采用自适应变异策略提高进化的适应性.在KDDCUP 99数据集的测试结果表明,...     

一种差分多目标优化算法

提出一种基于差分进化多目标优化算法.首先,采用基于差分进化的种群启发式搜索,根据多目标优化的特点,进行基于全部种群的Pareto占优比较和选择,有效实现全局搜索和局部搜索.另外,利用一个外部种群来储存非支配解,当非支配解的个数大于外部种群预先设定的规模时,对每个非支配个体采用基于支配关系和拥挤信息的适应度策略评价,然后采用基于密度的选择策略对外部种群进行删减,进一步提高算法的均匀性和宽广性.与NSGA-Ⅱ、PESA-Ⅱ、SPEA2的比较结果表明,该算法不仅收敛性较好,而且在均匀性和宽广性上优势明显.     

雷达弱信号检测与小波条件的问题

影响雷达检测范围、灵敏度等性能指标的主要参数为雷达接收器输出信号的信噪比(SNR).通过提高接收器的信噪比可以改善雷达的性能.由于合适尺度下小波变换对跳变信号的处理能力强,所以本文主要提出基于小波变换方法中选择小波的条件问题.     

改进进化策略及其在神经网络训练中的应用

进化策略是一类策略参数自适应进化算法。文章提出了一种改进进化策略(MES),MES采用基于个体排序的随机自适应Gaussian-Cauchy混合变异策略,将Gaussian和Cauchy变异算子结合起来以达到全局探索和局部搜索之间的动态平衡。此外,MES还使用重组算子以进一步提高算法的性能。将该算法用于多层前向神经网络训练,数值仿真结果显示了该算法的有效性。     

基于QR-ROLS算法的小波神经网络应用研究

针对小波神经网络的结构设计和权值选取,提出一种基于QR分解的递推正交最小二乘算法以节省计算资源和计算时间,仿真结果表明基于QR-ROLS(QR Decomposition-Recursive Orthogonal Least Squares)算法的小波神经网络比依据时频特性设计的小波神经网络结构更优,运行效率更高.     

人工鱼群算法与差分进化变异蟑螂算法动态融合及其在网格任务调度中的应用

深入分析人工鱼群算法和蟑螂算法的特点基础,提出一种改进式蟑螂算法。将差分进化变异因子、禁忌表分别引入到蟑螂算法,加快了算法的搜索速度和获得全局最优解的能力。采用权衡种群中最优个体和精英个体之间的差异度的方式将改进后的蟑螂算法和人工鱼群算法动态融合。仿真实验表明将这种动态融合后的算法解决网格任务调度问题可以获得较好的调度效果。     

基于小波神经网络的图像重构训练算法研究与实现

针对传统的图像重构算法的不足，提出一种基于小波神经网络的图像重建快速学习算法，运用小波神经网络对图像重构进行了仿真研究，实验表明，对于不同的误差模型，小波神经网络采用不同的基函数可以很好地对非线性系统进行逼近，收敛速度快，近似精度高，而且网络规模也较小，计算量少，对计算机视觉和图像处理具有良好的应用价值。     

双并联人工神经网络交替迭代算法及应用

本文给出一种双并联人工神经网络的交替迭代算法，数值计算结果表明，这种算法是有效的，且具有收敛速度快，计算精度高的特点。     

人工神经网络及其在化学领域中的应用

简化了人工神经网络的定义及分类,着重介绍了ＡＮＮ中一种较经典的网络模型－ＢＰ网络模型的网络结构和学习原理,总结了ＡＮＮ在化学领域中的应用,包括谱图分析,药物分子等。同时讨论了在使用ＡＮＮ方法时应注意的几个问题,如隐层节点数目的确定等。     

一种免疫粒子群优化算法及在小波神经网络学习中的应用

粒子群优化算法是一类简单有效的随机全局优化技术。受生物体免疫系统抗体多样性保持机制的启发,将抗体多样性保持机制引入到粒子群优化算法中,并给出了一种免疫粒子群优化算法。该算法在保留高适应度粒子的同时,确保了粒子的多样性,从而改善了粒子群优化算法摆脱局部极值点的能力,提高了算法的收敛速度和精度。该算法应用于函数优化和小波神经网络学习的计算机仿真,结果表明该算法有良好的收敛性能。     

遗传算法及其在训练前向神经网络中的应用

本文论述了遗传算法的基本原理，操作及算式，并以一个识别部分英文字母的多层前向神经网络为例，给出了用遗传算法训练网络优化网络权值的方法和步骤，实验结果表明了这一方法的有效性。     

一种基于小波型函数链神经网络的竞争学习模型的设计与应用

神经网络模式分类方法中,比较著名的方法之一就是“竞争学习”。竞争学习采用若干单元的层次结构,以一种“赢者全取”的方式对系统当前处理的对象进行竞争。通常的神经网络模式分类方法,由于其较长的处理时间和数据的复杂性,很难适用于大型数据库。为此,本文采用调制的小波基对输入模式预处理,在函数链神经网络的基础上设计了基于小波型函数链神经网络的竞争学习模型,充分利用小波变换和函数链神经网络的优势,这样设计的系统有惊人的学习速度、体系结构的通用性好、适用性强等特点。     

基于神经网络模型的时间序列预测算法及其应用

提出了一种神经网络模型的时间序列直接多步预测算法。网络的学习采用具有遗忘因子的ＢＰ算法与时差方法相结合的混合算法，解决了经典ＢＰ算法在直接多步预测中不能渐进计算的问题，同时网络具备一定的结构学习能力。采用该算法对现场采集的高炉铁水含硅量时间序列数据进行预报实验，表明本文提出的直接多步预测方法是可行的。     

基于免疫算法和反向传播神经元网络的无线网络入侵检测研究

为了能够检测到无线网络系统中已知和未知类型的入侵者,提高无线网络系统的安全性,在对网络数据分析和研究的基础上,提出一种基于免疫算法和反向传播神经元网络的入侵检测方法。首先利用免疫算法对网络数据进行预处理,再运用反向传播神经元网络对处理后的数据(程序)进行识别。实验表明用该方法检测无线网络系统中的新型入侵者是可行、有效的,检测入侵者的准确率可达到97%。