基于回归分析和遗传算法优化的BP神经网络熔覆层形貌预测

针对激光熔覆过程中熔覆层形貌难以控制的问题,以45钢和Fe45分别作为基材和熔覆粉末,设计3因素5水平的试验方案,并测量熔覆层的宏观尺寸。首先,利用遗传算法（GA）对反向传播（BP）神经网络的初值进行优化,建立了GABP神经网络模型,以激光工艺参数为输入、熔覆层形貌为输出进行了训练和测试,分析其预测精度。然后,分别以回归分析、BP神经网络和GA-BP神经网络三种方法建立预测模型,并与实际得到的熔覆层形貌进行比较。结果表明,通过遗传算法优化的GA-BP神经网络模型与实际的误差约为3%,BP神经网络模型与实际误差为7.38%,而回归分析预测模型预测误差最大可达到15.5%。经比较可知,GA-BP神经网络预测模型的结果与实际最为接近。故GA-BP神经网络预测模型对提高熔覆层质量具有一定的指导价值。     

基于智能算法的机械加工参数优化方法研究

将BP神经网络预测模型应用于电火花加工参数优化方法中,从而针对不同的加工工艺要求预测出最佳的脉冲间隔t0和宽度t1以及峰值电流ie组合。由于常规的BP神经网络存在容易陷入极小值以及学习速率低等缺点,而常规GA优化算法存在容易陷入局部最优解、容易早熟等问题,提出一种对GA算法的染色体结构和遗传算子进行改进并引入自适应交叉和变异概率优化BP神经网络结构参数的改进型GA-BP神经网络算法。最后通过实验,对电火花加工参数优化模型性能进行评价,与常规GA-BP神经网络算法建立的参数优化模型相比,提出的参数优化模型的预测结果更加接近真实值,预测的平均准确率达到96.13%,高于常规GA-BP神经网络算法建立预测模型5.2%。     

不规则场景下可见光信道建模与定位的研究

理想室内的可见光通信（VLC）信道传输模型并不适用于实际的不规则室内环境，针对这一问题，本文研究了可见光在不规则场景中无规律反射的情况，建立了更符合实际情况的VLC信道模型，并在此信道模型基础上提出了遗传算法优化反向传播（BP）神经网络（GA-BP）的定位算法，克服了BP神经网络存在处理非线性系统能力差的问题。通过仿真不规则场景下信道模型的反射元法向量信息，确定光线反射方向，使接收器可以接收到更加准确的光功率值。仿真结果表明，在5 m×5 m×5 m的不规则室内环境中，系统总接收光功率在0.0141～0.0639 W范围内波动，GA-BP算法较BP神经网络定位误差大幅减小，达到2.32 cm，平均定位时间为0.0625 s。     

基于传感器阵列结合GA-BP算法对VOC的识别研究

为提高空气中挥发性有机物(VOC)检测可靠性，提出了一种基于气敏传感器阵列结合遗传算法(GA)优化反向传播(BP)神经网络算法的VOC检测模型。选用多个气体传感器组建阵列对VOC混合气体样本进行响应测试，使用主成分分析(PCA)对响应数据进行数据降维及初步分类探索，使用构建的GA-BP神经网络算法模型在PCA探索性分析的基础上进行定性及定量识别，并与BP神经网络识别结果进行对比。结果表明：遗传算法优化后的BP神经网络多元分类和回归模型性能优良且稳定，气体分类识别准确率达96%,浓度回归预测均方根误差为1.8×10^-2,平均相对误差为5.2%,平均训练耗时分别降至1.5 s和1.12 s,效果显著优于BP神经网络算法模型。这些研究结果进一步拓展了GA-BP算法结合气敏传感器在挥发性有机物检测识别中的应用前景。     

基于粒子群优化BP神经网络的脉象识别方法

针对传统脉诊存在易受主观因素影响、诊断结果可靠性不高等问题,提出基于粒子群优化BP神经网络的脉象识别方法。粒子群算法中评判粒子好坏的适应度函数采用神经网络的输出误差,以此获得最优粒子的位置向量,并把其值作为BP神经网络的初始权值和阈值。在Matlab中建立基于BP算法、PSO-BP算法和GA-BP算法的三种ANN模型用于脉象信号的识别。实验结果表明,在识别脉象时,优化后的算法降低了传统BP神经网络的输出误差,提高了识别精度,PSO-BP算法明显改善了传统BP神经网络的泛化能力。     

基于GA-BP神经网络的新疆南疆核桃树生长模型研究

文章提出了一种利用遗传算法优化BP神经网络的核桃树生长模型来预测核桃树的树高、胸径的方法,通过优化BP神经网络的权值和阈值建立GA-BP模型,与多元线性回归模型的预测结果进行比较。结果表明：采用遗传算法优化后的模型具有更高的预测精度,对核桃树生长预测具有指导意义。     

基于GA-BP神经网络算法的生产调度研究

针对企业在车间生产调度方面的问题,提出了基于GA-BP神经网络的生产调度算法。通过对比GA-BP模型与传统的BP模型,验证了GA-BP模型能够克服BP模型收敛速度慢和训练时间长的缺点。通过仿真实验对GA-BP模型进行预测,得出模型预测正确率为96.2%。实验证明该算法可以完成最小化完成时间、最小化逾期时间和最小化能耗等多个目标,能准确有效地预测车间作业时长的真实数据。     

基于VMPSO-BP神经网络的话务量预测

为了更快速、准确地预测移动话务量,提出了速度变异的粒子群算法（VMPSO）,并与BP算法相结合,形成速度变异的粒子群—BP（VMPSO-BP）神经网络算法,用以训练神经网络,从而优化了神经网络的参数,最后对移动话务量进行预测。与传统BP神经网络方法和PSO-BP神经网络方法相比较,并且通过实验数据的分析以及对预测结果地比较,速度变异的粒子群—神经网络预测方法精度更高,收敛速度更快,从而更好地实现了对移动话务量地预测。     

基于优化GA-BP神经网络的金融产品营销预测

传统BP神经网络存在着网络结构参数确定过于依赖经验、易于陷入局部解等缺陷,为了改进BP神经网络模型的应用缺陷,提出优化GA-BP算法,通过GA算法优化BP神经网络拓扑结构和网络参数初始值的选取过程,并且为了验证模型的可行性,以某银行短期理财产品营销的客户历史数据作为实证研究对象,并通过与BP神经网络模型的对比实验,验证该模型可以更精确地预测银行理财产品的客户营销结果。实验结果表明将该模型用于对金融产品营销数据的仿真计算,可以更精确地预测未来营销结果。     

基于改进GA-BP算法的RFID天线参数优化方法

为了提高算法对天线参数的预测精度,提出了一种基于 Adagrad 优化器的改进遗传算法-反向传播(GA-BP)算法。 通过在迭代过程中引入 Adagrad 优化器与阈值策略,对发生退化的种群最优个体的位置信息进行重新引导,解决了 GA-BP 算法局部寻优能力不足等问题,大幅度减小了误差损失并且加快了收敛速度。 利用该方法对射频识别(RFID)标签天线的印刷品质和电磁参数进行了建模与分析。 结果表明,改进 GA-BP 算法在稳步搜索极值的同时可以避免陷入局部极值陷阱,在误差和收敛效率方面均优于传统的反向传播(BP)算法与GA-BP 算法,能够得到较高的预测精度,实现了 RFID 标签天线印刷品质的优化控制以及 S11 特征曲线的预测。 相比于 BP 算法与 GA-BP 算法,改进 GA-BP 算法在用于优化RFID 标签天线的印刷品质时,平均绝对误差分别降低了91. 92%和85. 64%。 在电磁参数预测应用时,分别降低了 13. 77%和 13. 19%。     

GA-BP神经网络结合EDXRF技术实现对中低合金钢中Cr、Mn和Ni元素含量的预测

利用能量色散X射线荧光光谱分析（EDXRF）技术与遗传算法优化的反向传播（GA-BP）神经网络对中低合金钢中Cr、Mn和Ni元素进行含量分析。通过能量色散X射线荧光光谱仪对六类中低合金钢标准样品做激发处理,获得X射线荧光光谱,使用两点法扣除背景,求得各元素对应Kα特征峰强度。利用所得108组谱线数据及其对应含量建立GA-BP神经网络,使用训练完成的GA-BP神经网络对另外36组中低合金钢样本含量进行预测,并将所预测结果与基本参数法分析结果和标准样品化学分析结果进行对比,Cr、Mn和Ni元素含量平均误差分别为0.0287%、0.0314%和0.0423%。实验结果表明,遗传算法优化的BP神经网络适用于EDXRF对中低合金钢中Cr、Mn和Ni元素含量的分析。     

基于遗传算法优化神经网络的藻类繁殖状态软测量方法

为了提高BP神经网络模型对海洋藻类生长状态软测量的准确性,提出了一种基于遗传优化算法优化BP神经网络的软测量方法.利用遗传算法优化BP神经网络的权值和阈值,然后训练BP神经网络预测模型以求得最优解,再将该预测结果与传统BP网络预测模型的预测结果进行对比.对仿真结果进行有效性验证后,结果表明,通过这种软测量方法,经遗传算法优化后的BP神经网络可以在更短的时间里创造更高的预测准确性,大大提高了对海洋藻类生长状态预测的效率.     

基于KPCA-GA-BP神经网络的POI质量预测研究

目前移动网络优化一般基于小区进行网络质量评估及预测，遵循“升维研究，降维实施”的研究思路，提出了兴趣点（point of interest,POI）网络质量的柔性评价体系，但其涉及较多网络关键绩效指标（key performanceindicator,KPI），导致POI网络综合质量评价体系较为庞杂且预测精度不高，为提高POI网络质量预测精准性，采用核主成分分析（kernelprincipalcomponentanalysis,KPCA）算法对反向传播（back propagation,BP）神经网络的输入变量进行相关性压缩，简化了BP神经网络结构，然后通过遗传算法（genetic algorithm,GA）优化了BP神经网络连接权值及阈值参数。与传统BP神经网络预测结果进行对比，在预测准确度方面提高了10.90%，均方误差性能显著降低，对研究POI网络质量的预测可起到较好的支撑作用。     

基于遗传神经网络的AOA跟踪算法

提出了一种在非视距传播环境中基于遗传神经网络的到达角定位跟踪算法。首先使用遗传算法优化后向传播神经网络的初始权值,将优化后的GA-BP神经网络对AOA测量值进行修正,用最小二乘算法确定移动台的位置,再用卡尔曼滤波器配合相关检测距离门对移动台实施跟踪。仿真结果表明,该算法能有效地实现移动台的动态跟踪,且性能优于传统BP神经网络和LS算法。     

基于GA—BP神经网络的股票预测研究

股票市场是国民经济发展变化的“晴雨表”,股票价格的涨跌也是政治、经济、社会等诸多因素的综合反映。近几年来,神经网络取得较大发展已经成为热点研究并在各个领域中得到应用。针对此,基于遗传算法和BP神经网络,以中国石化100天股票技术指标历史数据作为训练样本对收盘价进行预测,10天数据进行检验,并通过图像拟合来验证神经网络股票预测的可行性和准确性。     

基于GA-BP神经网络的手势识别精度优化研究

针对5DT数据手套手势识别过程中存在的精度问题,传统的BP神经网络算法受到其自身因素的影响,导致出现输出手势缺失、变形、精度差的问题。为此,该文提出一种GA-BP权值优化算法,能有效克服BP算法局部寻优的缺点,使输出值不断地接近期望数值,防止陷入局部极小的情况,可以克服输出图像缺失、变形的问题。在GA-BP算法的基础上,对函数输出误差的最大值进行权值优化,解决输出手势精度差的问题。实验结果表明,基于GA-BP神经网络权值优化算法改善了手势识别的精度。     

神经网络在无线网络流量预测中的应用

无线互联网的流量数据非常分离且极其不稳定,混沌理论在其身上体现得特别明显,因此对无线网络流量进行预测具有一定难度。该文使用BP神经网络建立预测模型,在常规神经网络系统进行训练之前,需要对系统内部各个层次之间的连接权值以及阈值范围实行初始化操作,但是此操作将会影响神经网络最终收敛速度,有可能造成最终结果为非最优解,使得流量预测结果不是很理想。因此这里使用布谷鸟搜索优化方式对神经网络系统内各层之间链接值与阈值进行初始化操作,提高系统预测精度。该文使用遗传优化神经网络算法和粒子群优化神经网络算法建立同样的预测模型,并与该文研究的预测模型进行对比。实例分析结果表明,初期预测结果精度较高,与实际值比较吻合,但测试数据越靠后,预测值越不稳定,这主要是累计误差造成的。但总的来说,该文使用的布谷鸟优化BP神经网络预测模型的预测性能要优于由遗传算法和粒子群算法优化的BP神经网络。     

基于GA-BP神经网络的雷达干扰效能评估方法

针对当前雷达干扰效能评估方法中评估模型较为复杂、参数获取困难、应用价值不大的问题，优化了雷达干扰效能评估变量和指标体系，使其更加贴近实际应用；针对传统雷达干扰效能评估方法中依赖专家打分、人为因素影响较大而普通神经网络预测误差较大的问题，采用遗传算法（genetic algorithm, GA）对误差反传（back propagation, BP）神经网络的初始参数进行全局优化，提出基于GA-BP神经网络的雷达干扰效能评估方法,降低评估系统误差。最后，进行了仿真验证，与普通BP神经网络和支持向量机（support vector machine, SVM）进行了对比分析，并通过调整参数进一步优化了该方法。仿真结果表明，该方法明显优于普通BP神经网络和SVM，具有较好的准确度和稳定性，可为实际应用提供科学依据。     

基于优化神经网络算法的电离层foF2预测

为了提高基于反向传输（back propagation,BP）神经网络的电离层f_oF₂预测的精度,采用了一种改进粒子群优化神经网络的方法,对BP网络的初始权值进行优化,防止出现神经网络训练中的局部最优.通过比较基于粒子群优化的神经网络预测结果与遗传算法优化的神经网络预测结果,我们发现对于BP神经网络,两种方法都有很好的性能.此外,和电离层经验模型国际参考电离层模型（international reference ionosphere 2016,IRI2016）结果进行对比,结果表明,本文提出的自适应变异粒子群（adaptive mutation particle swarm optimization,AMPSO）优化神经网络能有效提高f_oF₂的预测精度,并在低纬地区有更好的预测效果.     

遗传算法优化BP神经网络的大功率LED结温预测

将遗传算法(GA)与BP神经网络相结合,对研发的120W LED双进双出的射流冲击水冷散热系统中LED阵列的结温进行预测。采用GA优化BP网络的权值和阈值,利用BP算法训练网络,改善了单独使用BP网络容易陷入局部极小值和收敛速度慢的缺点。并且在训练过程中为了使网络输出有足够长的空间,改进了GA的数据处理。结果表明,经GA优化的BP神经网络较使用Levenberg-Marquardt(LM)算法优化的BP神经网络的大功率LED结温预测精确度提高了14.14%,且预测效果较稳定。GA和BP神经网络相结合的结温预测模型较传统的结温测量方法更能掌握散热结构设计的主动性,对大功率LED寿命的延长有较高的实用价值。