基于GA-ANN的非线性半参数建模方法

为结合参数模型与非参数模型各自的优势,提高建模精度,将非线性半参数模型引入到工业过程建模中.提出基于遗传算法和神经网络的非线性半参数模型的建模方法及结构方案,并给出同时估计参数模型部分和非参数模型部分的交叉循环迭代的算法步骤.对算法中的神经网络的设计和遗传算法进行了改进研究,重点讨论了在增加精英保留策略、增加算法的记忆功能、提出新的适应度计算方法和交叉变异策略等方面的改进措施.采用聚乙烯装置的现场工业数据对方法的有效性进行了验证.结果表明：半参数模型比传统的参数模型有更好的预测精度,并能够较好地跟踪过程变化.     

采用遗传神经网络的轮轨力建模方法

为解决轮轨力建模问题,提出了一种基于遗传算法和径向基函数神经网络的轮轨力建模方法,该方法基于轨道不平顺输入实现了轮轨力的预测．在径向基函数神经网络的中心、宽度和权值参数上,分别采用遗传算法、最大距离法和最小二乘法来确定,从而提高建模精度并减轻该算法的计算量,实现了快速准确的轮轨力神经网络建模．仿真试验结果表明:提出的轮轨力建模方法具有较高的预测性能．     

基于改进遗传算法的超光谱图像特征选择方法

提出的特征选择新方法充分利用遗传算法并行搜索、全局寻优的优点，并结合超光谱图像特征选择的具体应用，选择表征类别可分性的判别标准作为评价函数计算个体适应度，通过交叉和变异操作实现个体进化．为加快算法收敛速度，提高遗传算法性能，在遗传算法中引入了两代竞争机制，获取最佳的分类特征组合．利用一幅200波段的AVIRIS超光谱图像进行的仿真实验结果表明，所提出的方法用于特征选择具有分类精度高，计算耗时少的优点．     

基于模拟退火遗传算法的PID参数整定与优化

结合模拟退火算法和遗传算法的思想,提出模拟退火遗传算法,用此算法进行PID参数整定与优化．同时使用自适应交叉率、变异率以及适应度拉伸方法对传统遗传算法进行改进．模拟退火遗传算法有效抑制早熟,且具有收敛性快、全局寻优与局部寻优能力．仿真结果表明,基于此算法寻优设计的PID控制器动态品质和稳定性更好、鲁棒性更强．     

高效寻优的经验遗传算法

为了寻求高效的寻优方法,本文提出经验遗传算法,用神经网络模型经验地预测每代种群个体的适应度,从而减少对问题直接求解的次数,提高遗传算法的计算效率．通过对6个经典测试函数的数值计算分析,结果验证了本文所提的算法的有效性,而且能降低计算量．     

基于IASHGA算法的水轮发电机组PID调速器参数优化研究

针对遗传算法（SGA）存在求解精度与收敛速度间的矛盾,提出了一种自适应对称调和遗传算法（IASHGA）,并将该算法用于水轮发电机组PID调速系统参数的优化设计,以系统的上升时间和超调量指标作为IASHGA算法的适应度函数;以四川某水电站的真实数据对经过优化后遗传算法PID控制规律进行计算机仿真．仿真结果表明,改进的算法较之常规遗传算法（SGA）和粒子群优化算法（PSO）,不但提高了全局的搜寻能力,而且有效避免了早熟收敛问题．为水轮机调速器PID参数优化研究提供了新途径．     

遗传算法在系统辨识中的应用

介绍了遗传算法的基本原理,并给出了遗传算法用于辨识系统时延和参数的适应函数和实现步骤．利用该方法能够获得参数的无偏估计,并具有计算稳定、鲁律性强和辨识精度高等优点．仿真结果说明了该方法的有效性和实用性．     

改进粒子群神经网络融合有限元分析的铸锻双控动态成型多目标优化

针对铸锻双控成型过程中多工艺参数的优选问题,提出一种改进粒子群算法优化神经网络融合有限元分析的成型工艺参数优选方法。首先根据成型工艺的特点,以金属液浇注温度、模具预热温度、充型速度、铸锻压力、保压时间5个工艺参数为输入因素,以铸件重量、表面缺陷、抗拉强度3个参数为输出指标,采用正交拉丁超立方设计进行试验,并将所得工艺参数作为训练样本,通过神经网络构建影响因素与优化目标间的非线性函数关系。再以神经网络的输出误差值作为粒子适应度,并采用改进粒子群算法优化BP神经网络的权值和阈值,构建工艺参数预测模型进行多参数寻优。通过CAE有限元仿真验证表明,该方法能够准确地获得成型过程中的最佳工艺参数组合。研究结果可为铸锻双控过程的工艺参数调整与优化提供参考。     

基于PSO—WNN的无刷直流电机转子位置检测方法

通过分析无刷直流电机间接位置检测原理,提出了一种新的方法来检测转子位置．该方法首先推导出转子位置可以通过以相磁通和相电流来决定,结合小波函数多尺度多分辨率的优点以及神经网络的非线性求解特点,通过构建小波神经网络模型,并采用粒子群算法来训练网络参数而得出转角位置．仿真结果表明该模型能有效地控制电机换相．     

基于神经网络和遗传算法的高密集WLAN公平性保障算法

为了满足用户在各类场景下对无线业务日益增长的要求，高密集部署的无线局域网(wireless local area network, WLAN)是未来发展的趋势。但由于频率资源有限，相同信道必然存在多个WLAN无线接入点(access point, AP),然而处于同一信道的AP会互相干扰，造成网络中小区间吞吐量的公平性下降，无法为用户提供良好的服务质量。为了提高网络公平性，改善用户体验，需要制定合理的网络参数调优方法，给出了一种基于神经网络和遗传算法对WLAN参数优化的方法。采用神经网络构建网络参数与网络吞吐量公平性之间的映射，将训练完成的模型作为遗传算法的适应度评估函数，通过遗传算法求解优化参数组合配置来改善WLAN吞吐量公平性问题。仿真结果表明所提出算法能够使得高密集WLAN吞吐量公平性得到提升。     

Modeling and Simulation of Time Series Prediction Based on Dynic Neural Network

Molding and simulation of time series prediction based on dynic neural network(NN) are studied. Prediction model for non-linear and time-varying system is proposed based on dynic Jordan NN. Aiming at the intrinsic defects of back-propagation (BP) algorithm that cannot update network weights incrementally, a hybrid algorithm combining the temporal difference (TD) method with BP algorithm to train Jordan NN is put forward. The proposed method is applied to predict the ash content of clean coal in jigging production real-time and multi-step. A practical exple is also given and its application results indicate that the method has better performance than others and also offers a beneficial reference to the prediction of nonlinear time series.     

Modeling and Simulation of Time Series Prediction Based on Dynamic Neural Network

Molding and simulation of time series prediction based on dynamic neural network(NN) are studied.Prediction model for non-linear and time-varying system is proposed based on dynamic Jordan NN. Aiming at the intrinsic defects of back-propagation (BP) algorithm that cannot update network weights incrementally, a hybrid algorithm combining the temporal difference (TD) method with BP algorithm to train Jordan NN is put forward.The proposed method is applied to predict the ash content of clean coal in jigging production real-time and multistep. A practical example is also given and its application results indicate that the method has better performance than others and also offers a beneficial reference to the prediction of nonlinear time series.     

基于BP神经网络对时滞系统的模型参数辨识仿真

主要研究了基于BP神经网络对时滞系统的参数辨识,分析了两种辨识结构和两种建模方法,对系统被控对象的建模采用了神经网络正模型,辨识结构为串-并联型.考虑加强BP网络的泛化能力,用随机数据去训练网络,然后得到训练后的权值,给一个阶跃信号,利用交叉两点法,从而得到时滞系统的特征参数.通过仿真,基于BP网络对时滞系统的参数辨识是有效的.     

The tool for building an NN based on improved BP algorithm

0　ＩＮＴＲＯＤＵＣＴＩＯＮＢａｃｋ ｐｒｏｐａｇａｔｉｏｎＡｌｇｏｒｉｔｈｍ (ＢＰ)ｉｓａｖｅｒｙｕｓｅｆｕｌａｌｇｏｒｉｔｈｍｉｎｍａｎｙａｓｐｅｃｔｓ.Ｂｕｔｉｔｈａｓｔｈｅｆｏｌｌｏｗｉｎｇｐｒｏｂｌｅｍｓ:①Ｔｈｅｌｏｃａｌｌｅａｓｔｐｒｏｂｌｅｍｉｎｅｖｉｔａｂｌｅｄｕｅｔｏｉｔｓｎｏｎ ｌｉｎｅａｒｏｐｔｉｍｉｚｉｎｇｃｈａｒａｃｔｅｒｉｓｔｉｃ②Ｔｈｅｓｌｏｗｃｏｎｖｅｒｇｅｎｔｓｐｅｅｄ③Ｌａｃｋｏｆａｃａｄｅｍｉｃｇｕｉｄａｎｃｅｆｏｒｔｈｅｈｉｄｄｅｎｎｏｄｅｓ’ｎｕｍｂｅｒｃｈ…     

自适应GA-SVM参数选择算法研究

支持向量机是一种非常有前景的学习机器，它的回归算法已经成功地用于解决非线性函数的逼近问题．但是，SVM参数的选择大多数是凭经验选取，这种方法依赖于使用者的水平，这样不仅不能获得最佳的函数逼近效果，而且采用人工的方法选择SVM参数比较浪费时间，这在很大程度上限制了它的应用．为了能够自动地获得最佳的SVM参数，提出了基于自适应遗传算法的SVM参数选取方法．该方法根据适应度值自动调整交叉概率和变异概率，减少了遗传算法的收敛时间并且提高了遗传算法的精度，从而确保了SVM参数选择的准确性．将该方法应用于船用锅炉汽包水位系统建模，仿真结果表明由该方法所得的SVM具有较简单的结构和较好的泛化能力，仿真精度高，具有一定的理论推广意义．     

一种基于小生境的负相关神经网络集成算法

提出了一种基于小生境的负相关神经网络集成算法.所提方法结合了负相关学习和进化算法,采用同时训练的方式对多个神经网络进行训练,不仅能使网络之间产生有效的差异度,而且能促进网络之间的交互性和合作性.此外,在进化过程中引入了一种改进的小生境技术,能更有效地维持网络种群的多样性,从而保证神经网络集成的差异度.所提方法在6个分类数据集上进行了测试,并且与一些相关神经网络集成方法进行对比.实验结果表明所提方法能得到一个有效的神经网络集成.     

遗传神经网络在模拟电路故障诊断中的应用

对模拟电路的故障诊断,本文采用一种将遗传算法和BP神经网络结合的智能诊断方法-GA-BP算法,实现了模拟电路的故障诊断.该方法采用遗传算法优化神经网络的权值和阈值,代替了原来BP网络随机设定的初始权值和阈值,然后再用改进BP算法进行训练.通过仿真结果比较分析,经过遗传算法优化过的神经网络的训练步教大大减少.克服了传统BP算法的收敛速度慢,容易陷入局部极小值的缺点.     

基于自适应遗传算法的复合材料层合板铺层顺序优化设计

分析了杂交概率和突变概率对遗传算法收敛性的影响,提出了一种自适应遗传算法,并利用该方法研究了复合材料层合板的铺层顺序优化设计问题。算例结果表明,提出的复合材料层合板铺层顺序优化设计方法能够明显的提高计算效率。     

一种高效二进前馈神经网络学习算法

为解决二进前馈神经网络(BFNN)缺乏高效实用学习算法的问题,提出一种新的融合自适应调节结构和权值的BFNN学习算法.该算法借鉴并改进了极限学习机(ELM)方法,可以高效地训练单隐层的BFNN来解决分类问题.为了满足网络的训练精度,算法可以自动增加隐层神经元个数和调节网络隐层及输出层神经元权值;同时为了提高网络的泛化精度,算法通过建立二进神经元敏感性作为度量隐层神经元重要性的尺度,自动地裁剪重要性小的神经元,并对裁剪损失的信息进行补偿.实验结果验证了该算法在处理离散分类问题时的可行性和有效性.     

一种基于神经网络和参数优化的隐式广义预测控制

提出一种基于神经网络和参数优化的预测控制方法。首先利用带有动量项的改进BP神经网络辨识系统模型,在辨识过程中使用粒子群算法(PSO)对改进BP网络的初始权值/偏置、学习率、动量系数等辨识参数进行学习优化,解决这些参数的取值问题;然后将辨识得到的模型用于隐式广义预测自校正控制中,使用遗传算法(GA)对控制过程进行优化,寻找最优的控制参数(预测时域、控制时域、控制加权系数、柔化系数)。将该方法应用在热工系统中,仿真结果表明了方法的有效性。