基于遗传算法的BP网络学习算法研究

介绍了遗传算法和标准BP算法及其改进形式,指出遗传算法和BP算法各自的优缺点.利用遗传算法全局寻优和BP神经网络局部寻优相结合的方法,提高了传统BP神经网络的计算精度和收敛速度.最后进行了仿真实验,结果表明,该方法不仅收敛速度快,而且易达到最优解,具有很高的实用价值.     

基于遗传算法优化BP神经网络的预测建模

为了进一步提高基于BP神经网络的预测模型精度,本文针对BP神经网络收敛速度慢,参数选择随机等特点,采用了遗传算法对BP神经网络进行优化,并提出了一种基于遗传算法优化BP神经网络的预测模型,从而进一步提高预测模型的预测精度,通过对比未使用遗传算法优化的BP神经网络的预测模型发现基于遗传算法优化BP神经网络的预测模型在提升预测精度方面具有非常好的效果,是一种非常高效的方法.     

基于自适应遗传算法优化BP神经网络

传统的BP算法具有简单可塑的优点,但是存在着容易陷入局部极值、收敛速度慢等无法克服的缺陷。遗传算法是一种全局搜索算法,具有很强的全局搜索能力。因此,文中设计了一种自适应遗传算法优化BP神经网络的方法,并通过对数字信号的实例仿真,证明了经过改进优化后的BP神经网络具有很好的应用前景。     

小波神经网络预测在住宅市场中应用

利用小波神经网络在非线性建模中的收敛迅速等优越性,提出了利用小波神经网络预测住宅市场需求的方法.通过实例分析说明,他比传统的BP神经网络的收敛速度快、预测精度高,具有较强的函数学习能力和推广能力及广阔的应用前景.     

基于GA的BP神经网络在多目标优化中的应用

针对传统多目标优化的求解方法通常存在目标权值主观性大,优化目标仅为各目标加权和以及在求解过程中各目标优化的不可操作性等问题,文中提出了一种新颖的多目标优化算法,其将改进后的遗传算法与BP神经网络融合,提出了基于遗传算法的BP神经网络融合算法。该算法将遗传算法与BP神经网络算法相结合,充分发挥遗传算法的全局搜索能力优势和BP算法的局部搜索能力特点,使得多目标优化问题得以求解,加快收敛速度,从而提高了收敛精度。     

基于遗传算法演化网络的字符识别研究

将神经网络应用于字符识别,对BP网络和经遗传算法演化后的BP网络进行比较研究.计算结果表明,在训练效果与识别效果两个方面,遗传算法演化后的网络具有更好的识别效果,并能够大幅度提高网络训练时的收敛速度.通过理论分析其原因后得出结论,利用遗传算法做字符识别具有更优的性能.     

基于遗传神经网络成绩预测的研究与实现

针对BP神经网络固有的局限性和在应用于成绩预测时出现的问题,运用遗传算法对BP神经网络的权值和阈值进行优化,通过详细设计遗传算法的编码方式、适应度函数,遗传算子使二者结合后的遗传神经网络模型具有更快的学习训练收敛速度,为了提高优化效果,设计了自适应的遗传算法交叉算子和变异算子,并通过与基本BP神经网络和自适应BP神经网络的对比,显示了优化的有效性和可行性。运用Matlab实现了遗传神经网络模型,并完成了模型的训练,运用Java语言完成了模型的调用和成绩预测系统的实现。分析结果表明,该遗传神经网络模型在成绩预测方面具有较高的准确性,具有一定的实用价值。     

传算法优化神经网络盲均衡算法分析

在神经网络盲均衡算法和遗传算法的基础之上,文章将两段式优化神经网络权值的相关途径提了出来。遗传算法本身具有非常强的全局搜索能力,通过应用遗传算法对神经网络的初始权值进行优化,考虑BP算法具有非常快的局部搜索速度,因此利用BP算法能够将最佳权值求出来。计算机仿真结果表明,相对于传统的BP神经网络盲均衡算法而言,该算法具有能够减少误码率、控制稳态剩余误差以及加快收敛速度等一系列的优势。基于此,文章分析并介绍了遗传算法优化神经网络权值盲均衡算法的具体方式。     

融合遗传算法与BP神经网络的气象威胁度建模与评估

针对无人飞行器航迹规划中的气象威胁要素模糊性强、复杂多变等特点,提出一种融合遗传算法与BP神经网络的气象威胁度评估方法。利用遗传算法的全局寻优能力优化BP神经网络的初始参数及结构,结合GA-BP神经网络对气象威胁度进行建模与评估。通过Matlab仿真验证,结果表明该方法能够准确评估气象威胁度,与BP神经网络相比,具有更快的收敛速度、更好的全局收敛性,提高了评估效率与准确度。     

基于遗传神经网络的P2P流量识别系统

考虑到传统BP神经网络在进行P2P流量识别时,具有系统识别速度慢、精度低,神经网络自身容易陷入局部最小值等问题,使用遗传算法对BP神经网络进行优化。遗传算法具有较强的自适应性和鲁棒性,因此使用遗传算法对BP神经网络的权值和阈值进行优化处理,能够有效提高神经网络的性能。建立基于遗传神经网络的识别系统,采集处理大量样本数据,对识别系统进行训练和测试。研究结果表明,基于遗传神经网络的P2P流量识别系统具有识别精度高、识别速度快等优点,相比传统BP神经网络,其识别性能有明显提高。     

基于遗传算法的BP神经网络在图像压缩中的应用

以神经网络和遗传算法为代表的进化算法都基于智能信息处理的理论,但是各自都存在一些缺陷.设计并实现了基于遗传算法的BP神经网络算法BP-GA,该算法将遗传算法和BP算法相结合,用基于实数编码的遗传算法优化神经网络的权值后,应用于图像压缩.实验证明,利用此混合神经网络进行图像压缩,压缩比高,图像恢复质量效果好.     

基于GA-BP神经网络的人脸检测

传统的BP神经网络算法收敛过慢、局部收敛不理想,影响其工作性能。针对以上不足以及人脸图像数据大等问题。提出GA-BP神经网络对人脸图像进行检测的新方法:将遗传学习算法和误差反向传播算法相结合的混合算法来训练前馈人工神经网络,使网络收敛速度加快和避免局部极小。通过实验表明该网络不仅收敛速度快,而且易达到最优解。证明该网络对人脸图像检测具有高的检测精度。     

量子遗传神经网络语音水印算法

传统的BP神经网络通常以梯度下降法作为训练搜索算法,极易陷入局部最优。本文将量子遗传算法引入到神经网络,提出了一种改进量子遗传算法优化BP神经网络系数的语音水印算法。首先利用改进量子遗传算法的良好全局搜索特性,优化BP神经网络的初始系数找出粗略解,然后采用梯度算法精细搜索出神经网络的最优权值和阈值系数,提高网络的收敛精度。理论分析和实验仿真表明,与传统的BP神经网络和遗传算法优化神经网络系数相比,本文提出的神经网络输出误差更小,有更大的水印容量。      

基于遗传神经网络的芯片图像分割

芯片图像分割是上芯机机器视觉系统进行图像处理的重要环节,分割效果直接影响下一步芯片信息的提取。采用遗传算法对BP神经网络的权值和阈值进行优化,避免网络陷入局部最优,使其在全局范围内获得最优解。通过选择实数编码和遗传算子算法控制参数,利用优化后的神经网络对芯片图像进行分割;并用模板匹配法得到分割图像的匹配度,计算其平均值和方差。最后,将该算法与传统分割算法的进行比较,该算法的分割效果优于传统分割效果。     

基于头脑风暴优化算法的BP神经网络模糊图像复原

该文提出一种基于头脑风暴智能优化算法的BP神经网络模糊图像复原方法(OBSO-BP)。该方法在聚类和变异两方面优化了头脑风暴智能算法,利用头脑风暴优化算法易于解决多峰高维函数问题的特点,自动搜寻BP神经网络更佳的初始权值和阈值,以减少BP网络对其初始权值和阈值的敏感性,避免网络陷入局部最优解,增加网络的收敛速度,减小网络误差,提高图像还原质量。该文采用20张不同的图像,对其模糊图像分别进行维纳滤波复原(Wiener)、基于头脑风暴算法的维纳滤波复原(Wiener-BSO)、BP神经网络复原以及基于头脑风暴算法的BP神经网络(BSO-BP)图像复原实验。实验结果表明,该方法能够取得更好的图像复原效果。     

基于改进BP神经网络的车牌字符识别

在分析了BP网络学习算法的缺陷的基础上引入动量项和遗传算法对BP网络学习算法进行改进,大大提高了BP网络的收敛速度.对车牌字符图像进行分割并利用sobel算子进行边缘检测来提取字符特征.然后利用改进的BP网络来自动识别车牌字符,提高了识别的速度和正确率.     

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。     

基于改进遗传算法的多约束QoS路由算法研究

遗传算法良好的全局搜索能力使其被广泛地应用于网络中多约束QoS路由寻址,并取得了较好的成果。然而大部分应用于多约束QoS寻址的改进遗传算法存在无法有效利用网络资源使得网络拥塞、网络过早收敛陷入局部最优解,以及过慢结束的缺点。针对上述问题,对传统遗传算法中的适应度函数和遗传算子做出相应的改进,并通过实验验证提出改进遗传算法。最终,仿真实验表明该算法是可行的,并能在一定程度上克服传统遗传算法的缺点,提高收敛速度,有效避免过早收敛,提高QoS满意率。     

基于图像梯度的神经网络红外焦平面非均匀校正算法

红外焦平面阵列固有的非均匀性导致叠加在图像上的固定图形噪声严重影响了红外系统的成像质量。传统的神经网络非均匀校正算法存在待处理像素的期望值求解固有缺陷、收敛速度慢和学习速度过大,容易造成算法不收敛。提出了基于图像梯度的神经网络非均匀校正算法,通过对处理像素的期望值求解、改进和调整学习速度、改善图像校正效果,提高了算法收敛速度。通过对真实的红外图像序列实验表明,新算法相对传统的神经网络算法收敛速度提高了50%以上,红外图像校正效果也得到了提高。