遗传小波神经网络在飞机加油管路设计中的应用

基于给出的飞机地面压力加油管路模型 ,分析并找到了解决大容量、多吨位、多功能加油系统常用吨位加油和最大吨位加油所需时间之间矛盾的方法。针对传统遗传算法易陷入早熟收敛的缺点 ,将遗传算法全局优化搜索和小波分析的时 -频局部性相结合 ,使用一种基于遗传算法学习的小波神经网络—遗传小波神经网络 (GAWNN)得到了各管路优化的节流孔尺寸。试验结果证明 ,该算法大大提高了飞机地面压力加油管路设计的效率     

遗传小波神经网络在机床碳排放预测中的应用

机床的生产加工过程中,会产生大量的碳排放,通过分析机床加工过程的碳排放相关量,预测碳排放值,从而达到降低碳排放的目的;将遗传算法对具有自适应性和函数逼近能力的小波神经网络的参数进行全局优化,来构建遗传小波神经网络模型,对机床加工过程的碳排放进行预测;并通过实验数据将遗传小波神经网络与传统小波神经网络的预测结果进行对比,结果显示,优化后的小波神经网络在机床碳排放的预测结果平均误差为0.48%,均方误差为20.5303,均优于传统神经网络,证实了在机床碳排放预测中遗传小波神经网络相对传统神经网络具有更高的逼近精度;从而能够较为准确地对机床碳排放进行预测和控制。     

基于遗传算法优化小波神经网络数控机床热误差建模

数控机床的热误差已经成为影响其加工精度的一个关键因素,为最大限度提高数控机床热误差补偿的精度和效率,结合遗传算法自适应全局优化搜索能力和小波神经网络良好的时频局部特性的优点,提出一种基于遗传算法优化小波神经网络的机床热误差补偿模型。以某型号五轴摆动卧式加工中心为试验对象,以机床温度变量和热误差为数据输入样本,建立小波神经网络模型热误差预测模型,然后用遗传算法优化小波神经网络权值、阈值,最终建立热误差预测模型。通过与传统人工神经网络和普通小波神经网络进行对比分析及试验论证表明,该补偿模型具有精度高、抗扰动能力和鲁棒性强等优点,有望在实际加工场合的数控机床的热误差预测和补偿研究中得到更大的推广应用。     

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。     

基于遗传神经网络的加速度传感器动态建模方法

提出了利用遗传神经网络实现加速度传感器动态建模的新方法，介绍动态建模原理以及算法，给出用遗传神经网络建立的加速度传感器动态数学模型。该方法利用加速度传感器的动态标定数据，采用遗传神经网络搜索和优化动态模型参数。这样，既保留遗传算法的全局搜索能力，克服神经网络容易陷入局部极小的缺陷，又具有神经网络局部搜索能力强的特点。结果表明：以上提出的动态建模方法具有建模精度高、鲁棒性好等优点。     

遗传小波网络在齿轮箱故障诊断中的应用

针对小波神经网络常用的反向传播算法普遍存在收敛速度慢,容易陷入局部极小点,网络参数的选取只能凭实验和经验来确定等缺点,提出了一种基于遗传算法优化的小波神经网络并应用于齿轮的故障诊断。仿真结果表明,该方法充分的发挥了遗传算法的全局寻优能力,小波分析的非线性逼近能力和神经网络的自学习特性,优化了系统的收敛速度和故障诊断的精度。     

基于GA-LM-BP算法的圆柱轴承动特性预测

为了预测精度较高的圆柱轴承动特性系数,提出了一种以自适应遗传算法（GA）、LM算法以及BP网络相结合的神经网络模型.先采用自适应的遗传算法进行全局搜索,获得网络的权值和阈值的最优解附近的解,在全局搜索的基础上,再利用训练精度高、收敛速度快的LM-BP算法进行样本训练.研究结果表明,基于GA-LM-BP算法的圆柱轴承动特性的神经网络模型可以快速地预测圆柱轴承在不同结构和工况条件下的8个动特性系数,预测结果满足工程需求.     

遗传算法和人工神经网络在ITS中的应用

针对遗传算法(Genetic Algorithm,GA)和人工神经网络(Artificial Neural Network,ANN)的优缺点,提出了将遗传算法与人工神经网络有机结合起来的遗传-神经网络(Genetic Neural Network,GNN)优化计算模型,既利用了遗传算法能并行计算且能快速、全局搜索的优点,又克服了神经网络固有的搜索速度慢且易陷入局部早熟的缺点.结果表明遗传-神经网络算法能加快非线性模型的收敛速度,具有较强的鲁棒性,在ITS中有着广泛的应用前景.     

遗传算法优化BP网络的锂电池剩余容量预测

为了有效地对锂电池剩余容量进行预测,在分析了BP神经网络对剩余容量模型非线性回归基础上,针对BP算法预测迭代速度慢且易出现局部最优的问题,提出了一种基于遗传算法(GA)优化BP神经网络的算法。遗传算法具有较强劲的全局搜索能力,将其应用到BP神经网络的参数寻优当中,可以寻找到BP网络的最优参数。将该模型应用于锂离子电池剩余容量的预测,并将生成的模型与单独使用BP神经网络的预测模型比较。仿真结果表明,基于遗传算法优化的BP神经网络剩余容量预测的精准度高于单独使用BP网络剩余容量预测的精准度,为锂离子电池容量预测提供了一种新方法。     

基于遗传神经网络的电火花加工效果的预测

针对电火花加工非线性及复杂性的特点,提出了基于遗传神经网络的电火花加工效果的预测模型.遗传神经网络(GA-BP)是针对BP算法易陷入局部极小、收敛速度慢的缺点,根据遗传算法具有很强的全局搜身能力的特点,将二者结合起来形成一种训练神经网络的混合算法.通过该预测模型对一定加工条件下的加工速度和工件表面粗糙度进行预测,预测结果与实际实验结果有较好的一致性,说明遗传神经网络对电火花加工效果的预测是有效的.