一种选择性GMDH网络集成算法

提出一种新的GMDH网络的选择性集成算法,通过对构造GMDH网络个体的训练样本进行惩罚性划分,产生具有差异性的GMDH网络集合,再利用遗传算法从中选择最优GMDH网络子集进行集成。实验结果与分析表明,与GMDH网络的整体集成和单个GMDH网络以及传统的BP神经网络集成相比,GMDH网络的选择性集成在性能上具有明显的优势。     

神经网络算法在股指预测中的应用

GMDH是一种具有自组织特征的数据处理方法，适用于非线性系统的建模，股指是一种重要的金融数据，具有混沌特性。该文将相空间重构引入了GMDH神经网络的建模中，并将之应用于道琼斯等股指的预测。同BP冲经网络方法及一阶局域预测法相比，GMDH获得了更好的预测效果。     

BP网络及遗传算法在河道流量预报中的应用

基于遗传算法的全局搜索和BP网络局部精确搜索的特性,采用遗传算法对BP网络模型进行优化,并将此模型应用于北江流域的坪石-犁市河道的预报流量中.实验结果表明,该算法在提高BP网络的收敛速度和预测精度上是行之有效的,为流量预报提供了一种新的方法.     

GMDH的双向逐步回归递推算法

GMDH 是非线性辨识中较有效的一种方法.本文对这种方法提出了一种新算法,其核心是用双向逐步回归递推方法来确定 GMDH 中最佳部分多项式的结构和参数,并且同时得到预测误差.因此,本文给出的算法避免了原方法的大量重复计算,且可得到简化的最佳模型,还可方便地应用各种判别准则.     

一种自适应遗传BP神经网络模型研究及应用

如何更有效地提高神经网络的收敛速度和收敛质量。基于遗传算法的全局搜索和BP神经网络局部精确搜索的特性,提出一种自适应遗传BP神经网络模型,该模型的主要算法是先采用一种自适应遗传算法优化BP网络初始权重。而后再进行BP网络的训练过程。最后并研究如何利用该模型进行三级跳远成绩预测。实验结果表明该方法优于传统BP算法。有利于提高网络的收敛性以及学习能力,可在一定程度上提高三级跳远成绩预测的准确率,具有一定的实用价值。     

基于遗传神经网络的地震预测研究

分析遗传算法(GA)及BP神经网络的结构特性,提出利用具有全局搜索能力的遗传算法来弥补BP网络的不足,克服BP(Error Back Propagation)算法收敛速度慢,易陷入局部极小点的缺点,优化神经网络的连接权值和阈值.针对地震预测中,震级预测的困难性等问题,将具有全局搜索能力的遗传算法和具有深度搜索能力的BP算法相结合实现地震震级预测建模.通过实验比较得到了较好的预测结果,该模型是可行、有效的.     

一种新型的非线性系统模型参数辨识方法

针对传统模型参数辨识方法和遗传算法用于模型参数辨识时的缺点,提出了一种基于微粒群优化(PSO)算法的模型参数辨识方法,利用PSO算法强大的优化能力,通过对算法的改进,将过程模型的每个参数作为微粒群体中的一个微粒,利用微粒群体在参数空间进行高效并行的搜索来获得过程模型的最佳参数值,可有效提高参数辨识的精度和效率.     

神经网络模型的预测精度影响因素分析及其优化

神经网络对于非线性模型的辨识和非平稳信号的预测,与传统预测模型相比具有较明显的优势,但是神经网络的结构对于信号预测或模型辨识的精度具有较大影响.本文针对广泛使用的BP神经网络预测模型,以太阳黑子数据为例,分析了网络预测的拓扑结构(输入节点数、隐层节点数)及网络允许的训练误差MSE(Mean ofSquared Error)对其预测能力的影响.发现最优网络模型对应于一定的拓扑结构,收敛于某个由MSE目标值决定的最优位置,该收敛位置并不是网络的全局最优点.在此基础上,利用遗传算法,对输入节点数、隐层节点数和MSE目标值进行了优化,得到了最优的网络预测模型.最后,用算例验证了本文对BP网络模型预测精度影响因素分析的正确性.     

数据处理的分组方法GMDH

GMDH (数据处理的分组方法)是对复杂系统的一种启发式自组织的建模方法,是伊凡赫宁柯(Ivakhnenko,1970)借助生物控制论中的自组织的原理用启发式的方法提出的一套建模方法,这种方法的思路完全不同于现有的其他方法,首先,这一方法是启发式的,不是用解析式的方法推导出来的,而是在借鉴模仿生物系统的某些运动过程而提出来的一套建模方法。其次这种建模过程是自组织的,即自动进行变量组合,筛选以及判断是否得到合适的模型。GMDH 以充分地,合理地利用数据,用局部的简单的算法建立整体上复杂的模型为其主要特点。在变量多,数据少,而现有的其牠建模方法很难胜任建模任务的情形,GMDH 却可以得到十分令人满意的结果。因此,近年来 GMDH 受到人们普遍的重视。在1982年 IFAC 第6届“辨识与系统参数估计”学术会议上被列为系统辨识的概念之一。本文将具体讨论 GMDH 方法的基本思路与算法结构。     

GMDH模型在青海经济预测系统中的应用

将青海省1989年到2009年的GDP统计数据作为预测时的原始数据,建立GMDH(Group Method of Data Handling)自回归预测模型。由于要处理数据量十分庞大,而传统的GMDH算法每次拟合都会造成数据量的急剧增加,因此提出更加有效的GMDH改进算法。根据改进的GMDH预测模型的预测结果及对比表明,基于改进的GMDH自回归经济预测模型的拟合效果和预测结果,在经济正常增长或出现较大波动时都具有较高的可靠性与准确性。     

Design of hybrid differential evolution and group method of data handling networks for modeling and prediction

This paper proposes a hybrid modeling approach based on two familiar non-linear methods of mathematical modeling; the group method of data handling (GMDH) and differential evolution (DE) population-based algorithm. The proposed method constructs a GMDH self-organizing network model of a population of promising DE solutions. The new hybrid implementation is then applied to modeling tool wear in milling operations and also applied to two representative time series prediction problems of exchange rates of three international currencies and the well-studied Box-Jenkins gas furnace process data. The results of the proposed DE–GMDH approach are compared with the results obtained by the standard GMDH algorithm and its variants. Results presented show that the proposed DE–GMDH algorithm appears to perform better than the standard GMDH algorithm and the polynomial neural network (PNN) model for the tool wear problem. For the exchange rate problem, the results of the proposed DE–GMDH algorithm are competitive with all other approaches except in one case. For the Box-Jenkins gas furnace data, the experimental results clearly demonstrates that the proposed DE–GMDH-type network outperforms the existing models both in terms of better approximation capabilities as well as generalization abilities. Consequently, this self-organizing modeling approach may be useful in modeling advanced manufacturing systems where it is necessary to model tool wear during machining operations, and in time series applications such as in prediction of time series exchange rate and industrial gas furnace problems.     

TSGA:新型的片上网络低功耗映射算法

针对如何将越来越复杂的应用任务有效地映射到片上网络处理单元上,达到以更少的能耗完成任务的目的,提出了一种遗传算法和禁忌搜索算法相融合的新型片上网路低功耗映射算法。该方法充分利用遗传算法强大的全局搜索能力,融合禁忌搜索的局部搜索能力和突出的翻山特性来弥补遗传算法的局部搜索能力弱和早熟的缺陷,取得了更好的片上网络低功耗效果。实验结果表明,在同样的实验平台和功耗模型下,禁忌搜索遗传算法相比于早期的遗传算法能耗降低显著,相比于后来改进的MGA、AGA算法也有能效优势。     

遗传禁忌算法优化BP网络用于入侵检测

针对入侵检测系统存在的高漏报率和误报率,提出一种基于遗传禁忌神经网络的入侵检测模型。该模型基于遗传禁忌算法的全局搜索和BP网络局部精确搜索的特性,将遗传禁忌算法和BP算法有机结合,利用遗传禁忌算法优化BP网络初始权重,同时引入小生境技术改进遗传禁忌算法。实验表明,改进的遗传禁忌算法优化BP网络用于入侵检测能提高入侵检测的效率,降低误警率,可在一定程度上提高入侵检测系统的准确率。     

Medical image diagnosis of liver cancer by feedback GMDH-type neural network using knowledge base

A revised group method of data handling (GMDH)-type neural network algorithm using knowledge base for medical image diagnosis, is proposed and applied to medical image diagnosis of liver cancer. In this algorithm, the knowledge base for medical image diagnosis is used for organizing the neural network architecture for medical image diagnosis. Furthermore, the revised GMDH-type neural network algorithm has a feedback loop and can identify the characteristics of the medical images accurately using feedback loop calculations. It is shown that the revised GMDH-type neural network is accurate and a useful method for the medical image diagnosis of the liver cancer.     

基于粗糙集的GMDH神经网络的时间序列预测

针对随机时间序列的强不确定性和非线性特征,结合粗糙集理论和成组数据处理的神经网络技术建立了基于粗集的GMDH神经网络预测模型.同时就自然界大多数的随机时间序列数据维数较大的问题,为提高约简效率,提出了基于快速求核和集合近似质量的约简算法,并进行了仿真验证.结果表明,基于粗集的GMDH神经网络预测模型合理可行,约简算法快速有效.     

Feedback GMDH-type neural network algorithm and its application to medical image analysis of cancer of the liver

A revised group method of data handling (GMDH)-type neural network algorithm for medical image recognition is proposed, and is applied to medical image analysis of cancer of the liver. The revised GMDH-type neural network algorithm has a feedback loop and can identify the characteristics of the medical images accurately using feedback-loop calculations. In this algorithm, the polynomial type and the radial basis function (RBF)-type neurons are used for organizing the neural network architecture. The optimum neural network architecture fitting the complexity of the medical images is automatically organized so as to minimize the prediction error criterion, defined as the prediction sum of squares (PSS).     

The k-nearest neighbour-based GMDH prediction model and its applications

This paper centres on a new GMDH (group method of data handling) algorithm based on the k-nearest neighbour (k-NN) method. Instead of the transfer function that has been used in traditional GMDH, the k-NN kernel function is adopted in the proposed GMDH to characterise relationships between the input and output variables. The proposed method combines the advantages of the k-nearest neighbour (k-NN) algorithm and GMDH algorithm, and thus improves the predictive capability of the GMDH algorithm. It has been proved that when the bandwidth of the kernel is less than a certain constant C, the predictive capability of the new model is superior to that of the traditional one. As an illustration, it is shown that the new method can accurately forecast consumer price index (CPI).     

一种组合式特征选择算法及其在网络流量识别中的应用

当前网络流量日趋复杂,给网络管理带来许多困难.为了准确地识别出网络中的各种流量,本文以支持向量机为分类器,以流的统计学特征为分类依据,提出一种组合式特征选择算法,该算法首先快速去除和分类不相关的特征,针对余下的特征,再利用遗传算法引导特征的选择和支持向量机模型参数的寻优,最终获得了最优的特征集和最佳的支持向量机分类模型.经过实验验证,基于该算法的网络流量识别方法在识别P2P流量时能以更少的特征获得更高的分类准确率.     

数据组合处理方法在数据预测中的应用

数据组合处理方法（GMDH）是20世纪70年代发展起来的一种启发式自组织建立模型的方法;它能充分地、合理地利用数据,自动进行变量组合,筛选以及判断从而得到合适的模型;简单介绍了该方法建模的基本原理和算法实现,给出了仿真算例,并与用相同资料建立的PPR预测模型的预测结果进行了比较;仿真结果表明,用GMDH方法建立非线性系统模型,具有预测精度高、计算稳定性好等优点。