遗传神经网络在滑坡灾害预报中的应用研究

针对传统BP算法易收敛于局部最优以及网络结构难以确定等问题,引进遗传算法进行混合建模.采用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,即先用遗传学习算法进行全局训练,再用BP算法进行精确训练,使网络收敛速度加快并避免陷入局部极小.文中结合实例,对BP神经网络,遗传算法改进的神经网络进行了比较分析.实验表明,利用改进的混合模型可以提高预测精度,缩短收敛时间.     

基于GA-PSO-BP 的大坝变形监测模型

提出了一种基于GA-PSO 混合优化BP 神经网络的大坝变形监测模型, 将遗传算法(GA)和粒子群算法(PSO)的寻优过程进行融合, 利用GA 算法的全局性和PSO 算法收敛速度快的特点,通过迭代选取最优的粒子作为BP神经网络的连接权值和阈值,以减小网络输出误差, 提高其收敛速度和加强网络泛化能力。运用GA-PSO-BP 模型对大坝自动监测数据进行预测分析, 实验结果表明GA-PSO-BP 模型优化了BP 神经网络的连接权值和阈值, 能有效提高网络训练精度与收敛速度, 有效避免早熟收敛, 使模型的整体预测效果得到提高。     

基于遗传神经网络沥青混合料抗车辙性能研究

动稳定度是评价沥青混合料在规定条件下抵抗塑性流动变形能力的指标,它的大小直观反映了沥青混合料抗车辙能力的强弱。介绍了BP、遗传算法(GA)优化BP两种神经网络,建立了沥青混合料抗车辙性能预估模型,并以此分别对沥青混合料车辙动稳定度进行预测,实验结果表明:基于遗传算法(GA)优化BP神经网络的沥青混合料动稳定度预测方法,能够使网络收敛速度加快并避免局部极小;GA-BP神经网络在收敛速度和预测精度方面均优于BP神经网络。     

BP神经网络在柳江径流预测中的应用

径流水位预测是进行洪水监测的重要手段,对于包含详尽信息的广西柳江日径流水位时间序列,采用基于BP神经网络模型进行预报可取得较好效果.如LMBPDH模型采用双隐含层BP网络能加强预测模型输入输出的非线性映射能力,采用Levenberg Marquardt （LM）算法对网络进行训练则能缩短BP网络的收敛时间,改善网络的收敛性能,同时采用实验法确定模型的其他参数使模型获取最佳预报性能.在对柳江近10年日平均水位的预测中,将LMBPDH模型与单隐含层BP神经网络、LM算法以及带适应学习率和动量因子的梯度递减法算法等组合构成的BP神经网络模型,以及遗传算法进化的神经网络模型比较,LMBPDH模型预报稳定性、预报准确率最佳.     

BP神经网络的遗传优化及其应用研究

针对BP神经网络具有训练速度慢、容易陷入局部极小值的特点,在分析其训练算法本质的基础上,提出将遗传算法（GA）引入神经网络训练,优化神经网络的权值和闽值,充分发挥遗传算法的全局寻优能力和BP算法的局部搜索优势,形成了一种新的GA—BP神经网络．应用实例仿真结果表明,GA—BP神经网络具有全局搜索、快速收敛的特点,建立的模型具有较高的预测精度和良好的泛化能力．     

基于GA的BP神经网络模型的研究及应用

分析了BP神经网络的缺陷和遗传算法的特点，提出了基于遗传算法的BP神经网络模型算法，该算法利用遗传算法全局寻优能力强等特点，可克服神经网络易陷入局部极小值、训练速度慢的缺陷。仿真结果表明：遗传算法和神经网络相结合的算法具有较好的全局快速收敛等性能。     

基于粗糙集和改进遗传算法优化BP神经网络的算法研究

针对BP神经网络结构由于特征维数增多变得复杂,以及网络易陷入局部极值点,提出了粗糙集和改进遗传算法结合共同优化神经网络的方法。首先利用粗糙集对样本空间进行属性约简,降低特征维数,进而简化BP神经网络的结构;然后训练过程中先用改进的遗传算法全局搜索网络的权值和阀值,再使用BP算法局部搜索细化,避免网络过早收敛。试验分析证明优化后BP神经网络比传统BP网络的预测精度得到了极大提高,泛化能力得到了增强,说明了该方法的可行性、有效性。     

遗传算法优化BP神经网络的说话人识别系统

针对BP神经网络收敛速度慢、容易陷入局部极小的缺陷,将遗传算法全局寻优的特点与BP神经网络相结合,利用遗传算法对神经网络的权值和阈值进行优化,构成一个GABP神经网络,有效地解决了BP神经网络容易陷入局部最优的问题。实验结果表明:相对于BP神经网络的说话人识别系统,基于GA-BP神经网络的说话人识别系统具有更快的网络收敛速度和更高的系统识别率。     

基于量子神经网络的公交客运量预测

为了对公交线路客运量进行有效预测,以便制定线路运营计划、合理规划运营线路和优化公交运营调度,通过分析公交客运量数据特性,提出一种基于量子神经网络的公交客运量预测模型,并在训练过程中动态调整量子间隔,以响应公交客流数据的强随机性。实验结果表明,该预测模型能够较好地适应公交客运数据的特性,相对误差低于10%,且预测精度较BP神经网络有显著提高。     

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.     

基于自适应网络的量子模糊推理系统

基于ANFIS与量子BP神经网络(QBP)提出了一种基于自适应网络的量子模糊推理系统(ANQFIS)。不同于ANFIS,ANQFIS以量子门旋转的方式将模糊规则强度与QBP相结合,最后以量子态的测量概率作为输出,QBP的加入使得模型的输出准确率更高,且凭借量子计算的速度优越性提升了模型的计算速度。根据梯度下降法,给出了该系统中参数的学习算法。在仿真实验中,分别使用低维数据和高维数据作为数据集来训练模型,使用攻击算法生成对抗样本进行测试,结果表明ANQFIS在输出准确率、鲁棒性方面优于ANFIS与QBP。     

基于遗传算法的BP神经网络模型在道路交通事故宏观预测中的应用

采用遗传算法优化BP神经网络来建立一个道路交通事故宏观预测的模型.该模型结合遗传算法和神经网络两者的优点,具有更好的运算性能、更快的收敛速度和更高的精度.模型以交通事故死亡人数为输出变量,以机动车保有量、公路里程、人均GDP为输入变量,利用1978年至2006年的道路交通事故数据进行训练及检验.实例计算表明,建立的基于遗传算法的BP神经网络模型可以很好的适用于道路交通事故宏观预测,为制定交通安全对策提供理论依据.     

基于PSO-Elman神经网络的短期电力负荷预测

为了解决BP神经网络在短期电力负荷预测中存在局部极小、收敛速度慢等问题,本文采用粒子群算法(Particle Swarm Optimization,PSO)优化Elman动态神经网络进行精准预测。根据输入输出参数个数确定Elman神经网络结构,利用PSO算法优化网络的权值和阈值,并将优化后的最优个体赋给Elman动态神经网络作为初始权值、阈值进行网络训练,从而建立基于PSO-Elman的电力负荷预测模型。采用某钢厂实测电力数据对该方法和模型进行验证,并与传统的BP、Elman网络模型预测方法进行对比,结果表明该方法和模型在有效缩短网络收敛时间的同时,具备更高的负荷预测精度和稳定性。     

基于GA-BP神经网络的双目摄像机标定

为克服传统BP算法收敛速度慢、易陷入局部极小等缺陷,本文利用遗传算法的全局寻优能力对神经网络的初始权和阈值进行优化,并将其运用到摄像机BP神经网络标定.采用遗传算法构建的神经网络,在不增加网络结构复杂度的情况下,大大提高了样本训练的精度和成功率,保证了网络的泛化能力.实验结果表明,该算法具有较高的标定精度,而且可行.     

基于QGA优化的BP神经网络的大坝渗流预报模型

针对BP神经网络的过拟合和收敛速度慢等问题,基于量子遗传算法（QGA）对网络初始权值、阀值进行优化,结合某电站实测资料建立了大坝渗流预报模型,通过对模型实例的比较,验证了模型的优越性．该模型在实际工程应用中有一定借鉴意义．     

基于BP神经网络的车型分类器

针对车型特征,提出了一种基于BP神经网络的识别方法．从图像中提取车型特征向量,用BP神经网络设计分类器,并进行有效的训练与测试．应用改进的BP算法（尺度化共轭梯度法）对网络进行训练,使网络很快得到收敛,解决了一般算法收敛慢的缺陷．     

一种用于滚动轴承故障诊断的方法

采用振动分析法来进行滚动轴承元件的故障诊断.通过带通滤波、包络谱分析和小波包分析提取了反映滚动轴承故障的5个频域特征参数,同时还提取了对轴承早期冲击故障较敏感的5个时域指标.基于上述10个故障特征值,采用BP神经网络、基于遗传算法的RBF神经网络进行故障分类训练.试验结果表明上述10个特征值对不同的滚动轴承故障非常敏感;BP网络和基于遗传算法的RBF网络都能有效地分类不同故障;基于遗传算法的RBF网络在训练时间、训练误差以及识别精度上优于BP网络.试验证明了上述方法在滚动轴承故障诊断中的有效性.     

基于切片模型的快速混合学习算法

针对传统BP神经网络训练收敛速度慢、易陷入局部极小点的问题,将遗传算法与误差放大的BP学习算法相结合,提出基于切片模型的快速混合学习算法.该算法通过将传统神经网络的训练过程划分为许多小的训练切片,并利用遗传算法的并行寻优特性,对采用误差放大的BP训练过程进行监督.通过及时发现收敛速率较快的个体和过滤陷入局部极小点的个体,来保证网络训练的成功率和实现快速向全局最优区域逼近的目的.仿真实验表明,该算法在不增加网络隐层节点数的情况下,显著地提高了网络的收敛精度和泛化能力.     

基于遗传算法的BP神经网络在声音智能监控中应用

针对标准的BP神经网络对于声音信号在线监控模型的预测误差比较大,提出了一种用遗传算法优化BP神经网络的算法,建立了声音监控的预测模型。遗传算法优化BP神经网络主要是用遗传算法来优化BP神经网络的初始权值和阀值,然后通过训练BP神经网络以得到预测模型的最优解,优化后的神经网络具有预测误差比较小、反应速度快等特点。实验结果证明,利用遗传算法优化BP神经网络在声音的智能监控中取得了比较好的效果,达到了系统设计的目的。     

遗传神经网络在铁矿石需求预测中的应用

将遗传算法与BP神经网络结合,利用遗传算法的全局搜索优化BP网络的初始权重,有效地克服了BP算法的局部收敛和收敛速度慢等问题.使用主成分分析法选取输入变量,并将建立的混合模型应用于铁矿石需求预测中.实验表明,该方法改善了预测精度,达到了较好的预测效果.