一种改进的混合遗传算法人工神经网络及其应用

采用自适应交叉变异、最优保存、局部寻优的遗传算法,避免了BP神经网络在训练过程中收敛于局部极小点的缺陷,并将其对神经网络的权值和阈值进行优化,从而提出了一种改进的混合遗传算法神经网络模型。该算法首先对一给定的神经网络结构,采用自适应交叉变异和最优保存策略对神经网络进行优化;然后采用局部寻优策略进一步克服神经网络学习算法的早熟问题。采用上述三种优化策略的神经网络模型对三元混合物溶液的物性和烟叶质量进行预测。试算结果表明,与实验值相比,预测结果良好。     

基于改进GA的FNNC在水泥回转窑温度控制中的应用

神经网络和模糊控制在解决复杂的对象方面有独特优势,将模糊理论的知识表达容易和神经网络较强的学习能力这两个优势有机结合起来,用以提高系统的学习能力和表达能力.模糊神经网络(FNN)是近几年的研究热点,但由于采用对神经网络进行训练的BP算法是梯度算法,容易陷入局部极小.本文提出把动态的交叉率、变异率与在传统的遗传算法(GA)中加入动态学习的BP算子结合起来改良传统的遗传算法,即在遗传操作中,利用动态交叉率和变异率来改善全局样本的收敛速度:而在BP运算中加入动态学习率得到最大的优化收敛,不仅发挥了神经网络的泛化的映射能力,采用的遗传算法也极大地提高网络的学习速度和控制性能.     

基于改进差分进化算法的神经网络管道泄漏检测

提出了一种基于神经网络与差分进化算法的天然气泄漏预测方法,该方法采用RBF神经网络作为泄漏预测模型,引入改进的差分算法对网络的初始连接权值进行优化。为了在全局搜索和局部搜索之间取得最佳平衡,提出了一种自适应变异因子和交叉概率的改进算法,并将其应用于泄漏预测神经网络模型优化。将所提出的方法与原始算法的前向网络预测方法进行了比较。结果表明:所提出的方法收敛速度快,所得模型的预测误差小、准确率较高、迭代次数少、泛化能力强,对天然气的泄漏预测有很好的参考作用。     

基于混合遗传算法的选矿生产过程能耗预测分析

针对BP神经网络模型进行预测易出现收敛陷入局部极小点、网络震荡大、预测值可信度不高等问题,以鞍钢集团大孤山选矿厂为研究对象,建立了基于混合遗传算法的能耗预测模型。用MATLAB编写计算程序进行测试,并与纯BP神经网络进行分析比较。结果表明,在预测精度和收敛速度方面均得到了改善。     

遗传算法与神经网络(Ⅰ)──用改进的遗传算法训练神经网络

针对BP（backpropagation）神经网络训练中的局部最优问题,提出了由改进的遗传算法EGA训练BP神经网络的新方法．该方法克服了经典遗传算法的不足,通过自适应多点变异操作比较有效地克服了收敛过程中的振荡问题,因而提高了BP网络训练的速度,并且找到了合理的变异因子范围．     

应用优化的BP神经网络模型预测储层伤害程度

为了快速、准确的预测柴西北区N21～N22储层伤害程度,在收集岩心分析资料的基础上,建立了预测储层敏感性伤害的神经网络模型。该神经网络模型运用遗传算法和Levenberg-Marquardt算法对BP神经网络的权阈值进行搜索,改进了以往神经网络模型容易陷入局部最优以及收敛速度慢的缺点,有效提高了网络的收敛性和预测的准确率。仿真结果表明：优化后的BP神经网络模型的敏感性伤害程度预测结果与岩心流动实验结果符合率高,同时,优化后的BP神经网络模型比以往的BP网络模型预测速度快、精度高。     

基于改进遗传算法的BP神经网络手写数字识别

手写数字识别是光学字符识别技术的一个分支,一般采用神经网络,其中较为突出的是BP神经网络,但BP算法易陷入误差局部最小产生振荡且训练速度慢,通常先采用优化算法对其结构进行优化。为此,在分析GA-BP算法原理的基础上,提出对GA算法的相应算子中交叉和变异概率进行改进的方法,并用改进的GA算法优化BP神经网络的连接权值和阈值。以手写体数字识别为对象进行实验,结果表明：该方法具有更快的收敛速度和更可靠的稳定性,大大提高了BP神经网络的学习速度和识别率。     

改进BP神经网络在胎面挤出参数预测中的应用

采用隐含层数为4,每个隐含层单元数为10的改进BP神经网络预测销钉机筒冷喂料挤出机的胎面挤出参数.与传统BP神经网络相比,改进算法采用惯性冲量校正、限幅输出和步长自适应解决传统算法学习速度慢且易于陷入局部最小值的问题.Matlab仿真表明,改进算法的收敛速度和收敛效果均明显比传统BP神经网络算法好.训练好的神经网络对胎面挤出过程的参数预测和试验结果间的最大误差为1%,大部分误差小于0.5%.     

基于遗传神经网络的微滤膜通量的预测

针对BP神经网络在寻优过程中容易陷入局部极小值的缺点,将遗传算法和BP神经网络相结合,构造了一种基于遗传算法的反向传播（GABP）神经网络。网络的训练分为两步：首先利用遗传算法群体寻优策略,采用遗传算法对网络权值和阈值进行全局搜索,保证其落入全局最优点的邻域;然后再用梯度法对网络权值进行细化训练以进一步减小误差,使其收敛于全局最优解或性能很好的近似最优解。网络训练时使用的数据是在不同操作条件 （温度、压力、浓度）下,用标准孔径为0.1 μm 的亲水聚偏氟乙烯微滤膜过滤牛血清白蛋白(BSA)溶液时得到的膜通量实验数据,用训练好的GABP神经网络对微滤膜过滤BSA的膜通量预测研究结果表明,与传统的BP算法相比,GABP神经网络算法改善了网络收敛速度以及膜通量预测的准确度。     

结合遗传算子的改进粒子群算法在控制系统设计中的应用

针对粒子群优化算法容易陷入局部最优以及早熟等缺点,结合遗传算法的选择交叉变异算子进行改进,得到一种新型PSO算法.将该方法应用于PID控制系统参数调优和被控对象参数辨识,仿真结果显示所提出的算法优化效果优于基本粒子群优化算法和遗传算法,收敛性能也得到较大提高.     

遗传算法和梯度法联合训练的人工神经网络预测有机物熔点

应用遗传算法和梯度法联合训练人工神经网络,使之从有机物的分子量,临界密度,正常沸点和偶极矩预测其熔点。平均误差５．１％,效果优于Ｊｏｂａｃｋ方程和许氏方程。     

基于基团贡献神经网络集成法估算有机物常压凝固点

基于基团贡献法应用人工神经网络对有机物的常压凝固点进行了估算,输入参数为有机物的基团数和表征异构体的参数,输出为常压凝固点.分析了采用最速梯度下降法的BP算法在训练过程中产生误差饱和情况的原因,采用在隐含层节点中加入误差饱和预防函数用来防止误差饱和情况的出现.仿真结果表明,所采用的方法能有效地减小网络在误差表面陷入低谷的可能性和提高网络的收敛速率.采用神经网络集成法建立了神经网络集成模型,通过仿真合理选择隐含层节点数和采用交叉验证法用于防止BP网络的过度训练,增强了网络的泛化能力.估算结果表明,所建立的神经网络集成模型,其网络有良好的稳定性和预测精度,207个样本估算的绝对平均相对误差为8.62%.     

基于SHPSO-GA-BP的成品汽油调和中加氢汽油组分辛烷值的预测

针对成品汽油调和配方建模中加氢汽油组分辛烷值难以实时获取,考虑遗传算法(genetic algorithm,GA)、粒子群算法(particle swarm optimization,PSO)优化反向传播(back propagation,BP)网络存在的问题,提出了一种串行混合粒子群遗传算法(serial hybrid PSO-GA,SHPSO-GA)优化BP网络,并用于辛烷值的预测建模。该方法首先将PSO算法的输出依据适应度值分为优劣2个种群,弃劣留优;然后对留优种群再进行GA的交叉变异操作,进一步优化种群,经过每一代PSO和GA的交替优化,并将最优种群用于BP网络参数优化;最后基于该方法和工业历史数据,建立了加氢汽油组分辛烷值的预测模型,仿真结果表明,较传统BP,以及改进的GA-BP、PSO-BP、PSO-GA-BP等方法,SHPSO-GA-BP由于将PSO与GA进行更优的深度融合,具有更好的预测性能,可以用于辛烷值的预测。     

航空发动机磨损趋势预测模型研究

文章讨论了神经网络的BP算法和遗传算法,提出用遗传算法来优化BP神经网络,应用遗传算法训练神经网络权重,实现网络结构的优化,用优化后的BP人工神经网络建立了航空发动机磨损故障趋势预测模型,利用发动机的光谱监测数据作为预测磨损趋势的特征参数,进行了模型的训练和预测试验,并将该模型预测结果与BP算法和多元线性回归法的预测结果进行了比较,证明了基于遗传算法的人工神经网络是航空发动机磨损故障趋势预测的一种理想方法。     

应用经遗传算法优化的BP神经网络预测催化裂化装置焦炭产率

焦炭是催化裂化装置的主要副产物,准确预测催化裂化焦炭产率对提高装置的操作平稳度和经济效益具有重要意义。人工神经网络(ANN)具有强大的自学习和自适应能力,在非线性预测方面具有明显的优势。本研究将遗传算法(GA)与BP神经网络相结合,基于某炼厂催化裂化装置的生产数据,分别从原料、催化剂和操作条件3个方面选取28个关键影响参数建立了催化裂化焦炭产率预测模型,分别将BP神经网络和经遗传算法优化的BP神经网络(GA-BP)的预测结果与工业数据进行对比。结果表明,经遗传算法优化的预测模型无论在预测结果的准确性还是稳定性方面效果更好。最后,本研究还通过考察原料残炭、反应温度等单一关键参数对焦炭产率的影响,进一步证明了经遗传算法优化的BP神经网络预测模型的准确性。     

GA-BP神经网络在钢铁加热炉建模中的应用

基于现场采集的大量的数据,采用BP神经网络建立现场加热炉炉温的非线性模型,并提出利用遗传算法优化BP神经网络的参数与阈值,有效避免了BP神经网络易陷入局部最小值、收敛速度慢的不足。仿真结果表明:在同样的数据集下,GA-BP神经网络的稳定性更好,预测精度更高。