基于遗传算法的自适应时序洪水动态预模型

神经网络适于对复杂的非线性系统建模,而遗传算法具有并行处理及全局优化的功能,利用遗传算法优化网络拓扑结构及网络连接权,可以实现网络模型的优化。     

基于改进遗传小波神经网络的雷暴预报方法

为了进一步提高雷暴预报的准确率,在分析研究雷暴预报方法的基础上,提出了一种了基于改进遗传算法优化小波神经网络的雷暴预报方法(IGAWNN).该方法利用聚类分析和牛顿迭代法对多种群遗传算法的收敛方向和精度进行改进,避免了种群同质化与局部最优问题,采用改进的遗传算法对小波神经网络的初始权值阈值进行了优化.选用南京地区2008—2009年6—8月的探空和闪电定位资料,使用灰关联法挖掘出关联程度较大的对流参数作预报因子,归一化处理后输入模型,采用独立样本进行预报检验.结果表明,与BP神经网络等方法相比,IGA-WNN预报准确率更高,具有更好的非线性处理能力和泛化性.     

电能质量在线监测网络结构动态调整算法研究

电能质量在线监测网络的拓扑结构需要动态调整,以减少设备投资,更好的追踪动态变化的电能质量扰动,但这个问题目前少有研究涉及。依据电能质量在线监测的分析数据及监测网络拓扑结构数据,结合遗传算法及粒子群算法,提出一种混合电能质量在线监测网络拓扑结构调整算法。算法利用遗传算法对结构调整进行全局优化,而利用粒子群算法进行局部优化,并通过在全局及局部优化之间进行平衡以更快收敛。给出了混合算法的描述,算法执行流程以及收敛性证明。在IEEE30总线系统上的实验证明了该算法的有效性,而其后的实际应用进一步证明应用效果。     

基于免疫遗传算法的自组织映射网络应用研究

研究了自组织映射网络的初始权值选取问题,提出了基于免疫遗传算法的自组织映射网络.利用免疫遗传算法选取网络的初始权值,优化网络模型的输入参数.应用该方法对员工缺席情况和鲍鱼年龄进行分类.实验结果表明,免疫遗传算法自组织映射网络的分类准确度及训练效率都高于遗传算法自组织映射网络.     

神经网络与遗传算法应用于离子镀膜性能预报与工艺优化

以多弧离子镀（ＴｉＡｌ）Ｎ膜为例,建立了模层性能预报神经网络模型;将神经网络模型与遗传算法结合,建立了实现工艺参数优化（设计）的遗传算法模块．实验结果验证了性能预报神经网络模型与工艺优化遗传算法模块的可靠性,为解决离子镀膜性能预报与工艺优化设计问题提供了一条先进、合理的途径．     

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．     

基于云遗传算法优化BP神经网络的轨道客流预测

城市轨道交通客流预测是线路规划和运营组织的基础,为提高客流预测的准确度,提出了基于云遗传算法优化BP神经网络的轨道客流预测模型.首先利用云模型云滴的随机性和稳定倾向性改进传统遗传算法中固定设置交叉和变异率的方式,克服了标准遗传算法搜索速度慢及容易早熟的缺陷;再通过改进后的遗传算法来优化BP神经网络的初始权值和阈值;最后...     

基于自适应并行遗传算法的结构模糊动力优化

考虑到普通串行遗传算法处理结构动力优化问题时效率不高,引入并行遗传算法进行求解以提高效率,提出了一种新的自适应迁移算子,将其与串行遗传算法的自适应交叉,以及变异算子相结合,在4台微机组成的COW集群上实现了双向链式自适应迁移粗粒度并行遗传算法。同时为更加准确的描述实际工程问题,建立了结构模糊优化模型,提出了模糊水平截集因子的遗传编码确定方法,方便了模糊优化模型的求解。在最后给出的两个算例中,显示了自适应并行遗传算法的高效性以及模糊优化模型较之普通优化模型的合理性和有效性。     

基于子结构方法的PCB板支撑布局优化

根据PCB板结构的特点,利用自由度凝聚技术给出了元器件模型的自由度凝聚方法,并在此基础上利用于结构安装技术给出了PCB板支撑布局优化建模方法.该方法大大缩减了结构优化分析自由度的数量,并便于实现元器件组件计算结果的重用.提出了支撑点与PCB板节点不重合时的解决方法.利用遗传算法和ANSYS二次开发技术相结合,开发了支撑...     

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。     

基于神经网络优化法的故障诊断应用研究

在机械设备的故障诊断中，常采用BP网络算法对故障进行诊断计算，但由于BP网络易于收敛于局部极小点，且在初始参数与网络结构选取不当时。网络将出现发散现象．为此提出了将神经网络优化算法应用于汽轮发电机组的故障诊断中，实现了神经网络权值和阈值的快速计算，并以汽轮发电机组的故障诊断为背景。将两种算法的结果进行比较，证明该方法比BP算法精度高且收敛速度快、可靠性好．     

一种基于BP网络的流量分类方法

针对传统的网络流量分类方法准确率低、开销大、应用范围受限等问题,提出了一种基于BP网络的流量分类方法。该方法改进了标准的BP网络算法,采用基于Lyapunov函数得到的自适应学习率,并引入遗传算法优化网络的初始连接权值和阈值,使网络避免陷入局部最小,加速了网络收敛过程。实验结果表明,采用改进的BP网络算法来处理网络流量分类问题具有明显的优势：该方法的收敛速度和拟合精度均优于标准BP算法,而且流量分类准确率高于NB算法。     

基于零模型的社区检测基准网络构造及应用

社区检测对于探索挖掘复杂网络的结构特性具有重要意义,社区检测算法性能对于检测结果具有重要影响。目前用于衡量社区检测算法性能的基准测试网络较为单一,主要包括人工合成网络和真实世界网络。由于真实世界网络中通常缺乏已知社区结构信息,人工合成网络成为衡量算法性能的主要途径,但普遍存在网络微观特性不可调且与真实世界网络差异较大、对检测算法区分度不高、无法更改局部网络结构等问题。为提升人工合成网络性能,该文提出基于零模型的基准测试网络构造方法,首先设计了能够保持中尺度特性的零模型,提升网络微观特性调整灵活度,使其更逼近真实世界网络结构特性;其次设计了能够调整社区结构强弱的零模型,提升网络社区检测的评价准确性;最后设计了能够调整局部拓扑结构的零模型,有效衡量局部社区结构特性变化对于整体网络结构及检测算法性能的重要性。实验结果表明,基于零模型的构造方法能够有效提升基准测试网络的多样性和灵活性,更加逼近真实世界网络特性,因此更能满足对于社区检测算法性能的评价需求,对于提升复杂网络社区检测性能具有重要意义。     

Virtual network mapping algorithm for large-scale network environment

A major challenge of network virtualization is the virtual network resource allocation problem that deals with efficient mapping of virtual nodes and virtual links onto the substrate network resources. However, the existing algorithms are almost concentrated on the randomly small-scale network topology, which is not suitable for practical large-scale network environments, because more time is spent on traversing SN and VN, resulting in VN requests congestion. To address this problem, virtual network mapping algorithm is proposed for large-scale network based on small-world characteristic of complex network and network coordinate system. Compared our algorithm with algorithm D-ViNE, experimental results show that our algorithm improves the overall performance.     

基于蚁群优化神经网络的故障诊断

针对BP神经网络收敛速度慢,易于陷入局部极小点的问题,将蚁群算法引入BP神经网络的优化训练,建立了基于该算法的BP神经网络训练模型,并应用于电机转子故障诊断。结果表明,用蚁群算法训练神经网络具有较高的故障诊断精度,收敛性好,可以有效快速定位电机转子故障,提高诊断的效率和质量。     

一种改进的BP网络快速算法

BP神经网络已广泛应用于许多领域,但标准BP算法收敛速度很慢.为了提高标准BP算法的收敛速度,提出一种基于LM数值优化算法,以双极性S型压缩函数为转移函数的改进BP算法.分析了双极性S型函数及LM算法与BP神经网络具体结合实现的方法,并给出了算法步骤.通过实例证明,改进后算法的收敛速度比其它BP算法快.     

基于特征符号表示的网络异常流量检测算法

为了准确检测网络中的流量异常情况,确保网络正常运行,提出基于特征符号表示的网络异常流量检测算法（NAAD-FD）. NAAD-FD算法利用趋势转折点将网络流量数据按照基于趋势特征的符号表示方法进行转化,按照表示结果将原始数据转化为包含7项特征值的子序列,将7项特征值运用到提出的距离计算方法中;结合基于密度的算法,按照时间序列的网络异常流量定义执行异常检测. 通过对算法参数、仿真数据和真实网络流量数据的实验与分析可知,该算法具有较强的鲁棒性,验证了该算法的有效性和稳定性. 该算法通过降维简化表示,显著降低了算法的时间复杂度,有效加速异常检测过程约40%.     

基于最大秩距离码的强安全线性网络编码算法

针对网络编码中的防窃听问题,基于最大秩距离(MRD)码,提出一种强安全线性网络编码算法。在本文算法中,源节点上的消息通过扩域上的MRD码的陪集编码方法进行预编码。同时,中间节点则采用基域上的线性网络码。理论上证明了本文算法可以将一个非安全线性网络码转换为一个强安全线性网络码,即它是一个一般化的强安全线性网络编码算法。与现有的强安全算法的对比表明,本文算法降低了中间节点上的编码域尺寸。     

NARX网络在自适应逆控制动态系统辨识中的应用

针对动态神经网络的学习算法问题,提出了一种适用于带外加输入的非线性自回归 (NARX)动态网络的改进型RTRL学习算法. 该算法基于LM算法的思想,取代传统RTRL中的梯度寻优算法,以改善RTRL的学习速度, 并将该方法应用于NARX动态网络自适应逆控制的对象辨识中. 数值仿真结果表明该改进学习算法是可行而有效性的,并且也验证了NARX动态神经网络具有很强的动态描述能力.