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。     

基于遗传算法的BP网络优化研究

提出了一种改进的自适应遗传算法(IAGA)，它利用网络结构的特点，采用前向自适应技术，实现对神经网络的有效训练．仿真实验表明，该算法优于BP算法和标准遗传算法(BGA)，网络训练质量和效率都有很大提高．     

基于遗传算法的BP网络优化研究

提出了一种改进的自适应遗传算法(IAGA),它利用网络结构的特点,采用前向自适应技术,实现对神经网络的有效训练.仿真实验表明,该算法优于BP算法和标准遗传算法(BGA),网络训练质量和效率都有很大提高.     

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．     

改进自适应遗传算法在BP神经网络学习中的应用

针对遗传算法容易产生局值的问题,提出一种新的自适应遗传算法,改进遗传算子,通过比较两代之间的适应度评估值,选取适合的交叉率和变异率,保证了优秀个体进入下一代,而且避免了种群中最大适应度值的个体的交叉率和变异率为0的情况.最后,将改进后的算法应用于库存控制模型,实验表明,改进后的自适应遗传算法能避免局值,提高网络的收敛速度,改善了网络的学习性能.     

结合自适应遗传算法与弹性BP神经网络的亚硝酸盐预测模型

针对目前营养盐检测主要是通过化学方法实现,无法获得在线检测的问题,利用营养盐与其影响因子之间的关系,提出结合自适应遗传算法与弹性BP神经网络的预测模型.利用改进的自适应遗传算法,通过交叉、变异获取弹性BP神经网络的初始权值与阈值,加速预测过程.该模型通过营养盐影响因子数据,预测亚硝酸盐浓度.仿真结果表明:基于弹性BP神经网络的预测模型预测营养盐浓度是可行的,其预测得到的亚硝酸盐浓度值的相对误差主要集中于0~30%;结合自适应遗传算法与弹性BP神经网络的预测模型的预测效果好于基于弹性BP神经网络的预测模型.     

遗传优化BP神经网络在槽况预测中的应用

针对目前国内对铝电解槽槽况诊断存在的的难度大、效率低等问题,设计了一种以槽电压信号为特征向量的诊断样本和BP神经网络模型.利用BP神经网络的自学习能力,对铝电解槽的槽况进行分析预测.同时本文利用遗传算法的最优搜索能力对BP神经网络的初始权值和阈值进行优化.通过MATLAB对状态预测算法进行编程.结果显示,对铝电解槽槽况的判断基本正确.     

基于BP网络的典型工业过程自适应预测区域控制

针对一类具有分数传输滞后、参数时变的典型工业过程开环参数与广义预测控制器参数之间的内在联系,通过在目标函数中引入开环增益,并利用BP网络的非线性映射能力得到了自适应广义预测控制的一种直接算法。在该算法中,先用一个辨识器辨识过程开环参数,然后由一个已训练好的BP网络根据辨识结果和加权因子的值直接计算出控制器的参数,得到控制律。该方法不依赖于过程的精确模型,极大地简化了在线计算负担。同时,把区域控制的思想引入到预测控制之中,给出了两种区域预测控制方案。在一个二元精馏塔模型上与常规广义预测控制方案的对比仿真结果验证了文中所示方法的可行性。     

基于BP网络的典型工业过程自适应预测区域控制

针对一类具有分数传输滞后、参数时变的典型工业过程开环参数与广义预测控制器参数之间的内在联系 ,通过在目标函数中引入开环增益 ,并利用BP网络的非线性映射能力得到了自适应广义预测控制的一种直接算法。在该算法中 ,先用一个辨识器辨识过程开环参数 ,然后由一个已训练好的BP网络根据辨识结果和加权因子的值直接计算出控制器的参数 ,得到控制律。该方法不依赖于过程的精确模型 ,极大地简化了在线计算负担。同时 ,把区域控制的思想引入到预测控制之中 ,给出了两种区域预测控制方案。在一个二元精馏塔模型上与常规广义预测控制方案的对比仿真结果验证了文中所示方法的可行性     

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。     

神经网络BP算法在有源消声中的应用

为了克服传统自适应有源消声算法在应用中稳定性方面的不足,尝试将神经网络反向传播（ＢＰ）算法应用于有源消声技术。文中建立了基于ＢＰ算法的自适应有源消声（ＡＡＮＣ—ＢＰ）模型并给出该算法的递推公式。利用ＴＭＳ３２０Ｃ２５开发板实现了该算法功能。在半消声室中进行了单频和１００Ｈｚ带宽的消声实验,仅利用单个次级源结构便获得较好的消声效果。实验证明,基于ＢＰ算法的消声系统具有良好的稳定性。     

一种基于进化BP神经网络的文本分类算法

提出并实现了一种结合BP神经网络和遗传算法的文本分类算法,根据遗传算法能够快速优化网络权重以及摆脱BP算法局部极点困扰的能力,提出一种改进的遗传算法确定网络拓扑结构和训练网络的方法．最后对设计的分类器进行了开放性测试,实验结果表明该分类器显著地提高了文本分类的查全率和查准率．     

基于遗传BP神经网络的油气识别

为了建立一种有效的油气储层识别模型,使得能够处理大信息量、复杂样本空间油气信息,本文提出遗传BP神经网络模型,利用遗传算法全局搜索问题解的特性对BP神经网络的权值和阈值进行快速优化,约束BP神经网络训练学习过程。研究表明,相对于传统BP模型,遗传BP模型具有效率高、收敛速度快、适应复杂样本空间和大样本空间训练学习等优点。     

基于遗传优化的神经网络盲均衡算法

传统前馈神经网络盲均衡中神经网络的初始权重的确定缺乏理论依据,收敛速度慢,容易陷人局部极小值.为有效克服这些缺陷,提出了遗传优化神经网络的盲均衡算法.算法用遗传算法对前馈神经网络的网络权重进行优化,为神经网络提供一个全局较优的局部搜索空间;再利用传统神经网络在这个局部空间进行更精确地搜索,最终实现盲均衡.计算机仿真结果表明:与传统神经网络算法相比,新算法达到了更好的收敛特性和均衡效果,剩余稳态误差减少30%以上,收敛速度加快约20%,误码率也有明显降低.     

基于遗传算法的BP神经网络服装销售预测方法

针对服装企业产品销售的复杂性以及特殊性,提出一种有效的神经网络学习模型. 在对服装销售影响因子分析的基础上建立销售预测网络模型,利用遗传算法对后向传播神经网络的各连接权值进行优化计算. 方法综合了后向传播神经网格和遗传算法两者的优势,既具有神经网络强大的学习能力,又具有遗传算法的全局搜索能力.     

遗传算法优化模糊神经网络的入侵检测模型

针对目前大多数的入侵检测系统存在的局限性,依据通用入侵检测框架CIDF,提出了一种利用遗传算法优化网络参数的基于模糊神经网络的入侵检测模型,分析了入侵模糊特征、模糊神经网络的学习优化问题,给出了此模型中模糊神经网络模块的训练算法．仿真实验结果表明,该检测算法可以有效地进行入侵检测,检测效率达到95％以上．