遗传神经网络-紫外分光光度法同时测定苯酚和邻苯二酚

研究吸收光谱重叠严重的苯酚和邻苯二酚的两组分体系,针对BP神经网络易陷入局部极小等缺陷,将遗传算法与BP神经网络相结合,用遗传算法优化神经网络的初始权值和阀值,由神经网络输出的误差构造适应度函数,建立遗传神经网络算法,用紫外分光光度法同时测定混合的苯酚和邻苯二酚,预测集样品的相对平均误差分别为0.818%和0.366%,对水样的加标回收率分别为104.7%和102.9%。     

遗传神经网络入侵检测器的构造及其实现

本文在分析了神经网络应用于入侵检测的优点及其存在问题的基础上,提出了使用遗传算法对BP神经网络进行优化。遗传算法优化BP神经网络的关键有三点：1、染色体化位串与权系数的编码映射;2、适应度函数的确定;3、进行遗传操作。最后对GA-BP和BP两种算法进行了比较．     

一种基于改进遗传算法的单神经元控制方法

为实现在实际的炉群多变量燃烧系统中,对各个燃烧的子系统的控制参数进行优化,提出了一种基于改进适应度函数的遗传单神经元控制算法,该算法克服了采用神经网络方法收敛速度慢、在求解过程中陷入局部极小点等缺点,利用遗传算法的全局寻优特性和神经网络对非线性函数较强的逼近能力,将改进的遗传算法和单神经元控制相结合,实现对一类非线性系统的参数进行优化。模拟实验和真实结果验证了这种方法是可行的。     

基于混沌免疫遗传算法的神经网络及应用

借助混沌随机序列构造初始种群,将免疫机制引入传统遗传进化过程,有效克服传统遗传算法种群“退化”和“早熟”的不足,保持种群多样性,构造得到混沌免疫遗传优化算法.进而将混沌免疫遗传优化算法与BP神经网络相结合,分别用混沌免疫遗传优化算法和自适应BP算法对网络权值进行全局优化和局部二次优化,建立基于混沌免疫遗传算法的神经网络模型.利用所建立的混合神经网络模型对渤海某海域年极值冰厚进行训练预测,并将模型预测结果与实际数据以及动态拓扑预测的结果进行对比,表明基于混沌免疫遗传算法的神经网络模型具有很高的预测精度和工程适用性.     

基于径向基神经网络的分数阶混沌系统控制

针对分数阶混沌系统的控制问题,提出了一种基于径向基函数（RBF）神经网络的控制方法．利用RBF 神经网络对混沌系统的非线性进行补偿,并且神经网络的权值可以通过调整律在线调整．在有参数干扰和外部扰动 的情况下,所设计的控制器仍能使得控制误差渐近收敛到零．以分数阶Liu 混沌系统为例施加控制,仿真结果验证 了该方法的有效性和鲁棒性．     

基于遗传算法的PID神经网络解耦控制

提出一种基于遗传算法的ＰＩＤ神经网络解耦控制算法。该算法将遗传算法用于多层前向神经网络的连接权系数的学习。克服了ＢＰ算法易陷入局部极值的缺点,并具备ＰＩＤ神经网络控制器结构简单规范、动态和静态性能良好等优点,适用于对非线性多变量系统的解耦控制。     

《混沌系统的模糊神经网络控制理论与方法》评介

由谭文教授和王耀南教授撰写的《混沌系统的模糊神经网络控制理论与方法》专著,较系统地介绍了混沌系统模糊神经网络控制的基本理论和新方法、新成果。全书12章,涵盖了混沌系统的BP神经网络控制、混沌系统的RBF神经网络控制、超混沌系统的模糊滑模控制、不确定混沌系统的模糊自适应控制、无穷维时滞混沌系统的混合模糊神经网络时间序列预测、混沌系统的复合遗传神经网络控制、不确定混沌系统的模糊神经网络自适应控制、动态神经网络的不确定混沌系统辨识与控制、基于线性矩阵不等式方法的不确定混沌系统模糊控制、不确定混沌系统的递归高阶神经网络同步控制等,具体内容如下：     

一种基于混沌遗传与粒子群混合优化的过程神经网络训练算法

针对时变输入/输出过程神经网络的训练问题,提出一种基于混沌遗传与带有动态惯性因子的粒子群优化相结合的学习方法。综合利用粒子群算法的经验记忆、信息共享和混沌遗传算法的混沌轨道遍历搜索性质,基于PNN训练目标函数,构建两种算法相混合的进化寻优机制,通过适应度评估和优化效率分析自适应调节混沌遗传与粒子群算法的切换,实现网络参数在可行解空间的全局优化求解。实验结果表明,该算法较大提高了PNN的训练效率。     

一种混沌同步保密通信方案

混沌在保密通信中的应用具有强大的生命力,其关键技术是实现混沌的同步.利用RBF神经网络,在系统存在扰动的情况下,对混沌系统的同步进行研究.通过构造Lyapunov函数,选取合适的神经网络权值的在线调整率,使得两混沌系统在参数扰动的情况下实现同步.     

基于遗传算法学习的复合神经网络自适应温度控制系统

针对一类温度控制系统中存在的非线性和参数不确定等问题,提出一种复合神经网络自适应控制结构.在控制系统中构造了神经网络正模型来再现被控对象的动态特性,用神经网络控制器实现优化控制律的非线性映射.文中选用了被控对象80组历史数据作为样本集,并利用遗传算法的全局搜索能力及高效率来训练多层前向神经网络的权系数.最后用升降温工艺曲线作为输入对温度控制系统进行仿真.仿真结果表明,应用遗传算法能够提高神经网络的学习效率.保证神经网络全局快速收敛,从而克服了传统的误差反传学习算法的一些缺点.证明了采用这种神经网络自适应控制结构.使神经网络控制器的输出可以适应对象参数和环境的变化.使温度控制系统具有很好的学习和自适应控制能力,取得了良好的控制效果.     

一种基于改进遗传算法的径向基小波神经网络

为了提高神经网络进行函数拟合的精度,首先在三层径向基神经网络基础上通过增加网络层次和改变激励函数提出了一种四层径向基小波神经网络,并采用遗传算法来确定初始网络参数;其次针对遗传算法中容易早熟的缺点,在遗传算法中引入动态平衡策略,根据适应度的变化来动态改变遗传算法中交叉和变异概率,从而增加算法全局探索和局部开发的平衡能力;最后通过对函数拟合试验并与其他方法相比较表明了算法的有效性。     

基于遗传算法和神经网络的入侵检测研究

基于神经网络的入侵检测是常见的智能入侵检测方法,能够对网络内部、外部攻击进行防御。将神经网络和遗传算法相结合,采用改进适应度遗传算法优化神经网络。实验结果表明,该方法能够有效的提高系统的检测率,降低误报率。     

基于YCbCr空间和GA神经网络的棉花图像分割算法

棉花分割是采棉机器人视觉系统的关键步骤,在强光照、阴影等复杂的棉田环境下如何准确有效地分割棉花,有助于确定其在三维空间的位置。该算法在YCbCr颜色空间下,基于棉花与背景的色调信息差,分别提取棉花与背景样本,采用BP神经网进行训练并输出其误差,得到适应度函数并进行遗传算法中的选择、交叉及变异操作,优化神经网络权值、阈值,直到输出误差达到要求或达到预定迭代次数。最后根据所获得的BP神经网络权值、阈值进行棉花图像分割。通过对136幅棉田环境中拍摄图像的分割实验表明：该方法在棉花强光照及阴影条件下也能准确地分割,分割准确率达91.9%,并且比BP算法收敛更快。     

遗传算法自适应模糊神经网络控制

神经网络能够以任意精度逼近任意复杂的非线性关系,具有高度的自适应和自组织性,在解决高度非线性和严重不确定系统的控制方面具有巨大的潜力.但一般神经网络训练算法如BP算法训练速度慢,受初值影响大且易陷入局部极小点,该文提出了一种基于模糊神经网络的间接自校正控制系统,控制器以高斯隶属度函数的径向基函数（RBF）神经网络结构,利用改进的遗传算法（GA）对结构和参数进行同步优化,改进适应度函数指导搜索过程,在保证稳定情况下大大加快了收敛的速度.神经网络正向模型（NNP）利用弹性BP算法进行离线辨识,使得到的模型泛化性能好.     

结合IGA和BP算法的物体识别方法

目前常用的物体识别方法,其过程非常复杂,信息量和计算量都很大。结合改进遗传算法的神经网络方法,采用将结构与误差结合的适应度函数,改进的遗传算子实现对BP网络结构和权值的同步优化。提出一种用改进遗传算法优化后的BP神经网络进行物体识别,并以提取的修正不变矩特征作为BP神经网络的输入,仿真结果表明该方法提高了识别的稳定性和收敛性能,并且识别率较高。从而验证了该方法的有效性。     

基于改进遗传算法的深度神经网络优化研究

深度前馈神经网络在分类和回归问题上得到了很好的应用,但网络性能极大程度上受到其结构和超参数影响.为了获得高性能的神经网络,首先对遗传算法的选择策略进行改进,之后利用该改进遗传算法,采用二进制编码与实数编码的混合编码策略对深度前馈神经网络层数、每层节点量以及学习率和权重进行优化.改进的选择策略,在最优保存策略的基础上从父代和子代合并的2n个个体中,以一定的概率选择部分适应值较差个体作为新父代,以增加种群多样性,避免陷入局部最优.同时引入dropout方法减少网络过拟合训练数据.使用Ring、Breast cancer、Twonorm、Heart、Blood、Ionosphere、Monk共7个数据集进行数值实验,并与其他相关文献中的算法比较,仿真结果表明,改进的遗传算法能搜索到较高性能的神经网络.     

一种基于改进神经网络的系统辨识方法

该文在分析神经网络辨识技术特点及现状的基础上,将BP神经网络结构和遗传算法相结合,设计了一种适用于非线性系统的辨识器模型。该辨识器模型首先建立初始的BP神经网络结构,再利用遗传算法对BP神经网络的权值和阈值进行优化,从而优化BP神经网络,通过迭代最终建立辨识器模型。最后,通过一个三阶非线性多输入单输出系统的仿真实验证明了所设计的辨识器具有辨识时间短、辨识精度高的特点,为神经网络辨识技术的研究提供了新的思路和方法。     

基于遗传交换操作的多层神经网络算法

反向传播算法的最大缺陷之一是容易陷入局部极小点。为此，我们在基因遗传算法（ＧＡ）原理的基础上，增加了区域变化这一重要环节，设计出一种启发式遗传操作算法，将将它用于多层神经网络的学习过程，实例结果表明用此算法能快速得到最佳权值分布。     

利用遗传模拟退火算法优化神经网络结构

常用的神经网络是通过固定的网络结构得到最优权值,使网络的实用性受到影响。引入了一种基于方向的交叉算子和变异算子,同时把模拟退火算法引入了遗传算法,结合遗传算法和模拟退火算法的优点,提出了一种优化神经网络结构的遗传——模拟退火混合算法,实现了网络结构和权值的同时优化。仿真实验表明,与遗传算法和模拟退火算法相比,该算法优化的神经网络收敛速度较快、预测精度较高,提高了网络的处理能力。