基于GA与BP神经网络的网络入侵检测组合模型研究

针对入侵检测系统产生的高维数据的处理问题,提出基于GA与BP神经网络的入侵检测组合模型进行特征选择。为了优化入侵检测分类算法,利用遗传算法适合复杂系统优化的特点,去除入侵检测数据多维特征属性中的冗余部分,将入侵检测数据特征属性对应到染色体,BP神经网络的分类准确率作为种群个体的适应度值,通过遗传算法的全局搜索能力,找出对分类算法最有影响的特征属性组合,从而达到降维的目的。采用KDD99数据集进行分析,实验表明,经过组合算法特征选择的数据能在分类正确率、运算时间、运算稳定性等方面取得更优的效果。     

基于模糊逻辑推理的BP神经网络及其应用

阐述了ＢＰ神经网络的原理及学习算法,在结合模糊逻辑推理的基础上提出了一种具有分层结构,能够进行规则自提取、自修正、自学习的复合模糊ＢＰ神经网络模型。这种模糊神经网络不仅可以充分利用原有的专家的经验和知识,而且能够从实际数据中通过不断学习获取新的知识和推理规则。同时,在相应的网络权值训练中引入了遗传算法和模糊逻辑控制器的优化求解思想。还进一步探讨了将这种网络模型用于汇率分析系统的形式和方法。     

基于IGA的多层神经网络BP算法及在系统辨识中的应用

本文针对用GA训练NN权值时，花费的代价随精度的提高而剧烈增加的缺陷，提出了一种利用IGA较强的全局搜索能力和IBPA较强的局部搜索能力的结合算法，先利用IGA优化多层前馈神经网络的权值，然后再用IBPA提高搜索精度，有效地避免了IBPA易陷入局部极小点和IGA过早收敛的缺点，实验结果表明，此算法是有效的。     

基于GA的模糊神经网络控制

在详细论述模糊神经网络技术基础上,提出了基于GA的模糊神经网络控制器构造方法.选择MATLAB作为开发工具,使用所提供的神经网络和模糊逻辑工具箱,完成了基于GA的模糊神经网络控制器设计,并应用ActiveX技术在虚拟测控系统中实现了对其的调用.     

基于神经网络的智能控制在水泥生料配料中的运用

本文根据水泥生料配料的工艺要求，将一种神经网络的控制系统运用于生料配料，对于难以建立数学模型的控制系统提供了有效的方法。     

BP神经网络的量子学习及应用

在神经网络的训练过程当中,引入量子遗传算法,结合BP梯度下降反传训练方法构造神经网络的量子优化算法。利用量子运算的高效并行性,对神经网络实行量子编码,用量子门旋转来代替网络进化时交叉、变异等更新操作,使得网络训练收敛精度高、收敛速度快、同时避免陷入局部最优的缺点。最后提出了一种基于量子神经网络的预测方法,仿真结果表明,基于量子遗传算法的神经网络,训练次数,误差精度以及预测能力都明显优于BP神经网络。     

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．     

基于遗传BP神经网络的磁流变悬置模型辨识

为克服误差逆向传播算法的多层前馈型BP神经网络收敛速度慢、局部极小化问题,提出用遗传算法(GA)的全局搜索能力寻求最优的BP神经网络权值和阀值,以提高神经网络的收敛速度和克服局部最优。以磁流变液压悬置动态特性试验结果为数据样本,分别用未优化的BP神经网络和优化后的GA-BP神经网络对磁流变液压悬置正、逆模型进行辨识。结果表明,相对于BP神经网络,GA-BP神经网络具有更高的辨识精度、更快的收敛速度,在磁流变液压悬置数学模型辨识方面具备更优的性能。     

GA神经网络在证券市场预测中的应用研究

以股市的可预测性为基础,以可量化股价影响因素作为输入变量,提出了将遗传算法与BP算法相结合用于股市价格预测的人工神经网络模型学习算法;建立了基于人工神经网络的股价预测模型。通过对海信电信(600060)的股票收盘价和大盘指数为预测目标进行了股市预测的仿真,并尝试预测未来一天内超短线存在机会,实验结果验证了股价预测模型的可行性。     

基于改进的BP神经网络模型的雷达网效能评估

为拓展雷达网效能评估的内容、改进评估方法和提高评估效率,重构了雷达网效能评估指标体系,给出了各指标的量化模型和方法;针对BP神经网络收敛速度慢、局部极小化问题,提出了利用遗传算法(GA)优化BP神经网络的方法,并采用GA+BP神经网络模型对雷达网部署方案进行了评估优选.仿真结果表明,运用GA算法改进的BP神经网络具有更快的收敛速度和更高的预测精度,可作为雷达网效能量化评估的有效手段,为雷达兵作战筹划提供科学决策依据.     

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。     

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.     

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.     

自适应遗传优化BP网络的研究与应用

针对遗传算法易出现种群多样性被破坏、早熟收敛的问题,在Srinivas的自适应遗传算法(AGA)的基础上,引入种群多样性的度量参数,提出一种改进的自适应遗传算法(MAGA),利用种群多样性和适应度的变化趋势调整交叉和变异概率,继而提出基于MAGA优化BP(back-propagation)神经网络的流量分类方法(MAGA+BP),兼顾了MAGA和BP算法分别在搜索全局和局部最优解方面的优势. 在剑桥大学共享的网络流量数据上进行了仿真实验,结果表明,MAGA较好地维持了种群的多样性,克服了AGA早熟收敛的问题,搜索到最优解的适应度提高了10.17%, MAGA+BP方法对流量数据具有较好的分类效果.     

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。     

基于遗传算法的自适应时序洪水动态预报模型

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。论述了人工神经网络及遗传算法,给出了利用遗传算法用于优化网络拓扑结构和网络连接权的新设计方法,提出了自适应时序洪水动态预报模型,并给出了实例预报结果。     

基于遗传算法的模糊神经网络控制

在研究遗传算法、模糊神经网络及两者之间融合技术的基础上，设计了基于遗传算法的模糊神经网络控制系统。并通过仿真模拟实例对其功能特性进行了分析。     

一种遗传算法的神经网络模型

提出了应用神经网络实现遗传算法的模型,将普通遗传算法中交叉操作和突变操作的概念进行推广,并提出了全交叉和多点突变的概念以及实现这两种操作的人工神经元模型。通过一组著名的测试函数将该算法与典型遗传算法就求解优化问题的性能作了比较研究。此研究对用硬件执行遗传算法,显式地实现遗传算法的内在并行性,从而提高遗传算法的实时性,拓宽遗传算法的应用领域具有重要的意义。