基于整合移动平均自回归和遗传粒子群优化小波神经网络组合模型的交通流预测

针对短时交通流数据的非线性和随机性特点,为提高它的预测精度和收敛速度,该文从模型构建和算法两方面提出一种整合移动平均自回归(ARIMA)模型和遗传粒子群算法优化小波神经网络(GPSOWNN)相结合的预测模型和算法。在模型构建方面,将ARIMA模型预测值和灰色关联系数大于0.6的相关性强的前3个时刻的历史数据作为小波神经网络(WNN)的输入,在兼顾历史数据的平稳和非平稳的情况下,进行了模型结构简化。在算法方面,通过遗传粒子群算法对小波神经网络的参数初始值进行最优选取,可使其结果在不易陷入局部最优的条件下加快网络训练收敛速度。实验结果表明,在预测精度方面,该方法的模型明显优于整合移动平均自回归模型和遗传粒子群算法优化小波神经网络,在收敛速度方面,用遗传粒子群算法优化模型明显优于仅用遗传算法优化模型。     

灰狼算法优化BP神经网络的图像去模糊复原

为了解决传统复原算法在退化图像复原过程中过度依赖先验知识弊端,提出利用BP神经网络学习和泛化能力强的优点进行退化图像复原研究。首先,采用BP神经网络进行退化图像的复原研究。然后,针对BP神经网络在学习过程中由于对网络初始值的过度依赖导致网络收敛速度慢、易于陷入局部极小值的缺点。提出利用灰狼优化算法的全局搜索能力对BP神经网络的初始参数进行优化,并利用改进收敛因子与动态权重指导种群移动的方式对灰狼算法进行改进。实验表明,本文提出的改进灰狼算法优化BP神经网络复原方法与维纳滤波算法、L-R复原算法、BP神经网络和PSO-BP神经网络等复原方式相比,收敛速度和复原精度方面得到大幅度提高,在客观的评价标准结构相似度与峰值信噪比方面都获得较好的数值结果。     

遗传神经网络在腔体滤波器结构参数优化中的应用

在工程实践中,为了减少对腔体滤波器结构参数设计的盲目性和对经验的依赖性,不断提高设计效率,提出了一种基于遗传神经网络的优化设计方法。该方法采用浮点数编码方式和自适应的交叉率、变异率,将改进的遗传算法用来优化BP神经网络的权重,在MATLAB环境下调用HFSS实现腔体滤波器的优化设计。仿真实验表明,该算法能够较精准的预测腔体滤波器的结构参数,可提高设计精度及优化速度。     

基于熵极大准则的非用户赋适应值交互式遗传算法

针对交互式遗传算法适应值人工赋值极易疲劳导致的算法进化代数不足、优化效率低下这一难题,提出了适应值非用户赋值方法.首先,用户对个体采用二元评价机制评价个体,将个体划分为满意集合和不满意集合;然后,根据个体评价时间与偏好的内在联系,通过个体评价时间确定评价满意度;最后,基于熵极大准则求解满意度最大条件下的个体适应值.为了确保优势基因遗传,加快算法收敛,采取种群精英基因构建优势个体保留策略.将该方法应用于装饰性墙壁纸选型系统中,并与其他代表性算法比较.结果表明,该方法能有效降低疲劳,提高算法优化效率.     

粗糙集-遗传神经网络在挖掘机故障诊断中的应用研究

针对当前单一的故障诊断方法不能满足实际需求的问题,提出了一种粗糙集-遗传神经网络分类器模型,实现对挖掘机故障分类.该模型首先利用粗糙集理论对神经网络的输入进行属性约简,以减少神经网络的工作量;利用遗传算法优化BP神经网络,解决神经网络易陷入局部极小和收敛速度慢的问题;最后利用约简结果和优化的BP网络进行网络训练.实验结果验证了该方法用于故障诊断的有效性.     

电力配网系统无功优化方法研究

考虑到常规遗传优化算法进行电力配网系统的无功优化时,算法的早熟问题以及局部寻找最优解能力欠缺造成了优化结果收敛速度和收敛精度较低等问题,该文将自适应对偶种群、自适应终止条件以及全新的子代生成条件引入以形成一种改进型遗传优化算法,在种群迭代过程中保证种群的多样性以避免优化算法早熟现象,以及对优化算法的搜索效率进行加快以提高局部寻找最优解能力。通过实验IEEE57和IEEE30节点系统作为测试平台,使用常规遗传优化算法和可控交叉遗传算法(CCGA)与该文研究的改进遗传优化算法进行对比,使用相同的实验条件和实验数据进行测试。结果表明该文研究的改进遗传算法具有最好的优化效果,该算法计算得到的平均网损均低于其他优化算法,收敛精度和收敛速度更高,能够在局部最优解处跳出,距离目标函数的全局最优解更加接近。     

粒子群优化RBF神经网络谐波电流检测方法研究

谐波污染问题,众所周知是使用了很多的电力电子器件导致进一步加重,所以谐波治理就变得愈来愈紧要。而瞬时无功功率的检测方法不能满足目前谐波检测对其检测精度的要求,故文中提出一种用粒子群优化RBF神经网络权重的谐波检测方法来检测谐波。改善的方法措施是以瞬时无功功率检测的输入作为RBF神经网络的输入,其输出作为RBF神经网络的期望输出,使用MATLAB软件对RBF神经网络模型进行搭建并进行仿真分析。从实验结果可以得出:使用粒子群优化RBF神经网络权重的谐波检测方法,克服了RBF神经网络检测方法精度不足的欠缺,提高了RBF神经网络的收敛速度和谐波检测的精度。     

自适应变系数PSO-RBF算法及其在预测工程的应用

RBF神经网络对于非线性预测具有较好的效果,但是其存在容易陷入局部最小值以及收敛速度慢等缺点,研究一种自适应变系数PSO算法对RBF神经网络的初始参数进行优化,之后由RBF神经网络对粒子群算法优化后的网络参数进行精细优化,从而提高神经网络的稳定性以及收敛效率和精度等。自适应变系数PSO算法主要是将自适应递减和递增因子以及自适应调节惯性权重算子策略引入到常规的PSO算法中,从而改进算法在搜索空间中的遍历性,提高寻找全局最优解的概率,提高收敛精度和效率。最后,以炼钢过程中的煤气消耗量与钢铁产量的非线性关系作为预测实例进行研究,使用结果表明,研究的基于自适应变系数PSO-RBF神经网络的预测模型具有很好的预测能力,能够在预测工程中发挥较大的作用。     

基于GA改进BP神经网络网络异常检测方法

考虑到常规BP神经网络算法容易陷入局部最优解,所建立的网络遗传流量检测模型检测效率低,准确率不高等问题,提出一种改进型GA优化BP神经网络算法,并使用其建立网络遗传流量检测模型。常规遗传算法在搜索过程中,往往会由于出现影响生产适应度高的个体而对遗传算法搜索过程产生影响的现象发生,因此需要对常规遗传算法进行改进。使用的方法是通过混合编码方式进行改进,同时对交叉算子、变异算子、交叉概率以及变异概率等参数进行优化修正。使用KDD CUP99数据库中的网络异常流量数据进行实验研究,研究结果表明,所提出方法的检测性能要明显优于常规算法,其对BP神经网络的结构、权值以及阈值进行同步优化,避免了盲目选择BP神经网络结构参数带来的问题,避免了常规BP神经网络容易陷入局部最优解的问题。     

多重编码的三维多目标光学模式识别研究

利用Ｋｏｈｏｎｅｎ侧抑制自动组织神经网络算法和改进的增量算法，对三维多目标识别中的同一目标不同训练样本由单一编码改为重编码，减轻了多层级联神经网络中第一级网络权重的学习负担，在不降低网络识别目标正确率的条件下，使权重学习的收敛性及收敛速度得到较大改善。     

一种基于BP神经网络算法PID控制器的研究与仿真

文中将BP神经网络的原理应用于参数辨识过程,结合传统的PID控制算法,形成一种改进型BP神经网络PID控制算法。该算法利用BP神经网络建立系统参数模型,能够跟踪被控对象的变化,取得较高的辨识精度。针对BP神经网络对权系初始值敏感的缺点,优化BP神经网络的初始权系数。通过BP算法修正BP网络自身权系数,实现PID参数的在线调整。仿真结果显示了该算法收敛速度快、精度高、鲁棒性强、稳定性好,表明了该算法的可行性与有效性。     

基于遗传神经网络的电力机车主变流器故障诊断

在变流器的故障诊断系统中,针对BP算法存在收敛速度慢、容易陷入局部极小值的问题,文章采用了遗传算法的选择、交叉、变异过程代替班,神经网络的反向传播过程的遗传神经网络算法。通过仿真试验证明,这种算法具有收敛速度快、推广性强的特点,极大提高了变流器的故障诊断系统的效率和准确性。     

A dynamic learning neural network for remote sensing applications

The neural network learning process is to adjust the network weights to adapt the selected training data. Based on the polynomial basis function (PBF) modeled neural network that is a modified multilayer perceptrons (MLP) network, a dynamic learning algorithm (DL) is proposed. The presented learning algorithm makes use of the Kalman filtering technique to update the network weights, in the sense that the stochastic characteristics of incoming data sets are implicitly incorporated into the network. The Kalman gains which represent the learning rates of the network weights updating are calculated by using the U-D factorization. By concatenating all of the network weights at each layer to form a long vector such that it can be updated without propagating back, the proposed algorithm improves the performance of convergence to which the backpropagation (BP) learning algorithm often suffers. Numerical illustrations are carried out using two categories of problems: multispectral imagery classification and surface parameters inversion. Results indicates the use of Kalman filtering algorithm not only substantially increases the convergence rate in the learning stage, but also enhances the separability for highly nonlinear boundaries problems, as compared to BP algorithm, suggesting that the proposed DL neural network provides a practical and potential tool for remote sensing applications     

基于遗传算法设计和训练人工神经网络的方法

提出了一种基于遗传算法的人工神经网络设计和训练方法—NNDT,同时训练网络的拓扑结构和连接权重,提出了一种结构化网络编码方法,有效地解决了网络拓扑结构和网络编码不能一一对应的问题;使用启发式规则约束网络拓扑结构的变异概率以及变异操作的选择趋势,并使用小生境机制进行拓扑变异保护.实验结果证明了NNDT的有效性和高效性.     

一种利用Gauss变异优化BP神经网络的方法

为了克服传统BP算法收敛速度慢和局部极小点等问题,提出了一种改进的BP网络训练方法,将改进的BP算法和遗传算法相结合。首先引入遗传算法中群体的概念,选取最好个体中的误差作为最小误差,其次利用Gauss变异生成的两个小随机数作为BP算法中的学习率和冲量系数,实现对两个参数的动态调整,以达到对BP网络的权值优化的目的。实验结果表明,该方法有效提高了BP网络的收敛速度,在训练时间方面具有明显的优越性,具有较好的实用性。     

一种改进的RBF整定PID及其仿真实现

文中在分析RBF神经网络整定PID算法优缺点的基础上,给出了一种采用遗传模拟退火算法来优化网络结构和权值参数的RBF神经网络,将改进的RBF神经网络用于整定PID控制,并给出了相应的仿真测试例子。仿真实验结果表明,与采用梯度法优化网络权值等参数的RBF神经网络相比,给出的优化算法能更好地辨识控制系统,具有通用性好、调节精度高、在抑制超调量能力强等优点。     

基于改进粒子滤波的GPS接收机自主完好性监测算法

针对基本粒子滤波重采样过程中粒子权值退化和多样性丧失的问题,将遗传算法引入基于神经网络的权值调整粒子滤波算法中,结合了遗传算法全局寻优的收敛性与神经网络局部寻优的快速性优点。将提出的算法与对数似然比方法结合用于GPS接收机自主完好性监测,通过建立一致性检验统计量实现对故障卫星的检测与隔离。通过采集实测数据进行验证,结果表明:该算法可以成功检测和隔离故障卫星,其性能优于基于基本粒子滤波的接收机自主完好性监测,验证了该算法应用于GPS接收机自主完好性监测的可行性和有效性。     

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,表日周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。     

人工神经网络与遗传算法的结合：进展及展望

近来，人工神经网络（ＡＮＮ）与遗传算法（ＧＡ）结合的研究引起了人们的极大注意。本文综述了这一领域的发展现状，并试图从两者的结合上分为辅助式及合作式两种结合方式，对于辅助式结合，ＧＡ不仅能为ＡＮＮ选择训练数据，也可用来选择网络的学习参数或学习规则，而且可利用ＧＡ解释或分析ＡＮＮ的结果；对于合作式结合，主要论述了ＧＡ作为ＡＮＮ的一种权重训练方法的不足和长处，同时评述了它与ＢＰ训练算法的优缺点，最后着重综述了利用ＧＡ自动优选ＡＮＮ的各种方法。     

遗传算法优化BP神经网络的大功率LED结温预测

将遗传算法(GA)与BP神经网络相结合,对研发的120W LED双进双出的射流冲击水冷散热系统中LED阵列的结温进行预测。采用GA优化BP网络的权值和阈值,利用BP算法训练网络,改善了单独使用BP网络容易陷入局部极小值和收敛速度慢的缺点。并且在训练过程中为了使网络输出有足够长的空间,改进了GA的数据处理。结果表明,经GA优化的BP神经网络较使用Levenberg-Marquardt(LM)算法优化的BP神经网络的大功率LED结温预测精确度提高了14.14%,且预测效果较稳定。GA和BP神经网络相结合的结温预测模型较传统的结温测量方法更能掌握散热结构设计的主动性,对大功率LED寿命的延长有较高的实用价值。