优化反向传播神经网络的自适应遗传算法

探讨了用遗传算法优化反向传播神经网络的问题，通过对不同遗传操作的分析和改进，提出了一种能有效进行局部搜索和全局搜索的自适应遗传算法，计算结果表明，该算法能快速地求出问题的全局最优解，且具有较好的计算精度。     

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。     

基于遗传算法和人工神经网络的颅内压监测

通过对目前颅内压检测方法优缺点的分析,提出一种新型的颅内压检测方法——基于遗传算法和人工神经网络的颅内压监测。该方法利用误差反向传播神经网络建模,利用遗传算法优化,克服误差反向传播算法效率低下,易陷入局部极值的缺点。通过测量4～6个脑血流动力学参数,输入进此颅内压预测模型,即可得到所需颅内压值。     

基于PSO-BP神经网络的光纤传感器光强补偿

基于反射式强度调制光纤传感器在测量实验过程中易受周围环境影响造成光源波动以及对探头的欺骗,提出了一种补偿措施,使用粒子群(PSO)优化反向传播(BP)神经网络算法补偿传感器获得光功率值,该算法不仅利用了PSO的寻找粒子群体的最佳位置的搜索性能,还利用了BP算法比较强的局部最优权值阈值搜索性能,粒子群算法优化反向传播神经网络的权值和阈值,从而达到防止反向传播神经网络陷入局部最优的情况。实验中利用光纤探头内圈光纤和外圈光纤接收的光功率值分别对PSO-BP神经网络和反向传播神经网络进行训练,结果表明PSO-BP神经网络的均值误差小于BP神经网络的均值误差,说明其光强补偿的精度更高,该算法能更加有效地减少周围环境影响以及光源波动对光纤传感器光纤接收的影响,有较好实际应用价值。     

基于神经网络的入侵检测系统的设计

为了克服传统误差反向传播算法收敛速度慢且容易陷入局部极小的问题,提出了一种改进的误差反向传播算法,并给出了一个基于神经网络的入侵检测系统的模型,阐述了该模型的设计思想,最后通过训练过程和检测过程对实验的结果进行了客观的分析,分析结果表明:改进的误差反向传播算法运用于神经网络入侵检测漏检率和误报率都比较高,而且对未知类型的攻击,也有一定的检测效果,说明改进的误差反向传播算法在神经网络入侵检测方面具有很大的发展空间和应用前景.     

基于进化神经网络的激光熔覆层质量预测

为了有效地控制激光熔覆层质量,采用反向传播(BP)算法建立了激光熔覆层质量(熔覆层宽度、熔覆层深度和稀释率)随激光功率、光斑直径和扫描速度变化的进化神经网络预测模型。针对BP算法存在收敛速度慢、容易陷入局部极小值及全局搜索能力弱等缺陷,采用遗传算法训练BP神经网络,取代了一些传统的学习算法,设计了基于进化神经网络的学习算法。经过理论分析和实验验证,在神经网络的输出端得到期望的线性输出,并在训练样本之外,选取了5组工艺参数检验神经网络模型的可靠性,预测结果与相应的实验结果的最大相对误差为2.14%。结果表明,运用该模型可以方便、准确地选择激光工艺参数,提高激光熔覆层的加工质量。     

基于GA-BP神经网络的茶叶蔗糖量检测模型研究

采用近红外光谱技术结合反向传播人工神经网络算法建立了茶叶中蔗糖含量的检测模型,并通过引入遗传算法改进了模型预测质量.预测模型采用120个茶叶掺蔗糖样品的傅里叶变换漫反射光谱数据建立.对另外42个样品的预测结果表明,基于传统的反向传播人工神经网络算法模型的相关系数为0.738 0,预测均方根误差为3.075 4,正确识别率为83.3％;增加遗传算法后相关系数提高到0.941 9,预测均方根误差为1.3176,正确率为88.1％,训练误差减小一个量级以上.实验结果表明,反向传播人工神经网络模型可用来检测茶叶中的蔗糖含量,同时,引入遗传算法优化了神经网络的初始权值和阈值,使预测误差更小.     

基于延时反向传播算法的低复杂度滤波器研究

为了进一步减少管状双线性递归神经网络的计算复杂度,在管状双线性递归神经网络中采用了延时反向传播算法。延时反向传播算法使用了阶次微分,误差函数对权值微分进行后向计算。后向计算顺序降低了初始化要求,减弱了网络对初始化条件敏感性并降低了计算的复杂度。该网络采用了模块化设计,各个模块以并行的方式执行任务,改善了计算效率。基于管状双线性递归神经网络的结构与神经元的数学模型,提出了具体的延时反向传播算法实现方案。同时进行了仿真来评估滤波器在非线性系统辨识方面的性能。实验结果表明基于延时反向传播算法的管状双线性递归神经网络提供了相当好的性能。     

SA-BP融合算法在教学质量评价模型中的应用

用于训练BP神经网络的反向传播算法(BP算法)易陷入误差局部极小。本文引入模拟退火算法(SA算法)改进BP算法的全局寻优能力,给出了SA-BP融合算法的具体步骤,并应用于教学质量评价模型的构建,应用结果表明了该模型相对传统BP神经网络具有更高的精确度。     

关于系统级故障诊断的烟花-反向传播神经网络算法

为了更快速且精确地诊断出大规模多处理器系统中的故障单元,该文首次将改进的烟花算法和反向传播(BP)神经网络相结合,提出一种新的系统级故障诊断算法—烟花-反向传播神经网络故障诊断算法(FWA-BPFD)。首先,在烟花算法中引入双种群策略、协作算子以及最优算子,设计新的适应度函数,优化变异算子、映射规则和选择策略。然后,利用烟花算法全局搜索能力和局部搜索能力的自调节机制,优化BP神经网络中的权值和阈值的寻优过程。仿真实验结果表明,该文算法相较于其他算法不仅有效地降低了迭代次数和训练时间,而且还进一步提高了诊断精度。     

自动目标识别(ATR)可靠性研究

对同类目标畸变不变的正确识别率与不同类目标分类误识别率是衡量一个自动目标识别 (ATR)系统的两个最重要性能指标。但在实际应用中 ,ATR系统所获取的外场的目标与背景总是处于随时间不断变化的条件下 ,与系统所存储的参考目标通常都不会一致 ,从而导致相关识别SNR劣化。特别对于多目标识别与不同类目标的区分 ,常规的相关门限判决方法会造成很大的误识别 ,大大影响了ATR系统的识别可靠性。本文采用人工神经网络 (ANN)与模糊逻辑技术 ,对相关信号与噪声进行实时数字后处理 ,通过对信号与噪声强度分布等高线而不仅仅是强度的识别 ,大大提高了ATR系统的识别可靠性 ,改善了识别效率。     

Genetic algorithms for feature selection in machine conditionmonitoring with vibration signals

Artificial neural networks (ANNs) can be used successfully to detect faults in rotating machinery. Using statistical estimates of the vibration signal as input features. In any given scenario, there are many different possible features that may be used as inputs for the ANN. One of the main problems facing the use of ANNs is the selection of the best inputs to the ANN, allowing the creation of compact, highly accurate networks that require comparatively little preprocessing. The paper examines the use of a genetic algorithm (GA) to select the most significant input features from a large set of possible features in machine condition monitoring. Using a GA, a subset of six input features is selected from a set of 66 giving a classification accuracy of 99.8%, compared with an accuracy of 87.2% using an ANN without feature selection and all 66 inputs. From a larger set of 156 different features, the GA is able to select a set of six features to give 100% recognition accuracy     

基于遗传算法和Hopfield神经网络的字符识别方法

分析了Hopfield神经网络和遗传算法的基本原理,探讨了Hopfield神经网络在字符识别中的应用,针对Hop-field神经网络易陷入局部最优的问题,提出了基于遗传算法的Hopfield神经网络的字符识别方法,利用遗传算法的全局搜索能力来弥补Hopfield网络易陷入局部最优解的缺点。并进行了仿真验证。实验结果证明...     

采用人工神经网络技术改善光学模式识别系统的识别效率

在采用光学模式识别技术,ＳＤＦ滤波技术进行实际场景中的三维目标畸变不变识别的时候,由于面对的晨在量的非训练像的相关识别,加上场景图像中的不同噪声,背景的干扰,以及硬件识别系统的各种非理想特征等因素,均不可避免带来相关平面的Ｓ／Ｎ的严重退化,从而使按通常的阈值技术进行相关信号分割的在而大大降低了ＯＰＲ系统的识别效率。     

有序聚类方法及其在神经网络语音识别中的应用

本文提出了一种新的网络结构,我们称之为有序聚类网络。这种网络能够对语音信号进行特征提取,很好地解决神经网络语音识别中的时间规整问题。有序聚类网络从输入语音信号的特征矢量序列中撮出一组固定数目的特 矢量,然后将这组特征矢量馈入神经网络分类器进行识别。和其他的神经网络语音识别方法相比较,用这种网络进行前端处理,可以缩短后端神经网络分类器的训练和识别时间,简化经分类器的网络产高的识别率。根据该 们建立了     

基于说话人识别的GMM/GA算法

在实时平台上,高斯混合模型(GMM)具有计算有效性和易于实现的优点。最大似然规则中,模型参数不断更新,但由于爬山特征,任意的原始模型参数估计通常将导致局部最优;遗传算法(GA)适于求解复杂组合优化问题及非线性函数优化。提出了基于说话人识别的可以解决GMM局部最优问题的GMM/GA新算法,实验结果表明,提出的GMM/GA新算法比纯粹的GMM算法能获得更优的效果。     

基于中心矩特征和GA-BP神经网络的雷达目标识别

在雷达目标识别中,利用核主分量分析（KPCA）方法来进行目标特征提取,忽略了高分辨率距离像（HRRP）的本身特性。提取一种平移不变特征-中心矩作为特征向量,采用KPCA进行特征降维;由于BP神经网络易陷入局部极小,采用遗传算法（GA）对BP网络节点权值和阀值进行优化选择。基于雷达实测数据的实验结果表明:平移不变的KPCA特征提取方法实现了平移不变和降维的结合,同时,利用GA优化BP神经网络提高了分类器稳定性改善易陷入局部最小的缺陷,提高了雷达目标识别的性能。     

Visual servoing to catch fish using global/local GA search

This paper presents a vision-related technique for a real-time visual servoing. The method utilizes the global search feature of a genetic algorithm (GA) and a local search technique of the GA. In the GA process, the computation of the fitness function is based on the configuration of an object model designated as the surface-strips model. To evaluate the effectiveness of the proposed recognition method, experiments to track a fish by a hand-eye camera and catch the fish with a net attached to the hand of the manipulator have been performed.     

Combining feature scaling estimation with SVM classifier design using GA approach

This letter adopts a GA （Genetic Algorithm） approach to assist in learning scaling of features that are most favorable to SVM （Support Vector Machines） classifier, which is named as GA-SVM. The relevant coefficients of various features to the classification task, measured by real-valued scaling, are estimated efficiently by using GA. And GA exploits heavy-bias operator to promote sparsity in the scaling of features. There are many potential benefits of this method： Feature selection is performed by eliminating irrelevant features whose scaling is zero, an SVM classifier that has enhanced generalization ability can be learned simultaneously. Experimental comparisons using original SVM and GA-SVM demonstrate both economical feature selection and excellent classification accuracy on junk e-mail recognition problem and Internet ad recognition problem. The experimental results show that comparing with original SVM classifier, the number of support vector decreases significantly and better classification results are achieved based on GA-SVM. It also demonstrates that GA can provide a simple, general, and powerful framework for tuning parameters in optimal problem, which directly improves the recognition performance and recognition rate of SVM.     

Recognition of temporally changing action potentials in multiunitneural recordings

We present a method to iteratively train an artificial neural network (ANN) or other supervised pattern classifier in order to adaptively recognize and track temporally changing patterns. This method uses recently acquired data and the existing classifier to create new training sets, from which a new classifier is then trained. The procedure is repeated periodically using the most recently trained classifier. This scheme was evaluated by applying it to simulated situations that arise in chronic recordings of multiunit neural activity from peripheral nerves. The method was able to track the changes in these simulated chronic recordings and to provide better unit recognition rates than an unsupervised clustering method suited to this problem