基于改进遗传算法的神经网络模型辨识

利用前向神经网络对非线性动态系统建模时存在着很大的缺陷,因此提出采用递归网络(RNN)对非线性动态系统建模。并在权值的修正上,摆脱常用BP算法的束缚,采用改进的遗传算法搜索最优权值。最后对一高阶非线性系统进行建模仿真实验,结果表明该方法是有效的。     

基于遗传算法的模型辨识

关于模型辨识的问题,现在采用的识别方法有很多,每种方法都可以将模型的参数值辨识出来,但是常规的辨识方法计算所得到的参数值都不能确保所获得的解的全局性,而遗传算法就很好地弥补了易陷入局部最优的情况,介绍并分析了遗传算法的相关流程图与原理。辨识问题没有比较好的直接求解方法,都是先将辨识问题转化为优化问题。根据采集得到的舵机数据结合MATLAB遗传算法计算,对舵机系统连续采集的5组幅值相同频率不同的输出和输入信号进行优化,优化完成时最小适应度对应的参数就是模型的参数,仿真结果验证了MATLAB遗传算法在系统辨识问题上的有效性,并分析了遗传算法的精度高等优点,为后续进行精确的系统设计提供了依据,为仿真提供了坚实的基础。     

一种基于并行遗传算法的非线性系统辨识方法

结合并行算法的运算能力和遗传算法的搜索能力，提出一种基于并行遗传算法的非线性系统辨识方法。其特点是通过并行遗传算法实现对RBF神经网络极值、宽度和中心位置等有关参数的估计，其速度快、精度高，从而通过RBF神经网络有效地完成了对非线性系统的辨识。最后给出了仿真结果，证实了该方法的有效性。     

基于径向基函数神经网络的非线性模型辨识

从径向基函数（RBF）神经网络原理分析出发,提出了一种基于RBF神经网络学习算法,用于对非线性对象模型的拟合与辩识,并将此方法用于实际非线性模型的学习与辩识。结果表明,基于RBF的神经网络可快速完成对样本的学习与拟合,对具有连续特性的线性与非线性模型,具有快速实时的学习速度和优良的学习性能。     

基于模糊神经网络的非线性系统模型的辨识

该文提出一种非线性系统的模型辨识方法．利用关系聚类法来进行结构辨识,从而自动获得模糊规则库,并可以得到模糊系统的初始参数,在聚类的基础上,构造一个与之相匹配的模糊神经网络,用它的学习算法来训练网络,得到一个精确的模糊模型,从而实现参数辨识,通过对两个非线性系统辨识的仿真结果验证了该方法的有效性。     

基于改进遗传算法的线性离散系统辨识

介绍了一种基于遗传算法辨识线性离散系统参数的方法，为了提高算法的优化能力，将基率遗传算法和梯度法结合起来。仿真结果表明．改进的遗传算法辨识系统参数收敛到全局最优．且速度快，精度高．鲁棒性强。     

基于神经网络的传感器非线性静态特性模型辨识

本文介绍了近几年来利用ANN可以任意精度逼近任意复杂的非线性函数的特性,所进行的传感器非线性静态特性模型辨识的研究,分析了各种模型与算法的特点及应用,提出了展望。     

基于贝叶斯方法的神经网络非线性模型辨识

研究了基于贝叶斯推理的多层前向神经网络训练算法,以提高网络的泛化性能。在网络目标函数中引入表示网络结构复杂性的惩罚项,以便能够在训练优化过程中降低网络结构的复杂性,达到避免网络过拟合的目的。训练过程中使用显式的概率分布假设对模型进行分析和推断,根据融入先验分布的假设和依据,获取网络参数和正则化参数的后验条件概率,并基于后验分布的贝叶斯推理得出最优化参数。利用上述算法训练前向网络,对一个微型锅炉对象进行了模型辨识,通过测试,证明所辨识出的对象模型能够较好地表现出对象的动态行为,且具有较好的泛化性能。     

基于GA的神经网络在火工药剂辨识的应用

在分析火工品压药模型的基础上，结合计算智能的相关理论．介绍了基于遗传算法的神经网络模型系统用于火工品药柱剂量的辨识。试验结果表明，该系统能够较好地满足辨识火工品药柱剂量的要求。     

基于改进遗传算法的神经网络优化方法

为了克服神经网络反向传播算法收敛速度慢,易陷入局部极小值,初始权值和阈值的选择缺乏依据,具有很大随机性等缺陷,采用基于自适应遗传算法的神经网络优化方法,方法结合了两者的优点,但是仍存在种群早期进化速度慢的缺点,于是提出了一种改进的自适应遗传算法,将其应用于神经网络的权值和阈值的优化设计中,并将此模型用于对某城市污水厂难测参数SVI的预测.仿真结果表明,算法不仅可克服BP算法的缺陷,而且与BP和GA-BP网络模型比较,大大提高了收敛速度与收敛精度,获得了良好的测量效果.     

粒子群优化神经网络算法在非线性系统辨识中的应用研究

由于非线性系统在实际中大量存在,因此对其进行辨识研究显得十分重要.论文针对目前非线性系统难以辨识的问题,先利用BP神经网络对非线性对象进行逼近辨识,再采用粒子群算法优化BP网络的方法.仿真结果表明该方法能够实现更大精度的辨识效果.     

基于改进型遗传算法的前馈神经网络优化设计

阐明了遗传算法和神经网络结合的可行性，提出了一种改进的面向神经网络权值学习的遗传算法。通过对XOR问题的实验，显示出其快速学习网络权值的能力，且能摆脱局部极值的困扰和初始权值的限制，从各方面都表现出优于标准遗传算法和BP算法的性能。     

用神经元网络辨识非线性系统中的网络结构选择*

本文定义了神经元网络的权值拟熵，在对多层前馈网训练的常规目标函数中加入权值拟熵作为约束项以改变网络的权值分布从而修定网络结构。将此方法用于一类非线性系统的神经网络辨识中可以优化网络模型输入项数和隐节点数目。     

基于遗传算法的灰色神经网络优化算法

针对BP 神经网络算法通常具有收敛速度慢且容易陷入局部极小值的缺点,在对国内空调订单市场进行分析和研究的基础上,提出一种用遗传算法优化灰色神经网络模型参数的方法,该方法利用灰色模型( Grey Model,GM) 弱化数据的随机性以及神经网络的高度非线性,对空调订单建立了一种非线性预测模型,并采用遗传算法对其进行优化,从而提高了预测的精度并加快了收敛程度。仿真结果表明该算法能较好的解决空调订单预测的问题并可推广到同类预测中。     

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。     

CIPS中基于改进GANN的入侵检测模型

应用在计算机集成过程系统(CIPS)网络中的入侵检测系统误报率和漏报率较高.针对该问题,利用遗传算法的全局寻优能力和神经网络对于非线性映射的强大逼近能力,提出具有自学习和自适应能力、基于遗传算法神经网络(GANN)的入侵检测模型,包括数据采集模块、数据预处理模块、神经网络分析模块和入侵报警模块4个部分.为克服遗传算法易早熟、搜索迟钝的缺点,对GANN的适应度值调整方式进行改进,对遗传算法的参数设定进行优化,并采用改进的遗传算法优化收敛速度慢、易陷入极值的BP神经网络.仿真实验结果表明,该模型使系统的检测率提高至97.11％.     

一种基于改进遗传算法的新型小波神经网研究

提出了一种基于改进遗传算法（Improved Genetic Algorithm , IGA）的新型BP小波神经网络，并通过异或问题和非线性辨识问题进行仿真实验。实验结果表明，基于改进遗传算法的BP小波网络不仅具有小波分析良好的局部特性以及神经网络的学习、分类能力，而且具有遗传算法全局快速寻优的特点，与简单遗传算法相比，在收敛快速性和稳定性方面都有了明显的改善。