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．     

差分遗传算法优化BP神经网络的双目相机标定

针对传统双目相机标定的方法存在计算量大、标定过程复杂等问题,本文提出了一种利用差分遗传算法优化BP神经网络来完成双目相机标定的方法。利用能量生长和光线扫描匹配算法完成同名角点的检测、匹配以及像素坐标的提取;对遗传算法的选择和交叉算子进行改进,同时利用差分算法对遗传算法的变异算子进行改进;利用差分遗传算法来优化BP神经网络进行双目相机标定。实验结果表明:基于本文提出的方法的双目相机的标定的误差的均方根为0.038 mm,传统的基于Opencv和Matlab标定的方法的标定误差的均方根分别为0.155 mm和0.417 mm。相比而言,其标定精度分别提高了75%和90%。与此同时,采用本文提出的方法对双目相机进行标定时需要花费的平均时间为26.3 s。差分遗传算法优化后的BP网络在双目相机标定过程中简化了标定流程并取得较好的效果,满足双目相机标定的要求。     

基于GA的BP神经网络模型的研究及应用

分析了BP神经网络的缺陷和遗传算法的特点，提出了基于遗传算法的BP神经网络模型算法，该算法利用遗传算法全局寻优能力强等特点，可克服神经网络易陷入局部极小值、训练速度慢的缺陷。仿真结果表明：遗传算法和神经网络相结合的算法具有较好的全局快速收敛等性能。     

遗传神经网络在滑坡灾害预报中的应用研究

针对传统BP算法易收敛于局部最优以及网络结构难以确定等问题,引进遗传算法进行混合建模.采用遗传学习算法和误差反向传播算法相结合的混合算法来训练前馈人工神经网络,即先用遗传学习算法进行全局训练,再用BP算法进行精确训练,使网络收敛速度加快并避免陷入局部极小.文中结合实例,对BP神经网络,遗传算法改进的神经网络进行了比较分析.实验表明,利用改进的混合模型可以提高预测精度,缩短收敛时间.     

神经网络在GPS高程拟合中的应用

讨论利用遗传算法(GA)、粒子群算法(PSO)来优化BP神经网络权值和阈值的原理;结合平坦地区的工程实例,研究二次曲面、BP、GA-BP与PSO-BP 4种拟合模型在GPS高程拟合中的应用.拟合结果表明:PSO算法优化BP神经网络精度效果优于GA算法优化BP神经网络精度,拟合误差更小.     

神经网络在变压器超高频局部放电模式识别中的应用

结合自适应遗传算法 (AGA)和BP算法各自的优点 ,构造了AGA BP混合算法作为神经网络的学习算法 .实验结果表明 ,AGA BP神经网络既解决了BP神经网络对初始权值敏感和容易局部收敛的问题 ,又提高了AGA神经网络的收敛速度、稳定性和求解质量 ,具有较高的识别率和较强的推广能力     

快速路截面数据和车牌识别数据融合算法

为了提高快速路交通流检测精度,在对快速路截面数据和车牌识别数据预处理方法研究的基础上,提出了基于遗传算法优化的BP神经网络数据融合算法,并以VISSIM模拟交通流数据为对象,通过MATLAB程序实现该算法的仿真验证,同时与传统BP神经网络融合算法进行对比分析.结果表明,该算法融合的平均相对误差为0.73%,传统BP神经网络融合的平均相对误差为1.55%,融合精度显著提高.     

基于RS-GA-BP神经网络的住宅房地产估价模型与应用

针对一般住宅房地产估价问题的非线性特征,融合粗糙集方法、遗传算法和神经网络算法的优势,提出了一种新的住宅房地产估价模型一基于粗糙集、遗传算法和BP算法集成的住宅房地产估价模型．首先对影响房地产估价因素进行离散化处理,其次利用粗糙集方法对估价因素进行约简,即精减BP神经网络的输入变量,最后利用遗传算法来优化BP神经网络初始权重和阈值．优化后的BP神经网络具有较好的处理非线性问题的能力,收敛速度和仿真精度较传统BP算法都有了明显的提高．选取某市工程案例进行实证分析,研究结果表明,新的估价方法能较客观准确地估测住宅房地产的价格,在住宅房地产估价中具备较高的实用性．     

基于改进遗传算法的BP网络在降雨量预测中的应用

提出了一种改进遗传算法(GA)和BP算法结合的神经网络模型优化方案。首先采用自适应交叉概率和变异概率的遗传算法优化BP网络的权值,在进化结束时,能够寻到全局最优点附近的点;在遗传算法搜索结果的基础上,利用局部寻优能力较强的动量BP算法,从此点出发,进行局部搜索,进而达到网络的训练目标。仿真实验结果表明,在大庆市2000年到2004年6月降雨量的预测方面,遗传算法与BP算法结合的模型预测误差平均为39.13%,标准BP算法的模型预测误差平均为194.66%。说明GA-BP算法模型预报精度较高,预测能力得到了改进。     

基于GA-BP神经网络的输油管道内腐蚀速率预测

针对BP（Back Propagation）算法的神经网络易陷入局部极小的缺点,尝试引入遗传算法（Genetic Algorithm）处理了BP神经网络的权值与阈值,并分别建立了BP和GA-BP两种不同算法的神经网络模型对输油管道腐蚀速率进行预测。对结果进行对比分析发现,GA-BP算法的神经网络预测精度要高于BP网络;GA-BP算法具有高的预测精度,其预测值与实验值相关系数为0.9863,表明该算法模型是合理可靠的。     

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。     

神经网络与压缩映射遗传算法耦合技术研究

多层神经网络的BP算法的学习过程与网络中的连接权值、传输函数类型的选择以及BP所用的梯度优化算法密度相关，网络可能会出现收敛于局部次优或不收敛的现象。将压缩映射遗传算法应用于BP神经网络的数学模型，构建一种新型的压缩映射神经网络，这种神经网络收敛于全局最优解。     

基于GA的BP网络模型在水文计算中的应用

分析了BP神经网络的缺陷和遗传算法GA的特点,在对BP网络模型进行多方面改进的基础上,提出了基于GA的BP网络模型算法,该算法利用遗传算法全局寻优能力强的特点,可克服神经网络易陷入局部极小、收敛速度慢的缺陷.研究表明,基于GA的BP神经网络模型用于水文计算是有效可行的,该算法具有广泛的应用前景.     

基于不同神经网络模型的冷凝器两相换热量的研究

在混合工质下利用4种神经网络模型(反馈神经网络模型(BP)、遗传神经网络模型(GA - BP)、极限学习机网络模型(ELM)和递归神经网络模型(RNN))预测了板式换热器的换热量(含相变换热).结果显示:热源温度为30、40、50 ℃时,GA - BP神经网络模型的平均绝对误差(MAE)、平均相对误差(MAPE)和均方根误差(RMSE)均小于其他3种神经网络模型,且与实际值接近.该结果表明,GA - BP神经网络模型比其他3种神经网络模型更适用于预测板式冷凝器的换热量(含相变换热).     

锅炉燃烧系统的建模研究

针对传统BP算法存在易陷入局部极值点、收敛速度慢、泛化能力差等缺点,运用一种由遗传算法和BP神经网络相结合的方法对锅炉燃烧系统进行建模分析。通过与单纯用BP算法建模方法比较,这种方法能很好地克服用BP神经网络建模时的诸多缺点。模型已经由现场采集的锅炉数据验证,能够得到理想的效果．     

RBF神经网络算法及其应用

在径向基神经网络学习算法的基础上,提出了一种新的RBF神经网络学习算法,该算法将变长度染色体遗传算法和最小二乘法相结合,能够同时确定径向基神经网络的结构和参数。用此方法建立热电厂热负荷预测模型,并与BP神经网络和增长型结构学习算法的RBF神经网络方法相比较,结果表明可以取得更好的效果。     

基于改进的遗传神经网络入侵检测系统

针对单独使用遗传算法不能在短时间内寻找到接近最优解的问题,采用改进的遗传算法来优化神经网络权值,能很好地与BP算法结合。用Matlab进行仿真实验,实验结果表明:改进的BP神经网络在入侵检测中有着巨大的应用潜力,识别率普遍达95%以上。