基于遗传算法的模糊神经网络控制器的仿真

对遗传算法 (GA)和模糊神经网络控制器的结构进行了说明。为了克服反向传播算法 (BP)的缺点 ,通过遗传算法对模糊神经网络控制器的参数进行优化 ,亦即对模糊神经网络进行训练。用通过优化后的模糊神经网络控制器控制一个带有纯滞后的非线性对象 ,仿真结果证实了其性能较常规模糊控制器优越。     

基于IGA优化的神经网络的小电流接地选线方法

为了克服基于BP网络的故障选线方法学习效率低、收敛速度慢和容易陷入局部极小的缺点,提出了基于免疫遗传算法( IGA)的神经网络来实现配电网故障选线.通过快速傅里叶变换和小波包变换从零序电流信号中提取相应的故障特征量作为神经网络的输入,利用免疫遗传算法对神经网络进行训练,完成训练的神经网络模型为故障选线模型.ATP仿真结...     

基于改进遗传算法的BP神经网络手写数字识别

手写数字识别是光学字符识别技术的一个分支,一般采用神经网络,其中较为突出的是BP神经网络,但BP算法易陷入误差局部最小产生振荡且训练速度慢,通常先采用优化算法对其结构进行优化。为此,在分析GA-BP算法原理的基础上,提出对GA算法的相应算子中交叉和变异概率进行改进的方法,并用改进的GA算法优化BP神经网络的连接权值和阈值。以手写体数字识别为对象进行实验,结果表明：该方法具有更快的收敛速度和更可靠的稳定性,大大提高了BP神经网络的学习速度和识别率。     

具有遗传算法优化BP神经网络调节的HVDC PID控制器设计

高压直流输电(HVDC)定电流控制是直流输电系统的控制方式之一,为了使HVDC PID控制器具有较好的自适应性,实现控制器参数自动调整,提出一种具有遗传算法优化BP神经网络调节的HVDC PID控制器。该控制器首先利用遗传算法对BP神经网络的初始权值进行优化,再利用BP神经网络对PID三个参数进行在线调整。仿真研究表明:具有遗传算法优化BP神经网络调节的PID控制器可以保证系统动态响应具有较好的快速性和对系统扰动的自适应性,是可行的。     

基于神经网络-遗传算法优化制氢工艺水碳比

根据某炼油厂制氢车间的生产数据,用人工神经网络(ANN)的反向传播(BP)算法建立了制氢装置转化生产中的水碳比神经网络预测模型,生产数据的检验表明,ANN方法能准确地关联和预报制氢装置转化生产中的水碳比,水碳比预测平均相对误差为2．83％;该神经网络预测模型用遗传算法优化并得到了最佳制氢工艺操作条件。     

BP神经网络模型在橡胶配方优化中的应用

利用神经网络中的误差逆传播校正算法(BP模型)建立起橡胶配合剂与性能之间的非线性多目标模型，用遗传算法对BP神经网络模型的算法进行了改进，以试验数据为基础进行神经网络的训练，得到可预测橡胶配方性能的BP神经网络模型。以胶粉在全钢子午线轮胎胎侧胶中研究为例，对BP神经网络模型进行了验证。同时，与回归分析方法进行了比较，结果令人满意。     

一种改进的混合遗传算法人工神经网络及其应用

采用自适应交叉变异、最优保存、局部寻优的遗传算法,避免了BP神经网络在训练过程中收敛于局部极小点的缺陷,并将其对神经网络的权值和阈值进行优化,从而提出了一种改进的混合遗传算法神经网络模型。该算法首先对一给定的神经网络结构,采用自适应交叉变异和最优保存策略对神经网络进行优化;然后采用局部寻优策略进一步克服神经网络学习算法的早熟问题。采用上述三种优化策略的神经网络模型对三元混合物溶液的物性和烟叶质量进行预测。试算结果表明,与实验值相比,预测结果良好。     

遗传算法与神经网络(Ⅱ)──用EGA-GDR训练神经网络

为了更有效地解决神经网络培训中遇到的局部最优解问题，提出一种融合EGA和GDR算法特长的新算法──EGA-GDR算法．通过分别对拓扑为2×3×3和8×8×4两个神经网络的训练，表明该算法较之SA-GDR算法可以更有效地解决神经网络训练中的局部最优解问题．     

遗传算法优化BP神经网络的水泥窑温度预测模型研究

水泥窑内温度的控制效果直接决定水泥熟料的质量。由于回转窑煅烧具有大滞后、非线性、多变量等复杂特性,并且各个因素之间存在相互联系和不确定性,这给回转窑温度的控制带来了困难。本文利用BP神经网络建立回转窑温度预测模型,并利用遗传算法对模型进行优化,将优化前后的仿真结果对比后发现,使用遗传算法优化后的BP神经网络回转窑温度预测模型的预测精度高于单独使用BP神经网络搭建的回转窑温度预测模型精度,为回转窑温度的预测提供了一种新的方法。     

基于遗传神经网络的微滤膜通量的预测

针对BP神经网络在寻优过程中容易陷入局部极小值的缺点,将遗传算法和BP神经网络相结合,构造了一种基于遗传算法的反向传播（GABP）神经网络。网络的训练分为两步：首先利用遗传算法群体寻优策略,采用遗传算法对网络权值和阈值进行全局搜索,保证其落入全局最优点的邻域;然后再用梯度法对网络权值进行细化训练以进一步减小误差,使其收敛于全局最优解或性能很好的近似最优解。网络训练时使用的数据是在不同操作条件 （温度、压力、浓度）下,用标准孔径为0.1 μm 的亲水聚偏氟乙烯微滤膜过滤牛血清白蛋白(BSA)溶液时得到的膜通量实验数据,用训练好的GABP神经网络对微滤膜过滤BSA的膜通量预测研究结果表明,与传统的BP算法相比,GABP神经网络算法改善了网络收敛速度以及膜通量预测的准确度。     

基于免疫遗传算法-BP神经网络的主汽温控制

针对火电厂主汽温被控对象的不确定性及大延迟、大惯性及非线性等特点,设计一种基于免疫遗传算法、BP神经网络和RBF神经网络的智能PID控制系统.利用免疫遗传算法的全局搜索寻优能力和较好的收敛性优化神经网络的权值,同时利用BP网络对PID参数进行在线调整.仿真结果表明,该系统在控制品质、鲁棒性方面都明显优于常规PID控制系...     

基于遗传BP神经网络预测硫在高含硫气体中溶解度

为更精确地关联预测硫在高含硫气体中的溶解度,提出将遗传算法(GA)和LM-反向传播神经网络(LM-BP ANN)相结合的预测模型。设计了该模型的计算过程,讨论了模型参数的设置。以温度、压力和气体组分作为BP神经网络预测模型的输入变量,利用GA优化了BP神经网络的初始权值和阈值,采用遗传算法优化后的BP神经网络计算了元素硫在高含硫气体中的溶解度。结果表明,该模型训练结果与实测值之间的平均相对误差为5.90%,测试结果与实测值的平均相对误差为5.54%;该方法较BP神经网络模型具有预测精度高、收敛速度快的优点;该模型具有较好的模拟及内推、外推功能。     

应用经遗传算法优化的BP神经网络预测催化裂化装置焦炭产率

焦炭是催化裂化装置的主要副产物,准确预测催化裂化焦炭产率对提高装置的操作平稳度和经济效益具有重要意义。人工神经网络(ANN)具有强大的自学习和自适应能力,在非线性预测方面具有明显的优势。本研究将遗传算法(GA)与BP神经网络相结合,基于某炼厂催化裂化装置的生产数据,分别从原料、催化剂和操作条件3个方面选取28个关键影响参数建立了催化裂化焦炭产率预测模型,分别将BP神经网络和经遗传算法优化的BP神经网络(GA-BP)的预测结果与工业数据进行对比。结果表明,经遗传算法优化的预测模型无论在预测结果的准确性还是稳定性方面效果更好。最后,本研究还通过考察原料残炭、反应温度等单一关键参数对焦炭产率的影响,进一步证明了经遗传算法优化的BP神经网络预测模型的准确性。     

量子遗传算法优化神经网络的氯碱生产应用

利用经过改进的多种群量子遗传算法优化的BP神经网络建立离子膜效率的软测量,然后用遗传算法对离子膜的电解效率进行优化,并在某厂对离子膜烧碱车间的电解效率进行实验,取得了良好的经济效益。     

基于改进遗传算法的双向BP神经网络控制

针对因果系统提出一种双向神经网络,在相邻两层神经元之间建立反向连接,以直接把被控系统先前时刻的状态变量引入到网络中;设计了一种自适应调整遗传算法交叉率和变异率的规则;结合遗传算法和神经网络的优点,给出了一种基于遗传算法的双向神经网络控制方案,该方案兼有遗传算法的强全局搜索能力和神经网络的鲁棒性和自学习能力。仿真结果表明,该算法能使种群基因保持多样性,有效抑制了算法的早熟收敛;基于该算法的控制系统调整时间短、准确度高,具有良好的抗干扰能力,能满足实时性和稳定性要求。     

遗传算法耦合BP神经网络在注塑成型工艺中的应用

建立了一种遗传算法耦合反向传播(BP)神经网络的非线性计算模型,并将该计算模型用于以塑料收纳盒盖板为对象的注塑成型工艺参数的分析与控制。首先通过Taguchi正交试验法设计了一系列工艺参数数据组合,然后利用Moldflow软件得到相关工艺参数对应的翘曲变形结果,再将数据分别导入BP网络模型及遗传算法优化过的BP网络模型。结果表明:与普通BP神经网络计算模型相比,优化后的计算模型具有更好的稳定性和更高的计算精度,能够更好地应用于注塑成型工艺参数分析与控制。     

神经网络和遗传算法在胶粘剂设计中的应用

在由三种环氧树脂(EP)及两种固化剂组成的胶粘剂体系中,以胶粘剂组成为输入参数、室温剪切强度为输出参数,通过对样本组的训练,得到训练好的神经网络。利用该神经网络可以预测任一给定配方胶粘剂的室温剪切强度,评估单一组分对胶粘剂性能的影响,给出任一性能范围对应的组成分布域,结合遗传算法可以预测最佳配方组成。结果表明:对复杂的胶粘剂体系而言,神经网络和遗传算法可以大大减少试验次数、节省时间且可预测出最佳试验条件等;神经网络和遗传算法在胶粘剂设计中具有广泛的应用前景。     

神经网络遗传算法在氯碱生产过程中的应用

对氯碱产业而言,氯碱电解槽的电解一直是其主要能耗。笔者用BP基于神经网络遗传算法的方法对氯碱电解槽的电解效率进行优化,并在某厂3万t/a烧碱离子膜车间的电解效率进行试验。优化之前,该电解槽电流效率为92.75%;利用神经网络遗传算法优化后,电流效率达到93.36%,带来的经济效益可达200万元/a。     

基于遗传算法优化的BP神经网络预测混凝土抗压强度

针对传统BP神经网络预测能力的不足,采用遗传算法优化的BP神经网络预测混凝土28d抗压强度,并建立了GA-ANN预测模型。一方面对模型输入项进行灰色关联分析,找出对强度影响的重点关联因素;另一方面,研究了模型在不同输入项组合、不同训练组和输出组数、不同网络隐含层节点数的操作条件下,其预测精度有何变化,找出了最优的上述操作条件,减少了预测误差。     

基于改进GA的FNNC在水泥回转窑温度控制中的应用

神经网络和模糊控制在解决复杂的对象方面有独特优势,将模糊理论的知识表达容易和神经网络较强的学习能力这两个优势有机结合起来,用以提高系统的学习能力和表达能力.模糊神经网络(FNN)是近几年的研究热点,但由于采用对神经网络进行训练的BP算法是梯度算法,容易陷入局部极小.本文提出把动态的交叉率、变异率与在传统的遗传算法(GA)中加入动态学习的BP算子结合起来改良传统的遗传算法,即在遗传操作中,利用动态交叉率和变异率来改善全局样本的收敛速度:而在BP运算中加入动态学习率得到最大的优化收敛,不仅发挥了神经网络的泛化的映射能力,采用的遗传算法也极大地提高网络的学习速度和控制性能.