基于遗传神经网络的机械振动信号预测

针对传统的BP神经网络学习算法存在易陷入局部极小及收敛速度慢等缺陷,文中提出了利用实数编码改进遗传算法对神经网络进行优化训练,并把训练好的神经网络用于对机械振动信号的预测, 并与传统BP算法以及改进BP算法预测结果进行比较,充分证实了文中方法的有效性.     

一种基于炮射地面震动传感器的目标识别算法研究

介绍了自适应遗传算法优化的BP神经网络(AGA-BP)算法在炮射地面震动传感器目标识别中的应用。首先针对BP神经网络可能未收敛到全局最小点的缺陷,提出自适应遗传算法与BP神经网络结合的一种优化算法。之后进行仿真实验并对履带和轮式车辆的采样信号进行时频分析,利用小波变换提取特征值。最后利用优化后的算法与传统算法进行了样本训练和识别,对比结果表明该方法能减少识别误差。     

遗传算法优化BP神经网络在转速PID控制中的应用

提出一种基于遗传算法优化的BP神经网络PID控制算法,并将其应用于永磁无刷直流电动机的转速控制系统而设计出优化的转速PID控制器。该算法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神经网络算法对PID参数进行在线调节,解决网络的初始权值对控制效果的不利影响,仿真证明该算法可行。     

基于排序选择的改进遗传算法优化的神经网络控制

针对简单遗传算法（SGA）应用过程中存在的不易收敛、结果常常陷入局部最优、编码方式存在解码误差、收敛速度慢等缺点,提出了使用一种基于排序选择的改进遗传算法。用改进的遗传算法优化调整神经网络的权值。仿真研究表明,用此算法能够充分发挥其全局寻优的特点,且能够很好的弥补BP算法训练时间长,响应速度慢的不足。     

一种改进粒子群算法优化BP神经网络实现核素识别方法

为获得全局最优点,提出一种改进粒子群算法优化BP神经网络实现核素识别方法.该算法用一种动态改变惯性权重与学习因子的自适应方法,优化BP神经网络的阈值与权值,通过训练BP神经网络识别模型得到粒子群的全局最优解,利用最优权值与阈值实现核素识别.分析结果表明:该方法不仅能更快地收敛于最优解,同时能更好地平衡全局搜索和局部搜索能力,有效地改善算法的收敛速度和识别精度.     

基于Blackfin 的锂电池管理系统

针对目前锂电池管理系统的荷电状态（SOC）估算精度低、可扩展性差的问题,设计基于Blackfin数字信号处理器的电池管理系统。该系统实现了锂电池数据实时监测、剩余电量估计、通过CAN总线通信扩展多组锂电池、锂电池危险状态报警和自动保护等功能。在剩余电量估计算法上,提出一种遗传算法与蚂蚁算法相结合的GAAA算法优化BP神经网络的方法。实验结果表明：该算法比基于遗传算法的BP神经网络具有更高的SOC估算精度和更快的运算速度。     

基于神经网络的野战给水能力评价模型

在选用野战给水能力指标体系的基础上,建立BP神经网络评价模型,并运用改进遗传算法对网络进行优化．案例说明模型及其算法的有效性．     

BP-GA算法确定未反应炸药的JWL状态方程参数

为了确定未反应炸药的JWL状态方程参数,提出了一种利用BP神经网络?遗传算法(BP?GA算法)和冲击Hugoniot关系确定JWL参数的方法。此方法首先训练BP神经网络,使其可以拟合由不同的JWL参数组合组成的非线性系统,随后采用遗传算法搜寻适应度值最大的一组JWL参数。结果表明:已知某种炸药的初始密度、爆速、Hugoniot系数C0和S,便可利用BP?GA算法确定其JWL参数;BP?GA算法确定的8种未反应炸药的p?v曲线和由试验数据确定的p?v曲线相吻合,且8条p?v曲线的R²均不低于0.9995,证明了BP?GA算法的高精度。     

基于遗传算法的BP网络在导弹武器系统元器件贮存可靠性预测中的应用

针对目前BP神经网络在应用中,网络结构难以确定以及网络极易陷入局部解问题,用遗传算法优化神经网络的连接权和网络结构,并在遗传进化过程中引入交叉概率和变异概率与个体的适度值相联系,改进了操作算子,而且在交叉操作后又引入模拟退火机制,提高遗传算法的局部搜索能力.建立了基于改进遗传算法的BP网络贮存可靠性预测模型,并以某型导弹武器系统的元器件进行实例分析,计算结果表明,该方法预测的准确性高,且预测结果稳定.     

BP神经网络在空袭目标优选中的应用

空袭目标优选,应用改进的BP神经网络算法.即在空袭目标优选评估指标体系基础上,建立BP神经网络,通过定义学习代价函数、确定函数输出信号、修正函数信号.并通过网络初始化等改进BP算法,以激活函数敏感性,加速网络收敛.算例验证了该算法合理性,稳定性良好.