遗传算法求解函数优化问题的Matlab实现

本文介绍了遗传算法的基本原理,并重点分析了Matlab遗传算法工具箱的使用方法。在此基础上,给出了一个函数优化问题的实例,以验证Matlab遗传算法工具箱在解决基于遗传算法的函数优化问题上的有效性和实用性。     

基于粗糙集的神经网络函数逼近理论

首先给出了神经网络函数在粗糙集意义下的下、上近似函数 ,从函数逼近的观点出发分析 ,得出对任一神经网络函数在粗糙集意义下 ,都可根据学习样本点维数找到两个关联的离散函数来逼近它 ,并且证明了在粗糙集意义下逼近的过程是可行的。该结论有助于理解粗糙集函数与神经网络函数之间的联系 ,为今后进一步研究在粗糙集意义下神经网络函数整体逼近理论及学习算法的描述奠定了基础。     

基于模糊RBF神经网络的函数逼近

提出了一种模糊RBF网络,将模糊逻辑的知识表达以及推理能力和RBF网络的快速学习和泛化能力结合起来,网络结构参数可按实际问题调整,仿真表明网络具有较快的学习速度和较高的函数逼近精度。     

单体模糊神经网络的函数逼近能力

研究了单体模糊神经网络的函数逼近能力,由于在ＭＦＮＮｓ中神经元的基本运算由原来的积－和运算改为求极小－极大运算,网络的函数逼近性质发生了很大的改变。给出了单调传递函数的ＭＦＮＮｓ按序单调特性,连续映射定理以及非函数一致逼近定理,从而说明ＭＦＮＮｓ虽然能够保持连续映射,但不如原神经网络具有函数逼近能力。     

基于BP神经网络的函数逼近方法及其MATLAB实现

MATLAB软件及其BP神经网络工具箱函数的应用,结合一个实际的例子详细阐述了基于BP神经网络的函数逼近过程及其MATLAB实现方法。     

多项式函数的神经网络逼近: 网络的构造与逼近算法

该文作者先用构造性方法证明：对于给定的r阶多项式函数，可以具体地构造出一个三层前向神经网络，以任意精度逼近该多项式，所构造的网络的隐层节点个数仅与多项式的阶数r和网络的输入个数s有关，并能准确地用r表达；然后，给出一个实现这一逼近的具体算法；最后，给出两个数值算例进一步验证所得的理论结果．该文所获得的结果对前向神经网络逼近多项式函数类的网络具体构造以及实现逼近的方法等问题具有较为重要的指导意义．     

基于粗糙集团的神经网络函数逼近理论

首先给出了神经网络函数在粗糙集意义下的下、上近似函数，从函数逼近的观点出发分析，得出对任一神经网络函数在粗糙集意义下，都可根据学习样本点维数找到两个关联的离散函数来逼近它，并且证明了在粗糙集意义下逼近的过程是可行的。该结论有助于理解粗糙集函数与神经网络函数之间的联系，为今后进一步研究在粗糙集意义下神经网网络函数整体逼近理论及学习算法的描述奠定了基础。     

基于遗传算法的前馈神经网络结构优化

为防止交叉后优秀基因段的丢失,在随机非一致线性交叉的基础上,设计了一种与个体适应度相关的线性交叉方案。构造了一种使交叉率与变异率随进化过程自适应调整的方法,有效抑制了遗传算法的早熟收敛。然后,针对函数逼近问题用改进后的遗传算法去优化前馈神经网络的结构,降低了神经网络训练陷入局部最优的可能性,提高了网络的泛化能力。     

一种用于非线性函数逼近的小波神经网络

提出一种用于非线性函数逼近的小波神经网络，给出了网络的参数训练方法。从信息熵的概念出发，改进了网络参数训练的目标函数，并利用引入动量项的最速下降法训练网络权值、尺度因子和平移因子。仿真实验表明，该小波神经网络用于非线性函数逼近时优于同等规模的BP网络，且其训练方法亦具有收敛速度快、逼近精度高等优点。     

非线性函数逼近小波神经网络的优化及仿真

提出一种用于非线性函数逼近的小波神经网络的训练算法。分析了网络的拓扑结构,给出了网络的参数估计方法,即混合递阶遗传算法,该算法是递阶遗传算法和多元线性回归的结合,仿真研究表明该方法逼近精度高,为非线性系统建模提供了一种新方法。     

人工神经网络在函数逼近中的应用研究

利用径向基函数网络研究了人工神经网络在函数逼近中的应用。分析了网络结构对逼近性能的影响。利用MATLAB神经网络工具箱进行仿真。实验结果表明,神经网络具有很好的函数逼近性能,其中RBF网络的逼近性能更优。     

遗传前馈神经网络在函数逼近中的应用

人工神经网络具有高计算能力、泛化能力和非线性映射等特点,被成功应用于众多领域,但缺乏用于确定其网络拓扑结构、激活函数和训练方法的规则。该文提出利用遗传算法优化前馈神经网络的方法,将网络结构、激活函数和训练方法等编码作为个体,发现最优或次优解,针对特定问题设计较理想的前馈神经网络。介绍遗传算法的具体步骤,对非线性函数逼近进行实验,结果表明优化后前馈神经网络的性能优于由经验确定的前馈神经网络,验证了本文方法的有效性。     

利用人工神经网络实现函数逼近

神经网络可以被用来计算复杂的输入与输出结果集之间的关系 ,因此神经网络具有强大的函数逼近功能。该文利用Cybenko理论论述了用一种单隐层的前馈神经网络模型在一定条件下可以逼近任何定义在C( [0 ,1] n)上的函数的问题 ,并给出了一个对一维非线性函数的仿真实例 ,取得了良好的效果。     

基于MATLAB的非线性方程组遗传解法

将非线性方程组的求解问题转化为用遗传算法求解目标函数的最小值问题,利用MATLAB的遗传算法与直接搜索工具箱（GADs）对目标函数求取最小值。计算结果表明,用该方法求得的非线性方程组近似解精度较高。     

基于神经网络与遗传算法的传动部件设计优化

为了提高设计效率,得到最优设计效果。依据人工神经网络模型和遗传算法的基本原理,建立了基于神经网络和遗传算法的传动部件设计优化模型,用Matlab语言编制了应用程序,对神经网络的参数预测与遗传算法的优化过程进行求解,试验仿真结果表明,采用设计优化切实可行,具有良好的实际应用效果。     

人工神经网络结合遗传算法在建模和优化中的应用

用MATLAB构造了人工神经网络和遗传算法程序。人工神经网络用来建立数据样本间的函数关系，而遗传算法用来求解由该函数作为目标函数的优化问题。最后用一个实例对所编程序进行了测试，结果是令人满意的。     

基于改进BP神经网络的函数逼近性能对比研究

为了正确反映实际应用中经常采用的6种典型BP神经网络的改进算法的非线性函数逼近能力,本文从数学角度详细阐述这6种典型BP神经网络的改进算法的学习过程,简要地介绍MATLAB工具箱中设计BP网络的训练函数,最后在MATLAB环境下设计具体的网络来对指定的非线性函数进行逼近实验,并对这6种典型BP神经网络的改进算法的性能差异进行对比。仿真结果表明,对于中小规模网络而言,LM优化算法逼近性能最佳,其次是拟牛顿算法、共轭梯度法、弹性BP算法、自适应学习速率算法和动量BP算法。     

一种基于傅里叶变换的RBF神经网络函数逼近方法

本文提出了一种基于傅里叶变换的RBF神经网络函数逼近方法。基于聚类算法的RBF网络中心与宽度确定方法侧重于考察信号在时空的分布规律。与之相比,本文通过分析信号所含谐波分量的幅度和相位随频率分布的情况,用前有限个频率的正弦波分量的频谱特征构造RBF网络,并采用单调指数法合并隐层节点,最后用增加微调节点的方法提高网络的局部逼近精度。一个应用实例表明,本文方法具有良好的函数逼近能力。