遗传算法在柴油机故障诊断中的应用

BP神经网络在故障诊断时,对故障的学习训练盲目性大,导致速度慢,结果可靠性差。但是遗传算法可以优化挑选故障向量具有针对性,弥补BP神经网络诊断的不足。所以基于遗传算法的BP神经网络可以使各代种群在进化过程中容易得到全局最优解。实例对比分析,表明优化后的神经网络具有较好的收敛性能和运算速度,能够改善诊断精度。     

云计算下的一种网络流量预测算法的研究

为了提高云计算下的网络流量的预测精度,提出了一种基于遗传算法的小波BP神经网络的预测模型。首先针对BP神经网络的不足,引入动量项进行改进,其次,在遗传算法中加入进化操作,提高了算法的整体效率,将改进后的算法与小波函数进行融合,整体优化了BP神经网络的阀值和权值进行优化。仿真实验通过与其他文献算法的比较,说明本文算法具有良好的收敛速度,有效的提高预测的精度。     

基于遗传算法的TSP问题优化方法

针对传统遗传算法在巡回商旅问题优化计算中存在的弊端——收敛速度慢,迭代次数多。在传统遗传算法基础上,设计出一种加入人工选择和定向突变的优化改进算法。该优化算法通过人工方法保存具有有利变异个体和淘汰具有不利变异个体,有利变异个体进行杂交和变异,从而提高遗传算法的收敛速度,减少遗传算法的迭代次数。同时针对遗传算法易陷入局部最优解的情况,在优化算法中引入自适应参数算法,针对遗传算法的不同阶段,实现杂交概率和变异概率的自适应调节,防止算法陷入局部最优解。最后,采用国际标准的TSP测试集(TSPLIB)对优化算法的优良性进行验证,实验表明,对比其他算法,该优化算法在TSP最优解的质量上提高10%左右。     

基于遗传算法改进神经网络的电力谐波检测算法

提出了基于遗传算法改进神经网络算法进行电力谐波分析的方案。遗传算法全局搜索能力强,收敛速度快的特点弥补了神经网络算法在进行谐波分析时易陷入局部最优解的缺点,同时对初始权值进行遗传算法进化也大大加强了整个算法模型的泛化能力。针对算法本文借助MATLAB的遗传算法和神经网络算法工具箱进行仿真训练发现使用遗传算法改进神经网络算法收敛速度更快,计算结果准确性更高,具有较好的谐波分析效果。     

基于混合BP神经网络算法的信用卡消费行为风险预测

随着中国信用卡市场的急速发展,信用卡消费行为的风险评估已成为业界研究的一个重要方向.目前风险预测的研究常采用单一的BP神经网络算法,但该算法存在一些固有缺点,如易陷入局部极小点、收敛速度较慢等,这些缺点会影响风险预测的效果.针对单一BP神经网络算法的不足,提出了一种将BP神经网络算法与遗传算法相结合的混合算法,它以BP神经网络作为基础,利用遗传算法对BP神经网络进行优化,并通过数据集的实验证明该混合算法要优于单一BP神经网络算法,可以有效提高信用卡消费行为风险评估中的检测率和准确率.     

BP神经网络的量子学习及应用

在神经网络的训练过程当中,引入量子遗传算法,结合BP梯度下降反传训练方法构造神经网络的量子优化算法.利用量子运算的高效并行性,对神经网络实行量子编码,用量子门旋转来代替网络进化时交叉、变异等更新操作,使得网络训练收敛精度高、收敛速度快、同时避免陷入局部最优的缺点.最后提出了一种基于量子神经网络的预测方法,仿真结果表明,基于量子遗传算法的神经网络,训练次数,误差精度以及预测能力都明显优于BP神经网络.     

基于改进的GA优化BP神经网络的煤矿设备的故障诊断

面对越来越多的煤矿设备出现的故障,本文提出了将遗传算法(GA)和BP神经网络结合进行预测的方法。针对遗传算法存在收敛速度慢,容易陷入局部最优的情况,本文首先采用混沌和反向学习初始化个体,其次运用差分算法对个体最优进行操作,最后,将改进的适应度函数运用到选择操作中,通过变异概率和交叉概率提高操作的准确率。将改进后的算法运用到BP神经网络中提高了样本训练效果,仿真实验表明本文算法相比于传统BP神经网络提高了精度和增强了稳定性     

基于改进BP神经网络的图像识别算法

为提高图像识别的准确率和速度,结合遗传算法和BP神经网络设计了一种改进图像识别算法。由于传统BP神经网络本身存在结构参数不确定、收敛速率低、容易陷入局部最小值等问题。本文首先提取图像的颜色和纹理特征,利用BP神经网络实现特征的初步识别同时基于遗传算法在线优化BP神经网络结构参数。在此基础上,给出了图像识别流程。最后,根据证据理论实现图像识别结果融合以获得完整图像信息。仿真结果表明:所述算法具有较高的识别率和收敛速度;在少量训练样本条件下,改进BP神经网络依旧具有较好的泛化能力。     

利用云模型和遗传算法优化BP神经网络权值

标准BP算法主要根据训练样本确定神经网络的权值,由于BP算法采用沿梯度下降的搜索算法,因而其结果对初始权值非常敏感,收敛速度慢,易陷入局部极小。结合正态云模型云滴的随机性和稳定倾向性,以及遗传算法的全局搜索能力,收敛速度快等特性优化神经网络的权值和阈值。分类实验结果表明,该算法比标准BP算法收敛速度快,分类正确率高。     

基于自适应变异的动态粒子群优化算法

提出了一种新的基于自适应变异的动态粒子群优化算法。该算法除了采用动态惯性权重外，还引入了自适应学习因子和新的变异算子。该算法在运行过程中，根据群体适应度方差以及当前最优解的大小来确定当前最佳粒子的变异概率，采用新的变异算子变异增强了该算法跳出局部最优解的能力。对几种典型函数的测试结果表明：新算法具有很强的全局搜索能力。收敛速度和收敛精度也有所提高，并且能有效避免早熟收敛问题。     

基于混沌神经网络的项目投资风险评价模型研究

针对神经网络在搜索寻优过程中存在的收敛速度慢、易陷入局部极小值这一问题,将混沌理论和神经网络有机结合,构造混沌学习算法,建立了基于混沌神经网络的综合风险评价模型,该模型充分利用混沌运动的遍历特性,加快了训练速度,使其收敛于全局最优解。将此模型应用于项目投资风险综合评价的结果表明,该模型具有一定可操作性和实用性。     

利用遗传算法优化BP神经网络

首先阐述了BP算法和遗传算法,并指出BP算法和遗传算法各自的优缺点,讨论了如何利用遗传算法优化BP神经网络,并举实例进行了仿真。结果表明该方法具有一定的实用价值。     

基于小波网络的电力系统故障诊断

小波神经网络(Wavelet Neural Network)结合了小波变换及神经网络的优点,是一种基于知识的故障诊断方法,它不需要精确的数学模型,既具有良好的时频局部性质,又有较好的自学习能力和容错能力。本文介绍了小波网络及其在电力系统故障检测中的应用,通过EMTP仿真实验表明,小波网络与传统的人工神经网络相比,具有收敛速度快,鲁棒性强的特点,可以将小波网络应用于电力系统的故障检测。     

高速公路BP神经网络限速控制

通过对高速公路在运行中遇到的主要问题的阐述,分析了可变限速控制在高速监控系统中的作用。针对高速公路可变限速控制是一个非线性时变系统,难于用数学模型进行建摸这一特点,提出了BP神经网络控制方法。阐述了BP神经网络的学习算法,根据高速公路主线上车辆数目以及路面状况、气象条件等信息,设计了高速公路可变速度标志神经网络控制器,并对控制器进行了仿真研究。仿真表明:网络学习速度快,自适应强,泛化能力好,结果精度高,对交通流限速控制中具有一定的推广应用价值。     

一种前馈神经网络算法

神经网络由于其非线性处理能力强，性能稳定等特点得到了广泛应用和研究，主要应用于模式识别、信号处理、知识工程、专家系统、优化组合、机器人控制等。神经网络中使用最为广泛的就是前馈神经网络，其网络权值学习算法中影响最大的就是误差反向传播算法(back-propagation简称BP算法)。BP算法存在局部极小点，收敛速度慢等缺点，基于优化理论的Levenberg-Marquardt算法忽略了二阶项，该文讨论当误差不为零或者不为线性函数即二阶项S(W)不能忽略时的Hesse矩阵的近似计算，进而训练网络。     

广义回归神经网络在全国高技能人才需求中的应用研究

广义回归神经网络(GRNN)克服了BP神经网络运行中收敛速度慢且局部极小的不足,正逐渐被应用到货运量、农业需求及煤炭需求方面。引入GRNN对全国高技能人才需求进行预测检验,并从5个角度将其与GM(1,1)模型的输出结果做对比分析。结果表明GRNN模型具有优异的预测性能,验证了把该模型引入高技能人才需求这一新领域是有效可行的。为今后进一步定量研究有关高技能人才需求方面提供一种新方法。     

基于动态神经网络专家系统的供应商信用等级分析

在供应链(SC)中,如何正确地选择敏捷的、有实力和相容的供应商合作伙伴,影响到整个SC的竞争力。而对供应商信用等级进行正确地评价又是实现优化选择供应商合作伙伴的关键,同时也对提升整个SC的竞争力有着极其重要的作用。本文提出了一个供应商信用等级分析指标体系,并通过人工智能神经网络进行评估。考虑到神经网络的收敛性,本文基于重置算法构建了动态神经网络专家系统。应用实例表明,该指标体系与专家系统有效地解决了对供应商信用等级进行分析评估的问题。     

Model-Free distributed optimal consensus control of nonlinear multi-agent systems: A graphical game approach

In this paper, the optimal consensus control problem of nonlinear multi-agent systems(MASs) with completely unknown dynamics is considered. The problem is formulated in a differential graphical game approach which can be solved by Hamilton-Jacobi (HJ) equations. The main difficulty in solving the HJ equations lies in the nonlinear coupling between equations. Based on the Adaptive Dynamic Programming (ADP) technique, an VI-PI mixed HDP algorithm is proposed to solve the HJ equations distributedly. With the PI step, a suitable iterative initial value can be obtained according to the initial policies. Then, VI steps are run to get the optimal solution with exponential convergence rate. Neural networks (NNs) are applied to approximate the value functions, which makes the data-driven end-to-end learning possible. A numerical simulation is conducted to show the effectiveness of the proposed algorithm.     

一种改进的神经网络学习算法研究

传统BP算法主要存在网络收敛速度慢,易陷入局部极小的问题。针对经典BP算法存在的问题,提出一种新型激励函数,并且联合使用了一些先进的技术对人工神经网络做了改进,改进算法具有更快的收敛速度、并且能有效地避免算法陷入局部极小。     

基于BP神经网络的金属材料字符识别研究

字符识别是模式识别领域的一项传统课题,其内容是模式识别领域中很多课题的基本内容。人工神经网络的出现为字符识别的研究提供了一种新的手段,BP神经网络(Back Propagation Neural Network)作为人工神经网络的一个分支,现已成为其最广泛的应用。本文以三层BP网络作为模型,并将其应用于对金属角铁上的字符识别。由于角铁字符为数字与英文字母混合,文中在对传统的BP算法进行了改进的基础上,采用了分组神经网络的设计方法,取得了良好的识别效果。