用QCEA优化的RBF神经网络及其在股市预测的应用

采用量子克隆进化算法(QCEA)对径向基函数(RBF)神经网络的参数进行优化学习,并通过对不同样本容量和量子旋转角的实验,将量子克隆进化算法优化的径向基函数神经网络应用于上证指数的预测分析中.仿真实验表明:经量子克隆进化算法优化的径向基函数神经网络将全局搜索和局部寻优有机地结合起来,收敛速度快、种群多样性好,并可有效抑...     

基于改进差分进化算法的RBF神经网络在股指预测中的应用

为了提高径向基函数(RBF)神经网络的预测性能,文章提出改进的差分进化算法(IDE),通过引入混合变异策略和局部算子来增强算法的收敛速率和局部搜索能力,用改进的差分进化算法对径向基函数神经网络的网络结构参数进行优化,建立了IDE-RBF神经网络股指预测模型,并以上证综指为例进行了实证分析。实证结果表明,IDE-RBF神经网络的预测效果明显优于其他预测模型。     

基于ROLS的径向基函数神经网络实现数字调制自动识别

针对径向基函数(RBF)神经网络和统计模式识别的特点,提出利用递归正交最小二乘法(ROLS)的RBF神经网络实现数字信号调制样式的自动识别。仿真结果表明,利用ROLS算法很好地实现了RBF神经网络权值的确定和中心的选择,从而大大减少了网络的训练样本数和训练时间,提高了网络的识别性能。     

基于径向基函数神经网络的语音识别

提出一种基于径向基函数神经网络的改进聚类方法,并将此改进的神经网络应用于语音识别领域,建立一个非特定人的孤立词语音识别系统.此聚类方法采取有监督的学习方式,将训练样本的形心作为隐节点的质心,训练样本的分类数作为隐节点的个数.利用该方法对小词表汉语孤立词进行语音识别.结果表明,采用此算法的径向基函数的神经网络具有更好的分类能力,训练速度和识别率均优于传统的径向基函数网络.     

一种基于进化计算的高斯径向基网络模型构建方法

为了提高高斯径向基神经网络模型的构建精度,将径向基中心、基宽以及连接权构成分区实数编码结构,将训练样本集作为每一个进化个体解码后的网络输入及输出,并将样本的期望输出同网络实际输出的平均误差平方和作为进化个体的适应度函数,将不同隐层节点数构成的进化个体的最优值作为设计问题的高斯径向基网络结构.采用2个Benchmark测试函数验证在不同隐层节点数情况下通过该进化算法构建的径向基模型的精度,从进化时间、进化代、最小适应度值以及均方根误差等方面作对比.结果表明,采用这种分区实数编码能高精度地构建不同设计问题的高斯径向基网络模型.     

径向基概率神经网络的结构优化算法研究

径向基概率神经网络（RBPNN）是在径向基函数神经网络（RBFNN）和概率神经网络（PNN）的基础上发展起来的一种新型的前馈神经网络（FNN）模型。该网络模型充分吸收了径向基函数神经网络和概率神经网络的优点,这种新的模型具有计算复杂度低、收敛速度快等优点。本文深入研究了径向基概率神经网络的结构优化算法,在遗传结构优化方法的基础上,提出一种新的两步学习算法,基于遗传算法的梯度学习算法。该算法一方面优化了网络结构,使网络结构尽可能的精简,另一方面有效地提高了网络的推广能力。     

GA-ANN算法在产品质量估计中的应用

针对反向传播（ＢＰ）算法,径向基函数（ＲＢＦ）算法的不足,提出了基于遗传算法（ＧＡ）确定神经网络构或权值的进化神经网络算法（简称ＧＡ－ＡＮＮ算法）。在产品质量估计仿真研究中表明,该算法不需试凑而取得较好的网络结构和参数。     

一种应用神经网络模拟Hash函数的算法

首先介绍了Hash函数的原理以及Hash算法的设计方法,提出了用神经网络模拟Hash函数的思想,并给出了用(径向基函数)RBF网络模拟Hash函数的具体算法.     

一种基于覆盖超球算法的径向基概率神经网络结构优化

介绍了径向基概率神经网络(RBPNN)的一种启发式结构优化算法.该算法首先提出一种移动平均中心超球覆盖算法,并用于初选径向基概率神经网络的隐中心矢量,然后使用遗传算法进一步优选隐中心矢量,同时优化核函数控制参数.实验结果表明,该算法在实际应用中能够加快优化速度,降低计算复杂度,有效地简化RBPNN模型的结构.     

结合免疫聚类和免疫进化规划的RBF网络设计方法

提出了一种结合免疫聚类和免疫进化规划的径向基函数(RBF)网络设计方法.该方法采用人工免疫聚类机制根据输入数据集合自适应地确定RBF网络隐层中心的数量和初始位置,并通过提取RBF网络核函数宽度的先验知识作为疫苗构成免疫算子.该算子可以缩小进化算法搜索空间的范围,提高算法的收敛速度.仿真结果表明,采用本方法设计的RBF网络结构精简,具有较强的泛化能力.     

递阶结构进化神经网络在故障诊断中的应用

主要研究进化神经网络在旋转机械故障诊断中的应用 ,提出了一种基于递阶结构的遗传算法与进化规划相结合的神经网络学习新算法 ,利用该算法可以同时对网络进行结构优化和权重求解。通过旋转机械故障分类应用实例 ,与传统的 BP训练算法作了比较 ,证明基于递阶结构的进化神经网络算法不仅在权重训练方面比传统 BP训练算法更加快速稳定 ,避免陷入局部极小点 ,而且同时对网络结构进行了优化 ,得到了结构更为简捷的旋转机械故障分类网络     

基于二阶Adaline网络的滑模变结构控制器

针对一般神经网络滑模控制系统在线训练时间长、实时性差的问题,提出一种自适应神经滑模变结构控制系统。该系统主要由二阶Adaline网络辨识器、滑模控制器和变结构二阶学习算法估值器组成。其中二阶Adaline网络是对原Adaline网络的改进,在其输入样本向量中增广了有关样本的二次项,相当于用时变二次多项式去逼近非线性系统,既有原Adaline网络训练速度快的优点,又具有一定非线性逼近能力;滑模控制器根据辨识误差自适应调整趋近律中的增益参数;而变结构二阶学习算法首先对递推近似Newton法进行简化,然后将其改造成一种新型的变结构算法,具有较快的收敛速度。针对同一非线性系统,采用常规神经滑模变结构控制存在较小的抖振,平均调节误差为0.0913;而采用自适应神经滑模变结构控制很快趋于平稳,几乎消除高频抖振,平均调节误差为0.0109。仿真结果证明了该方案的有效性。     

Combinatorial Optimization Based Analog Circuit Fault Diagnosis with Back Propagation Neural Network

Electronic components＇ reliability has become the key of the complex system mission execution. Analog circuit is an important part of electronic components. Its fault diagnosis is far more challenging than that of digital circuit. Simulations and applications have shown that the methods based on BP neural network are effective in analog circuit fault diagnosis. Aiming at the tolerance of analog circuit,a combinatorial optimization diagnosis scheme was proposed with back propagation（ BP） neural network（ BPNN）.The main contributions of this scheme included two parts：（ 1） the random tolerance samples were added into the nominal training samples to establish new training samples,which were used to train the BP neural network based diagnosis model;（ 2） the initial weights of the BP neural network were optimized by genetic algorithm（ GA） to avoid local minima,and the BP neural network was tuned with Levenberg-Marquardt algorithm（ LMA） in the local solution space to look for the optimum solution or approximate optimal solutions. The experimental results show preliminarily that the scheme substantially improves the whole learning process approximation and generalization ability,and effectively promotes analog circuit fault diagnosis performance based on BPNN.     

改进萤火虫算法与小波神经网络相结合的变压器故障诊断

为了解决变压器故障诊断中诊断效率低的问题,本文对萤火虫算法(FA)进行了改进,并与小波神经网络(WNN)相结合应用于变压器故障诊断中。小波神经网络结构简单,预测精度高,收敛速度快,但是网络参数不好选择,易陷入局部最优。本文结合混沌算法、粒子群算法、可变步长的思想来改进萤火虫算法,用于优化小波神经网络的参数,再将处理后的数据带入神经网络中进行训练与诊断。实验结果表明,该算法与BP神经网络、支持向量机、小波神经网络、遗传算法改进的小波神经网络和粒子群算法改进的小波神经网络相比诊断正确率均有所提高。     

含缺陷蒸汽发生器管道爆破压力预测的遗传-神经网络算法

为了探讨体积型缺陷对蒸汽发生器传热管强度的影响,使用遗传-反向传播(GA-BP)算法建立了Inconel 690蒸汽发生器传热管爆破压力预测模型.利用遗传算法对误差反向传播神经网络(BP-ANN)的初始权值进行了优化,由此克服了BP网络收敛速度慢及易陷入局部极小的缺点;使用所建模型分析了管道缺陷的各类几何参数对爆破压力的影响.结果表明:蒸汽发生器传热管的缺陷深度对爆破压力的影响最大,爆破压力随着缺陷深度的增加迅速降低;当管道缺陷环向尺寸减小时,爆破压力随着缺陷轴向长度的增加而减小的趋势更加显著;管道缺陷越深,爆破压力随环向尺寸的增加而减小的趋势越明显.     

基因遗传算法用于人工神经网络的训练

根据基因遗传算法GA的基本原理,阐述了GA用于神经网络训练问题的适合度函数和编码方法,分析了标准GA的不足,提出了自适应浮动区间中心点、全局搜索和局部精确搜索等改进策略,发展了GENITOR算法.训练实例表明,GA不仅能代替BP算法,而且能完成神经元激发函数不可微的多层神经网络的训练.     

模糊神经网络控制及其学习方法的研究

对模糊神经网络的学习方法进行了研究.该方法中,在分层训练的基础上通过改变隐层节点数目、训练样本数目和BP算法参数来对网络进行训练.仿真结果表明该方法精简了网络的结构,减少了训练的时间,为模糊神经网络用于实时控制系统提供了可能的条件.     

基于样本选择与PSO-ANN的葡萄酒酒精浓度预测

为了提高拉曼光谱定量分析模型的准确性以及稳健性,提出了一种新的样本选择算法——KM法.实验中以40组葡萄酒光谱为分析对象,将KM法与传统的RS,KS,SPXY样本选择算法相比较.实验结果表明: KM法获得的|RMSEP-RMSEC|要优于其他三种方法,剩余预测偏差(RPD)存在显著性差异,说明KM法具有很好的预测准确度.同时,针对BP神经网络易陷入局部极值的问题,将粒子群优化算法用于优化人工神经网络的参数(PSO-ANN),通过与遗传算法、人工鱼群算法及混合蛙跳算法比较,发现PSO-ANN较之于其他三种方法,能够提高BP神经网络泛化性能,具有收敛速度快、稳健性强及预测精度高等优势.     

基于遗传与BP混合算法神经网络预测模型及应用

提出用遗传学习算法和权重调整BP算法相结合的混合算法来训练模糊模式识别神经网络预测模型；即先通过遗传学习算法进行全局训练，再用权重调整BP算法进行精确训练，使网络收敛速度加快和避免局部极小。作为实例，以新疆雅马渡站的实测径流资料和相应的前期4个预报因子实测数据作为样本进行训练并用以预测雅马渡站的年径流量。结果表明，该方法具有收敛速度快和预测精度高的特点。