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.     

折板结构的拓扑优化设计

从工程实际出发，引用一种折板结构代替板肋结构〔１〕，并应用折板结构的力学特性，建立了约束隐函数同几何设计变量的近似关系式．结合可行方向法的思想，提出一个不必对约束隐函数求偏导数，不必求解线性规划的优化算法，有效地解决了该类结构的拓扑可调优化问题．应用实例表明，算法的优化效果良好     

一种基于遗传算法的图象矢量量化方法

描述了一种基于遗传算法的图象矢量量化方法．遗传算法基于自然进化原理可得到全局优化结果，把遗传算法用于码本设计，其运算简单，而且可避免传统方法如Ｋ－均值技术等所带来的局部优化局限．同时，由于其结构的规则性和并行性，较适于ＶＬＳＩ实现．文中主要讨论了遗传算法用于图象矢量量化的评价函数及操作过程，并与传统算法作了比较，给出实验结果．     

基于增量式遗传算法的粗糙集分类规则挖掘

从规则获取和优化两个方面研究了基于遗传算法(GA)的增量式粗糙集分类规则挖掘方法．通过研究决策表和决策规则系数，建立了基于粗糙集表示和度量的知识理论，将GA和粗糙集分类规则挖掘算法相结合，在保持原有知识完备的前提下，利用GA对以增量形式获得的分类规则进行优化，获取最优分类规则．试验结果表明，执行增量式GA所需时间较执行一般GA所需时间要少，可有效完成分类规则优化的任务，同时还可提高分类的精度，使分类结果具有更好的可理解性．     

基于改进GA的WRBF神经网络设计与应用

针对单独自动设计径向基函数(RBF)网络和小波网络过程中对样本要求过于严格,以及输出层线性求和运算可能造成样本类别交叠的问题,结合两种网络结构简单的优点,设计了一种新的四层前馈神经网络--小波径向基网络(Wavelet radial basis network,WRBF).该网络在结构上,第一隐层对输入样本进行小波映射,实现对输入空间的压缩;第二隐层对第一隐层输出进行第二次非线性映射;在网络的训练方法上,利用多阶染色体混合编码实现两隐层间的选择性连接,并对遗传算法(Genetic algorithm,GA)进行改进,利用改进的GA同时优化网络结构和参数.通过对多输入单输出系统和热能表系数模型进行实验,结果表明:改进的GA减小了早熟收敛的发生,所设计的网络具有较高的建模精度.     

亚毫米波对角喇叭天线的GA优化设计及其性能测试

应用遗传算法(GA)对工作于150 GHz的亚毫米波对角喇叭天线的辐射特性进行优化,并对优化结果进行了实验测试.针对亚毫米波波段的特点,采用口径积分法(AI)分析天线特性并由此构成GA的适应度函数,通过与Johnsson测量值和Virginia Diodes Inc公司实际产品的增益参数相对比,检验了适应度函数的正确性.根据GA优化后的对角喇叭天线结构,制作了实验样品,利用俄制返波管(BWO)和热膨胀式太赫兹波功率探测器,在准光实验平台上测试了该优化结构的增益范围和E面方向图.实验结果与GA优化所期望的目标相符合,证实了该优化软件在准光辐射器设计与研制中的可靠性.实验方案为亚毫米波乃至太赫兹波段电磁器件的参数测试、性能评估提供了一种便捷、有效的途径.     

模糊中心聚类的模式识别学习方法

基于一个约束条件下的非线性规划问题的优化计算思想，把模糊中心聚类中计算输入矢量与中心的距离来实现聚类作为一种优化计算问题，证明了模糊中心聚类方法，取一个适当的属函数，其聚类中心vi为模糊聚类中心价值函数的极小值，推导出了基于模糊中心聚类的模式识别的无导师递推学习方法，提出了模糊中心聚类模式分类神经网络结构，该网络可以实现并行数据处理和模式分类的软划分和硬划分。     

一种基于图像识别的燃气表远程直读系统研究

为了解决无线抄表系统中燃气表机械字轮读数与电子计数存在累计误差的问题,提出一种在传统燃气表上加装图像识别抄表模块,利用遗传算法(genetic algorithms,GA)优化的径向基函数神经网络(radical basis function,RBF)进行字轮读数图像识别的实现方法。在图像识别抄表模块中,采用分块迭代算法对图像进行二值化处理,并在远程发送前对图像数据进行压缩,以减少数据传输量;使用最近邻聚类与K均值聚类相结合的算法确定隐层中心位置,为了消除中心宽度对中心值的依赖,采用GA对中心宽度进行优化,引入二次验证机制,进一步减少识别误差;通过通用分组无线业务(general packet radio service,GPRS)方式将识别结果及相应图像发送到管理中心,由管理中心对燃气表读数进一步核对。仿真结果表明,抄表终端功耗较低,抄表正确率超过97%。     

与观测信息相关的MHMM的参数估计

隐马尔可夫模型(H idden M arkov Models:HMM)是一种具有很好学习能力的统计模型,已在许多领域特别在语音识别领域得到了成功的应用.本文介绍了任一时刻出现的观测矢量的概率不仅依赖于系统当前时刻所处的状态,而且依赖于系统前一时刻出现的观测矢量的前提下,多个不同的隐马尔可夫模型的组合———混合隐马尔可夫模型(M ixture ofHMM:MHMM)的结构,并根据Baum-W elch算法,导出了该模型各个参数估计公式.     

基于遗传优化径向基函数的梁板固有特性分析

为了提高径向基函数(RBF)的计算精度,利用遗传优化的径向基函数分析薄壁梁和板的固有特性。在静态分析的基础上,通过遗传算法(GA)优化径向基函数中的形状参数;利用改进后的径向基函数,分析薄壁梁和板的固有特性,得到了不同工况下结构的特征值和特征模态。数值计算表明:使用遗传算法优化后,径向基函数的计算精度大幅度提高,固有频率的最大误差在5%以内,远小于未优化的情况。     

融合Morlet小波与GA优化多模态核的轴承故障检测算法

针对轴承故障检测算法特征分辨性较低、 准确度较低等问题, 提出一种融合Morlet小波和遗传算法优化的多模态核方法轴承故障检测算法. 该算法首先针对原始轴承故障信号提取多个尺度和多个位移条件下的Morlet小波变换特征, 然后设计一个多模态核方法, 包含线性核函数与径向基(RBF)核函数, 最后在支持向量机(SVM)训练过程中采用遗传算法(GA)优化多模态核的参数, 使用最优化多模态核进行轴承故障检测. 在UoCn的智能维护中心数据集上分别测试了滚珠故障、 内圈裂纹故障和 外圈裂纹故障的检测, 并对单一核与多模态核间的错误率与效率进行对比. 实验结果表明, 改进算法能获得鲁棒的轴承故障检测特征, 且多模态核在GA的优化下能快速收敛, 获得最优化结果, 通过牺牲少量的时间效率而极大提升了轴承故障检测准确率.     

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。     

基于遗传自适应RBFN的歼击机故障分类方法

在模式识别领域中,如何实现更高精度地分类一直是个核心问题.提出了将自适应RBF神经网络与遗传算法相结合的方法,其中自适应RBF神经网络通过对样本判断,自动实现对RBF网络添加新的隐层节点,或者将样本归于已存在的隐层节点所属的类.遗传算法用于寻找最优的网络宽度值.两者相结合最后确定一个隐层节点数与类别数相同的简省的网络.用歼击机故障数据进行仿真,比较结果表明此方法能实现更高精度的分类.     

基于单隐层前馈神经网络的优化算法

前馈神经网络是神经网络中最常用的函数近似技术。根据普适定理,单隐层前馈神经网络(a single-hidden layer feedforward neural network,SFNN)可以任意接近相应的期望输出。一些研究人员使用遗传算法(genetic algorithms,GAs)探索FNN结构的全局最优解。然而,使用GAs来训练SFNN是相当费时。提出了一种新的SFNN优化算法。该方法是基于凸组合算法(convex combination algorithm,CCA)在隐含层上分析信息数据。事实上,该技术是将分类遗传演算法结合交叉策略的GAs算法。改进方法比GAs算法性能更优,但在进行学习和遗传演算前需要大量预处理工作如将数据分解为二进制代码。同时设置一个新的误差函数量化SFNN性能、获得连接权值最优选项以直接解决非线性优化问题。采用几个计算实验验证改进算法,结果表明改进方法更适合寻找单隐含层SFNN的最优权重。     

基于混合编码方式的RBF网络遗传训练算法

采用混合编码方式构造染色体结构,对RBF网络的结构和参数进行编码,可以在遗传算法的一个优化过程中同时训练网络的结构和参数,简化了问题的求解过程·仿真表明,利用该算法训练RBF网络,能使网络具有简单的结构形式、较高的拟合精度和较强的泛化能力·     

基于GA-PID神经网络的板形模式识别方法

针对传统板形模式识别方法存在抗干扰能力差和识别精度有限等缺点,提出了基于遗传算法(GA)优化的PID神经网络板形模式识别方法.PID神经网络不仅具备传统多层前向网络的特点,而且其隐含层具有动态特性,可以直接用于动态系统辨识.GA具备良好的并行设计结构,具有全局优化的特点,利用GA对网络权值进行优化,克服了传统BP算法易陷于局部极小的不足.仿真结果表明:GA-PID神经网络的板形模式识别方法能够识别出常见的板形缺陷,提高了板形模式识别精度,可以满足板带轧机高精度的板形控制要求.     

基于遗传算法的模糊神经控制器的设计与仿真

根据遗传算法和智能控制的特点,提出了一种基于遗传算法的模糊神经网络控制器,遗传算法主要优化模糊神经控制器的隶属度参数和第三层的网络节点。对优化后的控制器进行了仿真比较研究.仿真结果表明,该控制器有较好的控制性能。