基于遗传算法的神经网络权值优化

针对BP算法学习效率低、收敛速度慢，以及易陷入局部最优等缺点，提出了一种新型的、基于自然选择和基因遗传学原理的随机搜索算法——遗传算法(Genetic Algorithm)，并论述了它在BP神经网络中权值优化的问题。仿真结果表明，用遗传算法优化BP神经网络的权值收敛速度快，并有效解决了BP算法易陷入局部最优的问题。     

基于遗传算法的人工神经网络负荷预测研究

针对BP神经网络的固有缺陷,如训练速度慢,易收敛于局部极小点及全局搜索能力弱等,改进了传统BP算法,并采用遗传算法设计和优化神经网络结构参数,在此基础上建立了基于遗传算法的人工神经网络负荷预测模型,预测仿真结果表明,本文所提出的方法在预测精度和收敛速度方面均得到了改进。     

神经网络遗传算法在供热负荷预测中应用

针对BP算法收敛速度慢,存在易陷入局部极小值,不能有效地搜索到全局极小点等缺点.采用遗传算法优化神经网络权系值的方法,设计了神经网络供热负荷预测模型,并用实际数据进行了仿真检验,结果表明该模型不仅在一定程度上避免了学习中的局部极小问题、改进了网络性能、提高了学习的效率,而且对供热负荷预测具有较高的精度和可靠性.     

基于遗传算法的BP神经网络预测石油单井产量

针对传统预测方法建模复杂且预测精度低、传统BP神经网络算法收敛慢和可能陷入局部最优的问题,提出一种基于遗传算法的反向传播神经网络(BPANN-GA)用以预测单井产量,并进行实例分析,获得了较高精度的预测结果.该算法简单实用,预测精度较高,收敛快且避免了陷入局部最优,对石油单井产量预测工作有一定的意义.     

基于进化神经网络的曲面磨削表面粗糙度预测

将人工神经网络技术引入曲面磨削加工领域,介绍了利用BP算法建立的曲面磨削表面粗糙度随磨削用量变化的进化神经网络预测模型．针对BP算法存在收敛速度慢、容易陷入局部极小值及全局搜索能力弱等缺陷,采用遗传算法训练BP神经网络,取代了一些传统的学习算法,设计了基于进化神经网络的学习算法．实验和仿真结果表明,基于进化计算的BP神经网络不仅可以克服单纯使用BP网络易陷入局部极小等问题,而且预测精度较高。     

遗传算法在BP网络权值学习中的应用

针对BP算法学习神经网络权值收敛速度慢、易陷入局部最优等缺点 ,采用遗传算法学习BP网络的权值 ;并给出了“异或”(XOR)问题的仿真示例 ,通过比较 ,发现遗传算法不会陷入局部最优 ,有效地改善了收敛速度     

基于遗传神经网络的环境质量评价系统

基于遗传神经网络的环境质量评价方法是用遗传算法和BP算法相结合的混合算法来训练环境质量评价神经网络预测模型的权值,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,这一算法克服了BP算法收敛速度慢、易陷入局部极小等缺陷,环境质量评价实例证明提高了预测精度.又将三种评价方法的评价结果进行对比,得到该方法的评价结果比传统的专家评价法的评价结果更加准确.因此该方法也为环境质量评价提供了一种新的研究思路和分析方法.     

遗传神经网络能耗预测模型在钢铁企业中的应用

为改善BP网络训练速度慢,易收敛于局部极小点及全局搜索能力弱等固有缺陷,采用遗传算法优化神经网络的初始权值和阈值,以通化钢铁公司炼铁厂为研究对象,建立了基于遗传算法的人工神经网络能耗预测模型。用MATLAB编写计算程序进行测试,并与纯BP算法进行分析比较,结果表明,文中所提出的方法在预测精度和收敛速度方面均得到了改进。     

基于遗传算法的BP网络的优化设计方法

针对BP网络存在易陷入局部极小和收敛速度慢的问题,采用遗传算法（GA）优化BP网络;并采用混配的方法,对遗传算法进行了改进,克服了遗传算法中所存在的种群内过早收敛的缺点,并在光纤陀螺温度漂移建模中,取得了较好预测的效果。     

利用遗传算法优化人工神经网络权值

遗传算法是一种新的、基于自然选择和基因遗传学原理的随机搜索算法．针对神经网络中BP算法学习效率低且收敛速度慢以及容易陷入局部最优等不足，文章提出利用遗传算法对BP神经网络中的神经元间的连接权值进行优化的方法．试验结果表明，用遗传算法优化BP神经网络的连接权值后收敛速度快，并有效的解决了BP算法容易陷入局部最优的问题．     

小生境遗传算法优化的BP神经网络模型

针对传统BP神经网络模型收敛速度慢、易陷入局部极小点、网络结构不稳定等缺陷,提出一个小生境遗传算法优化的BP神经网络模型.该模型充分利用小生境遗传算法的搜索能力和BP神经网络的非线性映射和学习联想能力,通过小生境遗传算法的选择、交叉、变异及小生境淘汰等操作,优化BP神经网络的初始权值和阈值,并采用BP算法对网络进行训练,有效解决网络初值不合理的问题,提高网络收敛速度、稳定性.实验证明:与传统方法相比,该模型具有很强的可行性和有效性.     

基于动量BP算法的过渡段路基沉降预测

利用动量BP算法改进了BP神经网络的收敛性,建立了过渡段路基沉降预测模型.该模型可克服传统BP神经网络收敛速度慢、易陷入局部最优等的缺点.结合津秦客运专线路桥过渡段路基沉降实测数据,将该优化模型与传统BP神经网络预测模型进行了对比.计算表明,利用动量BP算法改进的神经网络具有较高的预测精度,同时考虑了多个影响因素,因而具有广阔的应用前景.     

基于偏最小二乘法的BP网络在舰船维修费用预测中的应用

针对在建立多层前馈(BP)神经网络模型时,存在收敛速度慢、易陷入局部极小等问题,应用偏最小二乘法(PLS)得到的主成分数和主成分与自变量、因变量的权值对BP网络进行改进,并构建用于舰船维修费用预测的PLS-BP神经网络模型。实验结果表明,采用PLS-BP网络模型对舰船维修费用进行预测可以获得更高的精度。     

动量化GA-BP算法的全局极小值搜索

针对传统BP神经网络算法存在收敛速度慢、易于陷入局部极小的缺点,提出了动量化GA-BP算法,即对传统BP算法引入动量因子,以提高网络的收敛速度,并将其与BP神经网络算法结合起来,充分利用遗传算法的全局搜索性能进行"粗"搜索.当搜索到全局最优点的附近时,再采用BP算法进行局部搜索,这样避免陷入局部极小,从而得到了全局最优解.煤矿安全等级预测的实验表明:动量化GA-BP算法能快速、精确地收敛,最终得到问题的全局极小值,取得了满意的预测结果.     

遗传神经网络在铁矿石需求预测中的应用

将遗传算法与BP神经网络结合,利用遗传算法的全局搜索优化BP网络的初始权重,有效地克服了BP算法的局部收敛和收敛速度慢等问题.使用主成分分析法选取输入变量,并将建立的混合模型应用于铁矿石需求预测中.实验表明,该方法改善了预测精度,达到了较好的预测效果.     

基于云自适应遗传算法的改进BP算法

针对标准BP算法对初始权值敏感、收敛速度慢、易陷入局部极小等问题,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,提出了云自适应遗传改进BP算法.该算法首次将云模型和遗传算法结合调整神经网络的权值和阈值.由X条件云发生器产生改进的自适应交叉概率和变异概率.实验结果表明:云自适应遗传改进BP算法比标准BP算法收敛速度快.     

人工神经网络在机械故障诊断中的应用

由于BP神经网络学习算法存在易陷入局部极小及收敛速度慢的缺陷,利用实数编码改进遗传算法对神经网络的权值和阈值进行优化训练,并把训练好的神经网络用于机械振动信号预测及机械故障诊断中.通过对机械设备振动信号的预测,可以及早发现故障,及时消除隐患,为企业节省大量的维修时间和维修费用,提高企业的生产率.     

基于改进的遗传算法优化BP神经网络的车险欺诈识别模型

为了提高BP神经网络在保险欺诈识别中的准确率,利用改进的遗传算法优化BP神经网络初始权重,以克服BP神经网络容易陷入局部极小点、收敛速度慢以及样本依赖性等问题的缺点。改进的遗传算法充分考虑了遗传算法中种群适应度的集中分散程度,并且非线性地自适应调节遗传算法的交叉概率与变异概率。同时为了加快寻优效率,将排序选择策略与最优保存策略相结合。以某保险公司汽车保险历史索赔数据为样本,采用该算法进行模拟和预测。实证结果表明:相比于IAGA-BP、GA-BP、BP三种算法,该识别算法在识别准确率上有很大提高。     

人工神经网络在机械故障诊断中的应用

由于BP神经网络学习算法存在易陷入局部极小及收敛速度慢的缺陷,利用实数编码改进遗传算法对神经网络的权值和阈值进行优化训练,并把训练好的神经网络用于机械振动信号预测及机械故障诊断中.通过对机械设备振动信号的预测,可以及早发现故障,及时消除隐患,为企业节省大量的维修时间和维修费用,提高企业的生产率.     

基于误差分级迭代法的基坑变形预测

BP(back propagation)神经网络算法在变形预测方面存在收敛速度慢、学习效率低、容易陷入局部最小值等问题,直接影响预测结果的精准性,利用误差分级迭代法优化的神经网络能够更好地降低误差,提升预测性能.通过对比分析误差分级迭代法与BP神经网络的优势,建立误差分级迭代法模型并编制误差分级迭代法变形预测程序.采用基坑工程实测数据,经过误差分级迭代法优化后神经网络的最大误差为0.96％,与径向基神经网络预测精度相比提高3.5％,利用误差分级迭代法预测基坑变形结果其精准性较高,具有一定的实用价值.