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GA-BP神经网络优化算法的篮球教学质量评价

篮球教学质量是反应学习效果与教学方法可行性的关键指标，对于提升优化篮球课程的教学方法具有重要意义。基于主成分分析法提取16个关键性评价指标，设定GA-BP神经网络期望误差为均方误差；基于自适应梯度下降法进行网络训练，为遗传算法的不同种群赋予不同交叉概率与变异概率，利用移民算子沟通实现种群进化以此改进遗传算法；基于改进遗传算法确定BP神经网络的初始权值与阈值，将16个篮球教学质量评价指标权重输入到GA-BP神经网络模型中获得教学质量评价结果。实验结果表明，该模型输出篮球教学质量评价结果的误差最低、时间开销最少，是评价篮球教学质量的可靠方法。     

基于L-M算法优化的GA-BP网络在岩石高边坡损伤识别中的应用

边坡的失稳破坏往往是由岩体损伤导致的,研究边坡岩体的损伤识别对于工程实践具有重大意义,而基于BP神经网络的损伤识别是边坡损伤识别的有效方法之一.本文针对传统BP神经网络在边坡损伤识别中存在的问题,首先利用遗传算法（GA）克服BP网络易陷入局部极小的不足,然后利用Levenberg-Marquardt （L-M）算法在解空间里对BP神经网络进行精调,搜索出最优解.结合优化后的GA-BP模型以及有限元计算结果,提取边坡损伤前后的频率值来实现损伤位置和程度的识别.经验证,改进后的BP网络有效提升了识别边坡损伤的性能,对岩石高边坡损伤识别方法的研究有理论指导意义与参考价值.     

基于遗传神经网络的混合气体识别研究

针对误差反向传播(BP)算法和遗传算法各自的优点和不足,提出了遗传算法优化神经网络技术:利用遗传算法的全局搜索能力,对神经网络连接权进行优化,以遗传算法优化的初值作为BP神经网络的初始权值,再用BP算法训练网络.优化后的BP网络其误差的递减速度和收敛速度都比标准BP网络快,而且对学习速率调整要求更少.将遗传神经网络应用于混合气体定量识别的训练中,得到的最大误差由20.7 %降为12.1 %,平均误差从5.4 %降为3.5 %,识别效果得到了提高.     

基于MIGA-BP神经网络的短期电力负荷预测

准确的短期电力负荷预测有助于工业生产中故障诊断和发电成本的降低.针对已有遗传算法优化的BP神经网络(GA-BP)存在局部搜索能力差的缺点,提出多岛遗传算法优化的BP神经网络(MIGA-BP),通过使种群在不同"岛屿"进化和迁移提高物种多样性,克服GA-BP算法中的缺点.将天气因素影响权重和归一化后的负荷数据输入建立的MIGA-BP神经网络预测模型,在MATLAB环境下进行仿真研究.结果表明,控制变量条件相同时,MIGA-BP模型预测误差比GA-BP模型的更小,对短期电力负荷预测更有优势.     

基于GA-BP神经网络的配电网故障选线方法研究

为了有效解决配电网故障选线的难题,对基于GA-BP神经网络的故障选线方法进行了研究,利用遗传算法优化BP神经网络,使BP神经网络克服易陷入局部极值和对初始权重敏感的缺点.将稳态和暂态下的各选线判据进行合理的信息融合,并通过GA-BP神经网络进行故障选线的训练和测试,从而得出故障线路.仿真分析结果验证了该选线方法的有效性.     

基于多值编码GA—BP混合算法的板形板厚综合预测控制

为克服BP神经网络存在的收敛速度慢、易于陷入局部极值等不足，提出了可以同时优化BP神经网络的结构和参数的基于多值编码方式的嵌入梯度下降算子的混合遗传算法（GA-BP）．并在此基础上针对板形板厚综合系统（AFC-AGC）具有强非线性、强耦合而难以建立精确的数学模型的问题，设计了基于BP网络板形板厚综合预测模型，引入了反馈校正的方法来提高板形板厚控制系统的抗干扰能力．仿真结果表明，该模型可以实现板形板厚的精确控制，为热连轧板形板厚综合控制提供了一个新的有效的方法．     

遗传算法降维优化的BP模型及葡萄酒质量预测

针对BP神经网络模型输入自变量维数过高导致模型训练时间长、泛化能力低、效率不高的缺陷,提出一种基于遗传算法筛选降维的方法,并利用遗传算法优化降维过程中建立的BP网络的权值与阈值以提高筛选效率,最后建立用遗传算法优化的GA-BP网络预测模型,用于葡萄酒的质量预测。利用遗传算法从37个理化指标中筛选出18个作为自变量输入GA-BP预测模型并与未经优化的BP模型对比,经遗传算法降维优化的GABP模型建模时间由7.5625秒缩短为0.8623秒,预测平均相对误差由10.83%减少为2.85%。仿真实验表明降维优化的GA-BP网络模型效率更高、泛化能力更好。     

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。     

基于GA-BP神经网络算法的马铃薯晚疫病预测模型

应用基于遗传算法的BP神经网络构建马铃薯晚疫病预测模型,对原始样本进行归一化处理,应用遗传算法优化BP神经网络的结构、初始权值、阀值,通过BP神经网络训练构建马铃薯晚疫病预测模型,利用遗传算法来改善BP神经网络算法本身的缺陷,提高学习精度,预测准确度.仿真结果表明,GA-BP神经网络模型预测准确度较高,误差率较低,稳定性较好.实践证明,将GA-BP神经网络算法应用于马铃薯晚疫病预测模型中是可行的,能够实现晚疫病流行程度的快速预测.     

GA-BP网络与D-S证据相结合的多传感器信息融合

针对反向传播(back propagation,BP)网络与D-S(dempster-shafer)证据理论各自在处理不确定性信息方面的不足,提出了一种遗传算法(genetic algorithms,GA)优化的BP网络与D-S证据相结合的多传感器信息融合方法.一方面利用GA-BP网络获取D-S证据理论所需的基本概率赋...     

基于遗传算法-BP神经网络的径向式导叶多级泵水力性能优化

针对径向式导叶多级泵内部流动状态复杂多变而导致其水力性能曲线难以精确测量的技术难题,采用遗传算法(ge-netic algorithm,GA)迭代优化反向传播(back propagation,BP)神经网络的权值与阈值,构建了基于GA-BP神经网络的径向式导叶多级泵水力性能预测模型,以MD500-57型径向式导叶多级泵为研究对象,建立了输入层为13个神经元、隐含层为10个神经元、输出层为2个神经元的GA-BP神经网络,采用正交试验方法设计了试验参数的正交试验方案,运用数值模拟计算方法对正交试验方案进行求解,获得了试验参数的训练样本,并对神经网络进行训练与测试,计算了过流部件关键几何参数的最优组合方案.试验结果表明:优化后该多级泵在设计工况下扬程增加了2.4 m,效率提高了3.34％,且高效区范围变宽.     

基于遗传算法和BP神经网络的多维客户行为细分模型的研究

根据BP神经网络强处理非线性问题和遗传算法具有全局寻优的特点,总结出用遗传算法优化BP神经网络的初始权值和阈值,建立了基于遗传算法和BP神经网络的多维客户行为细分模型,对客户进行细分,挖掘出潜力客户,有效降低营销成本。最后,利用Matlab对多组数据进行测试,并与纯BP算法进行分析比较,结果表明该方法是有效可行的。     

基于GA-BP的经济指标滚动递推预测模型

为了克服传统BP神经网络在经济预测中的不足,引入遗传算法对BP神经网络的权值进行训练,在此基础上建立互推递进遗传神经网络的预测模型,经实例测试表明该模型是可行的．     

基于BP神经网络的非特定人语音识别算法研究

当前非定特人语音识别算法大多只适于连续语音,且识别精度和速度均较低。为此,提出一种新的基于BP神经网络的非特定人语音识别算法,介绍了标准BP神经网络,针对其收敛速度慢的弊端,通过变化的自适应学习速率,令网络训练针对各种阶段自行设置学习速率值,利用变学习速率构建对应的改进BP神经网络模型,将改进的BP神经网络模型看作识别非特定语音的识别器,输入待识别语音,令累计预测残差达到最小,实现非特定人语音识别。将改进模型应用于非特定人语音识别中进行验证,结果表明所提算法识别率更高、识别速度更快,不仅适于连续语音的识别,也适于不连续语音的识别。     

GA-BP网络与D-S证据相结合的多传感器信息融合

针对反向传播(back propagation,BP)网络与D-S(dempster-shafer)证据理论各自在处理不确定性信息方面的不足,提出了一种遗传算法(genetic algorithms,GA)优化的BP网络与D-S证据相结合的多传感器信息融合方法。一方面利用GA-BP网络获取D-S证据理论所需的基本概率赋值,另一方面通过D-S证据理论对GA-BP网络的输出进行融合。将此方法应用于高压电器设备故障诊断,仿真结果表明,该方法能克服传统BP网络易陷入局部最优问题,同时具有更好的识别结果。     

基于小样本数据的BP神经网络建模

针对小样本条件下BP神经网络存在预测精度不高的问题,将专家知识融入BP神经网络训练过程中解决此问题。首先BP神经网络通过遗传算法获得最优初始权值和阈值;其次对专家知识进行数学表达;最后通过增广拉格朗日乘子法将专家知识融入BP神经网络训练过程中。利用实际中的结晶动力学问题对所提方法进行验证。仿真结果表明,与现有的解决小样本问题的方法相比,融合专家知识的BP神经网络在小样本条件下可以有效提高预测精度。     

应用改进BP神经网络进行用水量预测

针对工业用水量的特点，建立了改进的BP神经网络用水量预测模型，采用遗传算法对BP神经网络权系进行优化改进，改进的BP神经网络算法预测结果好于灰色理论预测和BP算法预测。以本溪市某供水厂用水量数据对改进的BP神经网络模型进行训练并预测，将其预测结果与灰色理论预测和BP神经网络预测结果进行比较分析，得出该方法用于供水系统用水量预测误差较小，同时克服了其他两种算法的缺陷。