首页 | 本学科首页   官方微博 | 高级检索  
检索     
共有20条相似文献,以下是第1-20项 搜索用时 890 毫秒

1.  基于Bayesian多分支岩石可钻性值估计  被引次数:2
   沙林秀  邵小华  张奇志  李 琳《中国石油大学学报(自然科学版)》,2014年第3期
   针对智能优化控制过程中岩石可钻性参数估计存在非实时性和模型泛化能力差的问题,采用两层结构建立基于Bayesian多分支岩石可钻性估计模型。通过Bayesian分类器实现岩性分类以提高可钻性模型样本数据的相关性,细化可钻性估计模型;采用改进双链量子遗传算法优化的BPNN结构,根据不同的岩石类型建立相应的岩石可钻性IDCQGA_BPNN估计模型。结果表明,该方法通过算法优化网络模型增强了模型的泛化能力,加快了参数的估计速度和估计精度,能够满足智能优化控制过程中岩石可钻性参数估计的实时性需求。    

2.  基于自适应遗传模糊神经网络的信用评估建模  
   熊志斌《系统仿真学报》,2011年第23卷第3期
   提出了一种自适应遗传模糊神经网络评估信用风险的模型,该模型在多子群遗传算法基础上,采用带控制参数的动态概率选择与最优保存策略相结合的混合选择策略,根据种群适应度标准差大小动态调整交叉和变异概率,并将BP算子嵌入遗传算法中,构建了多子群自适应遗传BP算法,并利用该算法优化网络的连接权值和模糊参数。将所建模型应用到信用评估中,并与BP神经网络、ANFIS以及遗传神经网络模型预测效果进行比较,结果表明该模型对信用评估具有更好的泛化能力和更高的预测准确度。    

3.  基于遗传算法BP神经网络优化IRFPA非均匀性适应校正算法  
   刘平郁  初立旭  李春丽  唐迪《科技信息》,2013年第9期
   本文具体研究了红外图像非均匀性校正算法中的基于场景类BP神经网络校正算法。针对BP神经网络算法运算量大、容易进入局部最小值、实时性能差的问题,提出利用遗传算法优化BP神经网络校正过程的算法。    

4.  果酒品质评价的自适应量子粒子群LS-SVM模型  
   王晓《科学技术与工程》,2013年第13卷第17期
   针对BP神经网络和遗传算法对果酒品质预测存在速度慢和精度低的缺点,建立了一种基于量子行为粒子群算法(QPSO)的最小二乘支持向量机(LS-SVM)的果酒品质预测模型。模型通过引入粒子的进化度和聚合度,动态调整收缩扩张因子,从而实现了算法的动态自适应性。仿真结果表明:基于自适应量子粒子群的LS-SVM果酒品质评价预测模型优于所比较的BP神经网络和最小二乘支持向量机两种模型,具有较好的泛化性能和预测精度。    

5.  基于PSO-BP的钻井机械钻速预测模型  
   李琪  屈峰涛  何璟彬  王勇  解聪  王六鹏《科学技术与工程》,2021年第21卷第19期
   机械钻速预测是优化钻进过程、提高钻井效率的关键技术,现有的计算模型主要建立在物理实验和理论分析的基础上,缺少对对钻井工程实测数据的应用,导致计算精度难以满足复杂的现场需求。基于此,提出一种人工智能算法与BP神经网络相结合的钻井机械钻速预测模型。首先,利用小波滤波方法对实测数据进行降噪处理,并依据互信息关联分析优选输入参数降低模型冗余。其次,利用PSO(Particle Swarm Optimization,粒子群优化算法)算法实现对BP神经网络初始权值、阈值的优化,建立机械钻速预测新模型,并将PSO-BP新模型与标准BP、BAS(Beetle Antennae Search,天牛须算法)-BP及GA(Genetic Algorithm,遗传算法)-BP等三种模型进行对比分析。最后,根据实际工况对PSO-BP钻井机械钻速预测模型进行模型评价。结果表明PSO-BP机械钻速预测模型不仅具有良好的预测精度,而且为钻进过程中提高机械钻速提供科学的参考。    

6.  基于模糊推理的自适应BP算法  被引次数:8
   汪德馨 王宇川《系统工程学报》,1997年第12卷第1期
   BP网络是迄今为止应用最广泛的一种神经网络,但这种算法也存在着收敛速度慢、容易陷入局部极小点等问题.本文在标准BP算法的基础上提出一种改进BP算法,称之为自适应BP算法.这种自适应BP算法采用模糊规则动态调整学习参数,并且能在学习过程中和学习完成后通过隐节点调整算法优化网络结构,有比标准BP算法更好的收敛性和更好的泛化能力    

7.  基于量子免疫遗传算法的煤与瓦斯突出神经网络预测  
   郭金栋  王恩元《山东科技大学学报(自然科学版)》,2014年第6期
   为了用BP神经网络更准确地预测煤与瓦斯突出危险性,将免疫算法中基于繁殖概率的抗体多样性保持机制引入量子遗传算法(QGA),提出量子免疫遗传算法(QIGA)优化神经网络模型QIGA-BP.模型采用QIGA分别对神经网络的隐含层和连接权值进行全局寻优,以此提高BP网络的搜索效率和泛化能力.以平均影响值分析法筛选的煤与瓦斯突出显著变量作为BP网络的最佳输入参数,分别用QIGA-BP,QGA-BP,免疫遗传优化BP模型和传统BP模型对突出煤层工作面的实例数据进行预测.结果表明,QIGA在BP网络优化过程中具有更好的优化性能,用QIGA-BP模型预测工作面突出危险性具有更好的预测能力和更高的预测准确率.    

8.  基于遗传神经网络的城市圈物流需求预测——以鄱阳湖城市圈为例  
   《陕西理工学院学报(自然科学版)》,2016年第6期
   针对单纯使用神经网络预测物流量出现预测精度低、泛化能力差、耗费时间长等问题,提出一种可以最优化目标的算法,为避免陷入局部最小值,引入遗传算法对神经网络所需要的权值、阈值等可变参数进行最优化处理。仿真结果表明利用遗传算法对神经网络进行优化处理,预测结果能够表现出更高的预测精度与泛化能力。    

9.  基于混沌天牛群算法优化的神经网络分类模型  
   王丽  陈基漓  谢晓兰  徐荣安《科学技术与工程》,2022年第22卷第12期
   针对传统BP神经网络受初始权阈值影响大且易陷入局部极值,标准天牛须搜索算法局部搜索能力差、寻优精度低等问题,提出一种自适应步长因子的混沌天牛群算法用于优化BP神经网络分类模型。通过增加天牛种群,引入自适应步长更新策略优化天牛须搜索算法的局部搜索能力,使其跳出局部最优,提高算法的计算精度;利用Logisitic混沌映射产生新个体,替换性能较差的个体,增强全局搜索效果。为了改善BP神经网络对非均衡数据集中少数类的分类效果,采用SMOTE算法处理非均衡数据集。将改进的天牛须搜索算法用于优化BP神经网络中的初始权值和阈值,建立IBAS-BPNN(Improved Beetle Antennae Search and Back Propagation Neural Network)分类模型,提高BP神经网络分类模型的准确率。为验证分类模型的性能,将改进的BP神经网络分类模型与其他六种典型的分类算法进行比较,实验结果表明IBAS-BPNN分类模型的平均分类正确率高于其他算法。改进的混沌天牛群算法泛化能力强,鲁棒性好,具有一定的优越性。    

10.  基于混合遗传BP神经网络的城市系统作战能力评估  
   夏维  刘新学  范阳涛  范金龙《系统工程与电子技术》,2017年第39卷第1期
   针对现有城市系统作战能力评估方法较少的问题,利用反向传播(back propagation,BP)神经网络在能力评估方面所具有的自适应、自学习、强容错性和泛化映射等优势,建立了评估指标体系并给出了指标的隶属函数。通过模拟退火遗传算法(simulated annealing and genetic algorithm,SAGA)优化 BP 神经网络的连接权重和阀值,弱化了指标评价中的人为因素,提高了评价结果的准确性、客观性和权威性,有效解决了传统遗传算法和 BP 神经网络易陷入局部极小值、收敛速度慢和抗干扰能力差等问题。仿真实例验证了该方法对城市系统作战能力评估的可行性和有效性。    

11.  双关节刚性机器人自适应BP神经网络算法  
   杨航  刘凌  倪骏康  张诚《西安交通大学学报》,2018年第1期
   为解决反向传播(BP)神经网络学习速度慢、泛化能力弱以及易陷入局部极小值等问题,提出了一种双关节刚性机器人自适应BP神经网络算法。首先,设计了一种新结构的参数可调激活函数,其映射范围、斜率因子、水平和竖直位置等参数皆可自适应调整,以使BP神经网络具有更强的非线性映射能力;然后,设计了一个模糊推理器来整定激活函数的斜率因子,以使斜率因子保持参数最优;最后,设计了一套控制系统并应用于双关节刚性机器人系统的位置跟踪控制,采用自适应BP神经网络算法对该系统位置控制器的比例增益、积分增益和微分增益进行了实时整定。仿真结果表明:与使用经典固定参数S型激活函数的BP神经网络算法相比,所提出的自适应BP神经网络算法考虑了激活函数的自适应性,提高了BP神经网络的学习速度和泛化能力,并抑制了假饱和现象,对位置误差的收敛速度可提高20倍以上,且可使位置和速度误差减小并接近于0。    

12.  基于GA-BP神经网络的建筑工程事故预测研究  
   郭健  张雪梅《哈尔滨师范大学自然科学学报》,2015年第1期
   为了提高建筑工程事故预测精度,采用遗传算法优化得到BP神经网络的初始权值和阈值,在此基础上基于自适应学习速率动量梯度下降法进行BP神经网络训练,建立基于GA-BP神经网络的建筑工程事故预测模型.通过数据挖掘的方式提炼出影响建筑工程安全施工的主要危险因素作为GA-BP神经网络预测模型的输入变量,以千人负伤率作为输出变量进行预测分析.结果表明,GA-BP神经网络预测模型收敛速度快,预测精度高,可有效提高建筑工程事故预测的准确性.    

13.  基于量子差分进化算法的神经网络优化方法  
   杜文莉  周仁  赵亮  钱锋《清华大学学报(自然科学版)》,2012年第3期
   一般的神经网络的结构是固定的,在实际应用中容易造成冗余连接和高计算成本。该文采用了协同量子差分进化算法(cooperative quantum differential evolution algo-rithm,CQGADE)以同时优化神经网络的结构和参数,即采用量子遗传算法(quantum genetic algorithm,QGA)来优化神经网络的结构和隐层节点数,采用差分算法来优化神经网络的权值。训练后的神经网络的连接开关能有效删除冗余连接,算法的量子概率幅编码和协同机制可以提高神经网络的学习效率、逼近精度和泛化能力。仿真实验结果表明:用训练后的神经网络预测太阳黑子和蒸汽透平流量具有更好的预测精度和鲁棒性。    

14.  复杂岩性储层参数非线性反演  
   宋晓萍  王元君  童凯军  杨露《中国西部科技》,2007年第16期
   复杂岩性的储层参数与地球物理测井测量参数间的响应关系十分复杂,而且这种复杂关系往往是很难用数学关系式来直接进行表达。此时,引入遗传算法与人工神经网络相结合,设计一种使用遗传算法优化神经网络权值的方法,对BP网络进行了改进,在此基础上,分层段挑选不同物性段学习样本,通过对网络进行学习训练,最终建立起适应研究区块的分层段测井解释模型,通过实例验证,解释结果及精度均令人满意。    

15.  自适应粒子群优化BP神经网络的变压器故障诊断  
   付宝英  王启志《华侨大学学报(自然科学版)》,2013年第3期
   在分析粒子群参数特征的基础上,提出自适应粒子群优化算法,使用自适应粒子群优化BP神经网络,建立基于自适应粒子群优化BP神经网络(PSO-BP)的变压器故障诊断系统.通过对52组训练样本和28组测试样本的仿真实验,可知自适应PSO-BP法能提高变压器故障诊断的准确率,有效减小网络的误差精度.    

16.  基于粒子群优化的BP神经网络模型参考自适应控制系统  
   陈聆  闫海波  毛万标《成都理工大学学报(自然科学版)》,2007年第34卷第6期
   将粒子群优化的BP神经网络作为模型,参考自适应控制系统的控制器,把参考模型输出与系统实际输出的均方误差作为PSO-BP神经网络的适应函数,通过PSO算法强大的搜索性能使自适应控制系统的均方误差最小化.仿真实例结果表明,基于粒子群优化算法的BP神经网络自适应控制系统收敛快、精度高,有较好的网络的泛化和适应能力,能够很好地控制系统的输出跟随参考模型的输出.    

17.  基于遗传算法反向传播模型的板形模式识别  被引次数:6
   张材  谭建平《中南大学学报(自然科学版)》,2006年第37卷第2期
   针对在板形模式识别中, 反向传播(BP)网络对未知板形识别能力差和遗传算法(GA)优化神经网络初始权重过程复杂等问题, 提出一种基于多维空间优化的遗传算法优化BP网络初始权重的板形模式识别GA-BP模型, 该模型直接以网络权重构造多维空间染色体, 以训练样本误差和测试样本误差相结合作为遗传算法的适应度函数, 以较大的网络期望误差和低的进化程度为网络的训练策略. 研究结果表明: 基于多维空间的遗传优化方法, 建模简单, 无需编码、解码, 大大减少了编程计算量;GA-BP模型有效提高了BP网络对未知板形的识别能力和识别精度, 在工业试验中, GA-BP模型板形模式识别结果跟板形仪的实测板形非常接近.    

18.  基于萤火虫算法优化BP神经网络的公交行程时间预测  
   《广西师范大学学报(自然科学版)》,2017年第1期
   通过对公交车辆行驶特性以及行驶环境的实际分析,本文确立了影响公交车辆行程时间的几个关键因素:天气状况、时间段(高峰/平峰)、交通流量以及路段长度。结合BP神经网络具有的非线性映射能力、自学习和自适应能力、泛化能力强和萤火虫算法的参数少、操作简单、稳定性好等优点,本文提出一种利用萤火虫算法对BP神经网络进行优化的算法,以减少神经网络的训练时间和提高其预测稳定性。然后利用GPS数据和实时采样数据对神经网络进行训练和建模,实现公交车辆行程时间的准确预测。将该优化算法与传统的BP神经网络算法和卡尔曼滤波算法用MATLAB分别仿真测试,对比结果显示,该算法对公交行程时间的预测具有更高的准确性且结果更加稳定。    

19.  一种基于改进型RBF神经网络的非线性时间序列预测模型  
   陈海英《湖南工程学院学报(自然科学版)》,2015年第25卷第1期
   RBF神经网络具有收敛速度缓慢、全局搜索能力差等缺点,提出了一种基于遗传算法的RBF神经网络,经过自适应遗传算子参数优化,提高了RBF神经网络模型的预测精度,实现了非线性时间序列的预测.仿真实验结果表明,基于遗传算法的RBF网络预测模型非常适合非线性时间序列的预测,是可行的、精准的、有效的.    

20.  基于混合学习算法的模糊神经网络控制系统  
   刘美俊《厦门理工学院学报》,2009年第17卷第1期
   针对复杂非线性系统在控制过程中的不确定性及参数的时变性,设计了一种模糊神经自适应预测控制系统,通过误差补偿以提高预测控制的精度;对模糊神经网络(FNN)的学习算法进行了研究,利用遗传算法的全局搜索能力对FNN控制器参数进行离线优化,并对遗传操作进行了改进,使其最终搜索到全局最优或近似全局最优的附近,再利用BP算法的局部搜索能力和对对象的适应能力,进一步对参数进行在线调整。从而使系统具有更高的学习精度和更快的收敛速度,所得的FNN具有良好的泛化性能。仿真结果证明了本方法的有效性。    

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号