改进的遗传神经网络在灰渣粘度预测中的研究及应用

提出一种基于改进遗传神经网络的灰渣粘度预测方法。通过节点相关性评价,使得低于某阈值的网络内部节点在交叉操作时被排除,从而降低节点冗余;将交叉/变异概率与种群个体适应度相联系,提出一种自适应交叉/变异概率,将其用于遗传操作,使得个体多样性较好。仿真实验表明,用提出的算法优化的神经网络在一定程度上可以避免"种群早熟",保持种群多样性,提高了学习效率。     

利用探测设备获取目标的定位流程分析

当前的蜂窝无线定位系统为了避免移动终端的额外开销,多采用基于网络的定位方案．然而网络如何正确地捕获用户目标的信息,从而完成对目标的位置定位问题,一直是研究的难点．主要研究第三方如何通过一种探测设备来捕获信道的信息从而确定目标的身份信息问题,准确地实现了对目标的位置定位．     

一种改进的神经网模型研究及应用

针对用遗传算法优化神经网络时存在＂近亲繁殖＂以及在后期搜索效率低的问题,分析常见遗传编码存在的问题,把每一个网络转换成一个规范形式,从而排除神经网络的冗余编码,并通过评价节点相关性删除对网络输出无贡献的隐节点.为提高算法寻优速度,将自适应交叉变异概率用于遗传操作,并限制进入交叉的两个个体适应度距离要满足规定的阈值,从而保持种群的多样性,最后从不同角度验证本文所提出的方法的有效性.实验表明该方法对保持种群的多样性,加快进化速度比较有效,一定程度上缓解＂早熟收敛＂,从而大大减少学习参数,提高学习效率.     

一种改进的动态惯性权重粒子群优化算法

针对粒子群算法在寻优过程中容易陷入局部最优,以及难以平衡求精和求泛的能力,提出一种动态惯性权重粒子群优化算法。该算法同时考虑到粒子的进化速度和集聚程度对算法寻优的影响,当粒子集聚程度较高时,增大惯性权值,提高算法的全局搜索能力。为平衡算法全局和局部寻优能力,当进化速度较快时,提高局部搜索能力,以免错过较好的位置。将此算法用于优化4个经典测试函数,实验表明:此算法不仅可以平衡局部和全局的搜索能力,还能提高算法的搜索效率和精度。     

基于混合遗传算法的自适应神经网络优化设计

传统遗传算法优化神经网络存在"近亲繁殖"、"早熟收敛"、收敛速度慢和容易陷入局部极小等缺点.将适应度与相应的个体数目相联系,提出一种自适应交叉变异概率,并将其用于遗传操作,使得个体具有较强的多样性,一定程度缓解种群"早熟";将单纯形法和遗传算法结合到一起,使遗传算法的搜索更具有方向性,提高遗传算法的搜索能力,加快收敛速度.仿真实验进一步证明本文提出的算法对加快收敛速度,防止"近亲繁殖",保持种群多样性比较有效.     

一种改进的遗传算法在函数优化中的应用

针对传统遗传算法在处理多峰值函数优化存在的"早熟"问题,以及在后期搜索效率低的问题,在对目前常见的几种种群早熟程度评价指标进行分析的此基础上,提出了一种新的种群"早熟"程度评价指标,并据此提出了一种改进的自适应遗传算法;最后将改进的遗传算法用于函数优化;实验表明:改进后的遗传算法有效地解决了过早收敛、局部搜索能力差和全局收敛 速度慢等问题.     

基于模糊神经网络的水质评价模型研究

将模糊系统与神经网络结合,提出了一种水质评价模型.根据水质评价过程,采用5层结构的FNN,且使用自适应学习步长以加速网络收敛速度.该模型具有推理过程清晰,泛化能力强的特点.为了验证该算法的性能,进行了仿真试验,结果表明:和常见的方法相比,该模型的评价结果更为准确.     

基于改进模糊神经网络的电力系统短期负荷预测

提出了基于改进聚类算法的模糊神经网络的短期负荷预测方法。首先,利用改进聚类算法确定模糊神经网络的结构,然后利用混合学习算法训练该网络的前件和结论参数,最后向训练好的模糊神经网络输入相关的影响因素数据进行预测。预测结果显示,改进的模糊神经网络可以获得较高的预测精度,所以有更好的使用价值。     

一种改进的粒子群优化算法

针对粒子群优化算法中粒子容易聚集和收敛速度慢，提出一种改进的粒子群优化算法。该算法同时考虑到粒子进化的成功率和多样性程度对算法寻优性能的影响，当粒子集聚程度较高时，增大惯性权值，提高算法的全局搜索能力。为平衡算法全局和局部寻优能力，当进化速度较快时，提高算法局部搜索能力，以免错过较好的位置。在速度更新中，引入较差粒子，避免算法再次去搜索这些较差的位置，降低算法的搜索效率。将该算法用于优化6个经典测试函数，实验表明：该算法不仅可以平衡局部和全局的搜索能力，而且可以提高算法的搜索效率和精度。
     

基于模糊神经网络的太湖富营养化评价应用

根据湖泊营养化程度影响因素多,评价因素与富营养化等级间的关系复杂且是非线性的.而神经网络和模糊系统各有优点,研究者将二者结合建立模糊神经网络模型用于太湖营养化评价,当固定学习速率η大于0—1内某一值,将导致网络算法不收敛,因此文中采用自适应调整学习速率,实验表明,该模型具有较快的训练速度和较高的精度.