基于生态遗传算法的煤矸石自适应模糊模式识别

给出煤矸石组分模式识别的模糊神经网络模型，提出一种实用生态算子，同时将此基础上构建的生态遗传算法用于模糊神经网络的离线学习，能有效避免传统BP算法学习速度慢、易陷入局部极小的缺陷和基本遗传算法的遗传滑脱现象．仿真和实验结果显示新算法使离线训练的网络具有良好的收敛性能，而且从训练好的定量网络中提取模糊规则用于原煤的在线自动分选，不仅能提高煤中矸石的识别率，而且有效解决了系统识别精度与实时分选之间的矛盾．     

AdaBoost集成神经网络在冲击地压预报中的应用

为提高单一BP神经网络预测精度,利用AdaBoost.R2集成学习算法,将单一BP(Back\|Propagation)神经网络集成,并针对AdaBoost.R2集成BP网络的特点,提出了一种新的模型更新方法,在有效地实现模型更新的同时克服了传统更新方法的不足。将该新方法应用到抚顺老虎台矿冲击地压预报中,对冲击地压发生的主要因素进行了分析并将其作为模型的输入,使用AdaBoostR2集成BP网络作为核心智能算法,建立了冲击地压预报模型,取得了较好的预测效果。     

基于遗传优化的BP神经网络水泥强度预测

为了提高BP神经网络预测模型对水泥强度值的预测精度,通过结合BP神经网络与遗传算法各自的优势,提出一种采用遗传算法优化的BP神经网络的水泥强度预测算法.利用遗传算法具有的全局优化搜索能力优化BP神经网络的各层节点连接权值与阈值,训练BP神经网络预测模型以求得最优解,并将训练以外的样本数据用于模型的有效性验证.仿真结果表明,该算法对水泥强度值预测具有较高的预测精度,同时可缩短网络收敛时间.     

基于主成分分析与BP神经网络的冲击地压预测

冲击地压的发生会对矿山造成巨大的经济损失,预测预报是防治冲击地压的重要组成部分。文章将主成分分析方法与反向传播人工神经网络(即BP神经网络)方法相结合,用于对冲击地压的预测。首先,利用主成分分析法对冲击地压的影响因素进行分析,降低数据的维数。然后,将所得的数据作为BP神经网络的输入数据进行训练,用训练好的神经网络对冲击地压进行预测。预测结果与实际结果的对比表明,利用主成分分析—BP神经网络方法对冲击地压预测是可行的。     

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。     

一种改进的模糊调节神经网络及其应用

针对具有相同激励函数的隐层神经元非线性表达能力较差的情况,提出了一种改进的模糊调节神经网络,并利用遗传算法进行训练。该模糊调节神经网络包括模糊神经网络和三层前馈神经网络2部分,通过模糊神经网络间接调整前馈神经网络隐层激励函数参数,并用遗传算法同时对模糊调节神经网络的权值和模糊神经网络参数进行训练,从而增强了网络的表达能力。将模糊调节神经网络用于非线性量化因子模糊控制器参数的整定仿真结果表明,改进的神经网络比传统的神经网络拥有更大的自由度,具有更强的非线性表现能力,从而使非线性量化因子模糊控制系统具有更好的控制性能。     

基于免疫遗传算法的递归模糊神经网络

为了解决递归网络的梯度信息不易获取而传统遗传算法训练时间过长、易于早熟的问题,提出了一种用于辨识非线性动态系统的递归高木-关野模糊神经网络(T_RFNN:Takagi-Sugeno Recurrent Fuzzy Neural Network).T_RFNN是在高木-关野模糊模型的基础上加入了反馈层,利用免疫遗传算法对T_RFNN的参数进行训练和调整.该网络具有更少的网络参数、更快的收敛速度和更高的精度等特点,能够很好地完成动态非线性系统的映射.与高木-关野模糊神经网络相比,网络参数减少了45%,网络误差减少了65%,而网络的运行时间提高了近68%.T_RFNN仿真实验的辨识结果也表明,该网络在训练次数明显减少的情况下学习性能得到了显著改善.     

基于遗传算法的模糊神经网络控制器的仿真

对遗传算法(GA)和模糊神经网络控制器的结构进行了说明.为了克服反向传播算法(BP)的缺点,通过遗传算法对模糊神经网络控制器的参数进行优化,亦即对模糊神经网络进行训练.用通过优化后的模糊神经网络控制器控制一个带有纯滞后的非线性对象,仿真结果证实了其性能较常规模糊控制器优越.     

基于贝叶斯神经网络的SPA-H热轧板力学性能预测

研究了基于贝叶斯方法的神经网络及其在SPA-H热轧板力学性能预测中的应用.在网络的目标函数中引入代表网络复杂程度的惩罚项,融入"奥克姆剪刀"理论,防止网络"过训练"的发生.考虑到网络在应用中的实际问题,在前人改进的算法基础上,采用Levenberg-Marquardt算法训练网络,提高了该网络的收敛速度.利用上述网络进行SPA-H集装箱热轧板力学性能预测,在收敛速度、稳定性和泛化能力方面都优于传统的BP神经网络.     

基于SA-GA算法RBF神经网络的TDOA/AOA定位算法

目的 为了克服最小二乘法在TDOA/AOA无线定位算法中的缺点,提高定位的精度和稳定性.方法 提出了基于RBF神经网络的TDOA/AOA定位算法.利用染色体长度可调编码方式的模拟退火遗传算法,同时训练RBF网络的参数和拓扑结构.将训练后的RBF网络用于TDOA/AOA定位.结果 与传统TDOA/AOA算法和基于k-均值聚类法、遗传算法RBF神经网络、GA-BP神经网络的定位算法比较,该算法具有更高的定位精度和可靠性.结论 基于模拟退火遗传算法RBF神经网络的TDOA/AOA定位算法有很强的抗NLOS能力.     

轮式机器人遗传模糊神经网络转向控制

针对数学模型复杂的轮式机器人的转向控制问题，使用基于遗传算法的模糊神经网络转向控制方法．首先建立车辆的神经网络模型，然后构造模糊神经网络控制器，再用遗传算法寻找模糊神经网络控制器的参数，最后提高控制器对速度变化的适应性．仿真表明，该方法可以对机器人的转向进行有效控制，效果良好，能适应各种不同速度变化，是一种有实用意义的控制方法．     

一种训练神经网络的新型遗传算法

针对神经网络中具有大量的相似解，提出了一种规范化方法，大大地减少了神经网络中解的数目，然后，给出了多种不同的算子，通过对简单网络问题的实验，比较了它们的优劣，得出了一个新型的遗传算法ＮＧＡ。实验表明，ＮＧＡ比用传统的ＧＡ训练神经网络效果要优。     

基于神经网络和遗传算法的生化过程状态预估及优化控制

提出一种基于模糊推理的误差预测补偿系统，用于修正生化过程中预估神经网络模型的预测输出，以提高预测精度，并采用遗传算法建立生化过程的在线优化体系．通过对谷氨酸发酵过程仿真，表明该系统的应用是有效的．     

一种基于遗传算法的BP神经网络算法及其应用

主要分析了神经网络和遗传算法的特点和存在的一些缺陷，研究了遗传算法和BP神经网络学习算法相结合的相关技术，设计并实现了一个基于遗传算法的BP神经网络算法BP—GA，已应用于肺癌早期细胞病理诊断系统中。实验结果表明，该算法具有较强的收敛性和鲁棒性，其应用效果很好。     

小生境遗传算法的改进

为了避免小生境遗传算法存在的早期成熟和陷入局部极值点等问题,提出了一种改进的小生境遗传算法.该算法基于自适应交叉概率算子和变异算子,根据进化代数和群体的适应值,动态调整各个个体的交叉概率和变异概率,并在变异量的确定上引入了梯度的概念.通过在Shubert函数的全局最优化问题上的验证,并与常规遗传算法和小生境遗传算法比较,改进后的算法提高了搜索速度,能有效跳出局部极小值,并搜索到全局最优值.     

一种基于GA的模糊神经网络控制器设计及应用

结合模糊控制、神经网络、遗传算法三种方法的优点 ,提出了一种基于遗传算法的模糊神经网络控制器 ,并分析了其网络结构和离线学习的方法 遗传算法基于全局优化策略 ,避免了反向传播学习算法易陷入局部最优的缺陷 仿真实验和在汽车防抱死制动系统中的应用表明这种控制方案是有效的 ,可行的     

生态遗传算法在模糊系统辨识中的应用

给出一类模糊系统的模糊神经网络模型 .提出一种实用的生态算子 ,构建的生态遗传新算法有效解决了基本遗传算法的“早熟”问题 .采用新算法实现模糊神经网络模型的辨识 ,提高了辨识精度 .实例仿真结果验证了新算法在模糊系统辨识中的有效性     

基于改进遗传算法的BP神经网络及应用

结合遗传算法及神经网络各自的优点,利用改进遗传算法对BP神经网络的连接权进行优化,并提出了一种新的编码方式.通过与时间序列模型对比,基于改进遗传算法的BP模型效果更好.     

AGC控制技术的发展过程及趋势

综述板带轧钢厚度控制技术的发展和产生厚差的原因（主要有：温度、轧制力等）。在带钢厚度自动控制（AGC）中常用的智能算法有神经网络、模糊控制、遗传算法和模糊神经网络,总结其各自的特点及其在AGC中的应用,其中模糊神经网络取模糊控制和神经网络之长而去其所短,有独特的优势,并指出控制理论和智能算法的结合是AGC控制技术发展的大趋势。