前向网络的两种混合学习策略

针对前向网络反向传播算法（ＢＰ）训练缓慢和易于陷入局部极小的缺点以及反向运算的复杂性,利用ＢＰ算法监督学习特点、模拟退火（ＳＡ）算法在局部极小处的概率突跳特性和遗传算法（ＧＡ）的并行化群体搜索的特点,有效结合ＢＰ和ＳＡ算法以及ＧＡ和ＳＡ算法,提出了前向网络的两种混合学习策略即ＢＰ＆ＳＡ混合策略和ＧＡ＆ＳＡ混合策略。以异或问题为例,通过计算机仿真对混合策略与ＢＰ、改进ＢＰ算法的比较表明混合学习策略较大程度改进了前向网络学习的收敛性能和收敛速度,并一定程度上避免了反向运算的复杂性,是前向神经网络学习的有效算法。     

热释放率计算和预测的神经网络方法

基于多层前馈神经网络提出了火灾实验中不同材料热释放率的学习算法和预测技术．同时,将具有全局收敛特性的混合共轭梯度（ＭＣＧ）算法应用于该问题中多层前馈神经网络的训练,克服了传统ＢＰ算法收敛速度慢,推广性能差的缺陷．文中对ＭＣＧ方法进行了大量模拟,并将模拟结果与ＢＰ算法及带有动量项的ＢＰ算法作了全面比较,结果表明：ＭＣＧ方法不仅在学习速度和收敛性方面均优于传统的ＢＰ算法而且显示了良好的性能和行为     

利用GA—BP算法对模糊神经网络进行优化

分析了ＢＰ算法和遗传算法（ＧｅｎｅｔｉｅＡｌｇｏｒｉｔｈｍｓ,以下简称ＧＡ）各自的优缺点,将改进的ＧＡ与ＢＰ算法相结合,提出了一种新的ＧＡ－ＢＰ算法,并将其应用于模糊神经网络的参数优化,仿真结果验了本算法的有效性。     

基于遗传算法的BP网络优化研究

将遗传算法（ＧＡ）用于对ＢＰ网络权重的优化，不必对其进行参数调整，减少了训练的次数和计算量，且不会造成局部最优，多数影响遗传优化效果的规律得以确定、说明ＧＡ对神经网络的优化是可行的。     

GA-ANN算法在产品质量估计中的应用

针对反向传播（ＢＰ）算法,径向基函数（ＲＢＦ）算法的不足,提出了基于遗传算法（ＧＡ）确定神经网络构或权值的进化神经网络算法（简称ＧＡ－ＡＮＮ算法）。在产品质量估计仿真研究中表明,该算法不需试凑而取得较好的网络结构和参数。     

BP神经网络振荡和平台问题的解决

叙述了ＢＰ神经网络的基本思想，分析了ＢＰ网络产生振荡和平台的原因，给出了解决问题的方法．同时介绍了一个ＢＰ神经网络的数字识别系统（ＤＧＲＳ）．     

Eu（Ⅲ）——β——二酮——二苯胍三元配合物的研究：精细荧光光谱？…

合成５种Ｅｕ（Ⅲ）－β－二酮－二苯胍三元配合物,经元素分析和化学分析测定其组成分别为Ｅｕ（ＡＡ）４．ＤＰＧ（Ⅰ）、Ｅｕ（ＢＡ）４．ＤＰＧ（Ⅱ）、Ｅｕ（ＤＢＭ）４．ＤＰＧ（Ⅲ）、Ｅｕ（ＰＭＢＰ）４．ＤＰＧ（Ⅳ）和Ｅｕ（ＴＴＡ）４．ＤＰＧ（Ⅴ）,用红外光谱、差热分析进行了表征,测定了配合物Ⅰ－Ⅳ在室温（２９８Ｋ）和液氮温度（７７Ｋ）下的荧光发射光谱,应用群论方法和Ｊｕｄｄ－ｏｆｅｌｔ理论对低温精细光谱     

家兔高脂血症模型的建立及其在灵芝药理研究中之应用

作者采用脂肪乳剂对家兔连续灌胃２ｗ，分析比较了灌胃前后血清甘油三酯（ＴＧ）、总胆固醇（ＴＣ）、载脂蛋自Ｂ（ＡｐｏＢ）之变化和血浆血栓素（ＴＸ２）和前列腺素１６─Ｋｅｔｏ─ＰＧＦ１α之变化。结果发现：ＴＣ、ＴＧ、ＡｐｏＢ、ＴＸＢ２均明显上升，有极显著性差异（Ｐ＜０．０１）；６－Ｋｅｔ－ＰＧＦ１α明显下降，具有极显著性差异（Ｐ＜０．０１）。其中，Ｔｃ含量较灌胃前增力１５．４倍，ＴＧ较灌胃前增加３．３涪，完全符合食饮性动物高脂血症模型的特点。作者采用上述模型观察了灵芝对其ＴＣ、ＴＧ、ＡｐｏＢ、ＴＸＢ２、ｄ－Ｋｅｔｏ－ＰＧＦ１α之影响。结果发现：用灵芝制剂对高脂血症家兔行灌胃治疗，ＴＣ下降率为３．１１８％±２．８９％，ＴＧ下降卒为６２．９９±１２．１８，与对照组有显著差异（Ｐ＜０．０５）。ＡｐｏＢ有一定程度降低。     

一种局部回归神经网络的快速算法

针对目前局部回归神经网络动态ＢＰ算法的误差导数计算复杂、收敛速度慢的缺陷,提出了一种新的快速算法、该算法是将信号流图引入动态ＢＰ算法,较好地解决了求导数的复杂性,同时采用ＢＦＧＳ算法另快了网络的收敛速度仿真结果表明了本算法的有效性。     

异构计算系统的表调度式任务映射与调度算法

研究了在异构计算系统（ＨＣＳ）中利用表调度式算法进行任务映射与调度．给出两种异构静态优先级表调度式任务映射算法（ＨＳＰ和ＧＨＳＰ）,以及一种异构动态优先级表调度式任务映射算法（ＢＨＤＰ）．实验结果表明,ＧＨＳＰ算法对于粗中粒度ＤＡＧ的调度效果稍好于ＨＳＰ算法,而ＢＨＤＰ算法对于粗粒度和细粒度ＤＡＧ的调度效果均明显优于ＨＳＰ和ＧＨＳＰ算法．     

遗传算法与神经网络在洪水预报中的应用

采用遗传学习算法对神经网络BP模型的初始权重进行优化,即先用遗传学习算法进行全局训练,再用BP算法进行精确训练,使网络收敛速度加快和避免局部极小。将该方法运用于洪水预报问题,并利用山西省文峪河水库的历史资料条件建立一个网络,以洪水预报的各种控制因素相关资料作为样本,对网络进行训练并用训练好的网络进行预报。网络的训练速度及预报结果表明,该算法收敛速度较快,预测精度很高,为洪水预报提供了一种新思路和新方法。     

基于遗传神经网络的漏磁非线性回归分析

文章针对人工神经网络易陷入局部极小、收敛速度慢的缺点,而遗传算法具有全局寻优的特点,将二者结合起来形成一种遗传神经网络的混合算法;通过实例分析和统计学检验,表明该算法可以运用于爪极发电机漏磁非线性回归分析中,并且遗传神经网络非线性回归是准确和高效的。     

混合激活函数对BP算法收敛速度的影响

研究了不同激活函数选取对ＢＰ网络收敛速度的影响,得出了全采用组合激活函数可改善ＢＰ网络的收敛性的结论。以电力变压器的人工神经网络故障诊断为例选取的ＴＴＳ（Ｔ表示为双曲正切函数,Ｓ表示为Ｓｉｇｍｏｉｄ函数）的组合激活函数方式,具有快速收敛性和较高的故障诊断精度。     

变载荷感应电动机的神经网络建模研究

根据采用晶闸管三相调压器控制变载荷电动机运行的特点,阐明了采用神经网络方法对该系统建模的必要性.基于带有回归单元的Elman神经网络,对变载荷三相异步电动机的晶闸管三相调压器系统进行了建模.采用一种带惯性项的动态反向传播学习算法,克服了通常的BP算法振荡和收敛速度慢的弱点,使变载荷电动机系统跟随负载变化对电动机实现调压控制.对Elman神经网络的结构运用方法,以及惯性项的动态反向传播学习算法做了较详细的介绍,对由晶闸管三相调压器构成的拖动系统建模所选向量参数进行了说明.实例表明,利用该方法迭代后的学习结果更容易将误差减小至期望值.     

神经网络的应用与展望

基于对BP神经网络理论的基本分析,重点探讨了神经网络与遗传算法的结合。在此基础上,给出了神经网络的研究热点与发展方向。     

遗传算法改进神经网络的电力系统谐波检测法

提出了将遗传算法与神经网络结合起来用于电力系统谐波幅值与相位测量的方法。根据电力系统谐波的特点,构造了用于谐波检测的神经网络模型,阐述了网络训练样本的形成方法。借助Matlab提供的遗传算法与神经网络算法工具箱,先用遗传算法对前馈神经网络进行全局训练,再用BP(back-propagation)算法进行精确训练。仿真结果验证了该方法的有效性和可靠性。通过与传统BP算法测量谐波的方法相比较,该方法具有训练速度快,不易陷入局部极值,测量精度高的优点。最后用未训练的样本检测训练好的神经网络,验证了该网络同时也具有较好的泛化能力。     

基于GA-ANN的高速烟支切割支撑装置结构优化

提出了一种基于人工神经网络技术和遗传算法的结构优化设计方法,在ADAMS软件环境中建立高速烟支切割装置的刚柔耦合虚拟样机模型进行仿真,得到64组实验数据构成样本,在MATLAB软件环境中,用BP神经网络构建支撑装置的数学模型,为遗传算法提供适应度函数,通过遗传算法完成最小值优化,得到的结果为原仿真样本中最小值的1/5．     

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。     

共轭梯度神经网络的研究

针对ＢＰ人工神经网络存在的两个缺点：（１）局部收敛问题不能很好解决；（２）收敛速度慢，提出应用改进共轭梯度算法建立人工神经网络，以获得共轭梯度网络的全局收敛特性和快收敛速度。计算机仿真结果表明：改进巫轭梯度网络优于ＢＰ网络。     

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.