基于反向传播神经网络的遗传算法在酒类气体识别中的应用

把基于反向传播神经网络的遗传算法用于酒类气体识别实验中的传感器阵列的筛选,通过评价传感器组合对反向传播神经网络识别酒类气体结果的影响,建立一种挑选传感器阵列的方法,该算法选出的变量与用统计方法得到的结果一致     

反向传播神经网络联合遗传算法对复合材料模量的预测

为减少测试成本和缩短设计周期,基于机器学习方法对树脂基复合材料模量的预报方法进行了研究.采用一种全新预测方法——神经网络联合遗传算法(GA-ANN),将T800/环氧复合材料的强度、泊松比和失效应变作为反向传播(BP)神经网络的3个输入变量,在遗传算法(GA)中得出最优阈值和权重,并将所得数值赋给对应的网络参数,更新BP神经网络以更高的准确率预测树脂基复合材料的模量;同等条件下,用Adam算法进行预测.对比这两种方法,结果充分证明了GA-ANN的可行性.     

基于自适应遗传算法的RBF神经网络优化算法

针对传统遗传算法收敛速度慢的缺点,本文将改进后的遗传算法应用于RBF神经网络,对隐层中心和宽度值进行同步优化,并在复杂非线性函数的逼近实验中证明了本文算法相比传统遗传算法在搜索全局最小点的速度上得到了很大提高.     

基于自适应遗传算法优化的BP神经网络股票价格预测

股票价格是一种具有较强随机性的数据,不仅受到买卖双方的影响,而且与国内外政策因素有关.为了提高精度,采用BP神经网络与遗传算法结合的方法进行研究.针对BP神经网络初始权值随机、遗传算法易陷入局部优化等问题,给出了一种基于自适应遗传算法优化的BP神经网络股票价格预测模型,该模型通过自适应遗传算法对BP神经网络初始权值进行优化,从而对股票价格进行预测分析.实验仿真结果表明该模型可以获得较高的预测精度和较快的收敛速度.     

神经网络反向传播模型用于CmI的能级分类

将神经网络反向传播算法应用于Ｃｕｒｉｕｍ的关于组态的分类计算。用４个特征变量（能级值、郎德ｇ日子、Ｊ量子数和同位素位移）表征每一个能好。为检验神经网络预报能力，采用ｌｅａｖｅ－ｎ－ｏｕｔ方法（奇宇称ｎ＝１，偶宇称ｎ＝５）对所有已知实验样本进行了预报。其中奇、偶宇称能级预报正确率分别为９２．７％和９７．４％。利用相同的神经网络结构，得到了１２个奇宇称和４２个偶宇称的未知能级的预报结果。     

多层前向神经网络的自适应遗传算法训练

提出了一种改进的自适应遗传算法ＩＡＧＡ,它利用 特点,采用前向自适应技术,实现对神经网络的有交工具实验表明,该算法优于ＢＰ算法,标准遗传算法ＢＧＡ和普通自适应遗传算法ＡＧＡ,网络训练质量和效率都有很大提高。     

电力系统潮流误差反向传播算法

文中将人工神经网络中的误差反向传播算法应用于电力系统潮流计算，通过算例表明，该算法具有较好的收敛特性。     

一种新的快速收敛的反向传播算法

提出了一种新的快速的误差反向传播算法 .这种方法从神经网络的权值调节公式入手 ,通过避免过早饱和、加大权值调节的幅度等手段来加快收敛 .并通过对两个奇偶问题、一个函数逼近问题的仿真 ,验证了所提出的算法的有效性 .结果表明 ,所提出的算法在收敛速度等方面大大优于通常的BP(反向传播 )算法、带动量项的BP算法以及其他的一些改进的算法 .     

基于反向传播算法神经网络的信用评分系统预测力研究

为了提高信用评分系统的预测准确性和稳定性，建立了基于反向传播（BP）算法神经网络的信用评分系统，并提出信用评分系统预测力和预测稳定性验证的新方法．结合信用评分问题的实际特点建立了模型并确定了参数，然后采用一种正向选入法确定输入变量，进行模型训练，并通过引入接收器操作特征曲线的分析理论、曲线面积（AUC）值及信息理论等评价方式，对所构造的神经网络信用评分系统预测力进行评价，最后利用自抽样法构造出多个验证样本来评估信用评分系统的稳定性．与传统的逻辑信用评分系统的比较结果表明，BP神经网络信用评分系统具有更高的预测准确性和稳定性，其AUC值平均提高0．0367，AUC值的标准误差平均降低0．005．     

基于遗传算法BP神经网络优化IRFPA非均匀性适应校正算法

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。     

利用遗传算法优化人工神经网络权值

遗传算法是一种新的、基于自然选择和基因遗传学原理的随机搜索算法．针对神经网络中BP算法学习效率低且收敛速度慢以及容易陷入局部最优等不足，文章提出利用遗传算法对BP神经网络中的神经元间的连接权值进行优化的方法．试验结果表明，用遗传算法优化BP神经网络的连接权值后收敛速度快，并有效的解决了BP算法容易陷入局部最优的问题．     

关于神经网络和遗传算法的研究进展

简要回顾了南京邮电学院几年来在神经网络、Ｈｏｐｆｉｅｌｄ模型神经网络、细胞神经网络模型和遗传算法等方面的研究工作所取得的进展。     

基于遗传算法和BP算法的混合算法

结合神经网络的优化问题,提出一种新的混合算法.该算法是在遗传操作中嵌入BP算子,有效地结合了遗传算法全局寻优与BP算法快速收敛的特点,同时采用二进制编码和实数编码将神经网络的结构与权值混合编码到串中,实现了结构与权值的同步优化.仿真结果表明,新算法既能够快速地收敛到全局最优解,又能够在简化网络结构复杂度的同时得到网络权值的最佳逼近.     

基于遗传算法的神经网络优化

神经网络和以遗传算法为代表的进化算法都是仿效生物处理模式来获得智能信息处理功能的理论,其中,神经网络已被广泛应用于智能控制系统优化,信号及信息处理,模式识等领域,而遗传算法则是模拟生物的进化现象（处然淘汰,交叉,变异等）,不表现复杂现象的一种概率搜索方法,以达到快速有效地解决各种困难问题。但神经网络和遗传算法目标相近而方法各异,因此,将这两种方法相互结合,必能达到取长补短的作用,近年来,在这方面已经取得了不少研究成果,形成了以遗传算法与神经网络相结合的进化神经网络（ENN）。本文以综述的形式总结了遗优越传算法在神经网络训练中的应用情况。     

非线性系统神经网络控制器 BP 算法的改进

对非线性系统神经网络控制器提出了一种改进的误差反向传播算法。该算法引入一维参数寻优法,预估神经网络连接权系数学习步长,减少了步长选取的盲目性,避免了学习过程陷入局部极小的可能性,并以二自由度机器人为对象,进行了神经网络控制的仿真研究。     

基于神经网络和遗传算法的桥梁参数优化方法与分析

在桥梁施工监控中,实测标高与理论预测标高存在差异的主要原因之一是理论计算参数存在偏差,因此对计算参数进行有效修正成为现代施工控制的一个关键问题。分析和确定了影响标高预测误差的主要参数,利用有限元分析建立了主要参数和标高之间的BP网络模型,该模型在一定参数取值范围内可以取代有限元模型预测标高,从而大大减少计算量。在建立的BP模型基础上,通过浮点编码的遗传算法对目标函数进行优化得到一组最优计算参数。对实际桥梁的计算分析表明,本文确定的分析参数物理意义明确,基于本文方法的修正能有效地提高标高预测精度,对类似桥梁的计算分析具有指导意义。     

遗传算法优化BP神经网络在纳税评估中的应用

将遗传算法优化误差反传(BP)神经网络的数据挖掘方法应用于纳税评估,为税务机关申报征收与税务稽查的数据挖掘建立分类预测模型.从分析的结果可以看出,模型具有良好的预测效果,能为提高税收管理的针对性和有效性提出一些参考建议,以提高税收征管的水平.     

一种改进的基于成熟前收敛判断的自适应遗传算法

针对传统遗传算法存在的缺陷,提出了一种改进的具有成熟前收敛判断的自适应遗传算法。仿真实验表明,同传统的遗传算法和一般的自适应遗传算法相比,改进后的算法性能有了较明显的提高。