基于GA-BP算法的模糊神经网络控制器研究

提出了一种基于GA-BP算法的模糊神经网络控制器,将GA的离线全局寻优及BP实时学习相结合,克服了单独应用GA算法或BP算法调节模糊神经网络控制器参数存在的缺陷。仿真结果表明经GA-BP算法优化的控制器性能优于传统算法调节的控制器。     

基于GA-BP的经济指标滚动递推预测模型

为了克服传统BP神经网络在经济预测中的不足,引入遗传算法对BP神经网络的权值进行训练,在此基础上建立互推递进遗传神经网络的预测模型,经实例测试表明该模型是可行的．     

基于GA-BP神经网络优化算法的篮球教学质量评价

篮球教学质量是反应学习效果与教学方法可行性的关键指标,对于提升优化篮球课程的教学方法具有重要意义。基于主成分分析法提取16个关键性评价指标,设定GA-BP神经网络期望误差为均方误差;基于自适应梯度下降法进行网络训练,为遗传算法的不同种群赋予不同交叉概率与变异概率,利用移民算子沟通实现种群进化以此改进遗传算法;基于改进遗传算法确定BP神经网络的初始权值与阈值,将16个篮球教学质量评价指标权重输入到GA-BP神经网络模型中获得教学质量评价结果。实验结果表明,该模型输出篮球教学质量评价结果的误差最低、时间开销最少,是评价篮球教学质量的可靠方法。     

呼和浩特马铃薯田间抗晚疫病的研究

呼和浩特晚疫病严重年份，田间抗病性最强的马铃薯品种为同薯８号、克新１号和克新４号，其次为宁薯６号．抗病机理制是茎叶和块室组织抗Ｐｈｙｔｏｐｈｔｈｏｒａｉｎｆｅｓｔａｎｓ传播．     

基于GA-BP神经网络的温度传感器校准系统

鉴于制药厂对温度的严格要求,对温度传感器DS18B20在10℃-30℃(制药厂要求温度范围)内进行校准.经BP神经网络校准后,最大误差从0.5℃降至0.24℃.BP神经网络随机生成初始参数易造成局部最优和收敛速度慢,故利用遗传算法对其进行优化.优化后收敛轮数从25降为13,最大误差从0.24℃降为0.21℃,精度在原BP神经网络基础上提升了12.5％.实验结果表明,利用遗传算法优化BP神经网络可加快训练收敛速度,提升校准结果精度.此外,采用以Cortex-M3为内核的STM32F103系列MCU开发温度传感器校准系统,将训练好的神经网络搭载到相应的校准模块.经调试,此系统校准精度与Matlab测试结果一致.     

基于GA-BP神经网络的颗粒阻尼器减振特性预测

提出了一种基于遗传算法改进的BP神经网络(GA-BP)的颗粒阻尼效应预测模型.首先通过悬臂梁阻尼检测实验建立数据集,然后对建立的数据集进行训练非线性复杂模型,用于描述颗粒阻尼器的阻尼效应.为了进一步验证所提模型的有效性,通过CA-YD-1181压电传感器采集相关数据进行二次验证.结果表明,与传统的BP神经网络预测模型相比,遗传算法优化后的模型能够通过不同参数的变化对颗粒阻尼器减振效果进行精准预测,收敛速度提高了近36.8%.该模型具有良好的拟合效果,能准确、合理地预测阻尼特性,并调整颗粒阻尼器的相关参数.     

遗传算法优化BP神经网络的专家自动诊断模型

随着计算机信息化和人工智能的发展迅速,专家自动诊断疾病系统成为各界关注的焦点。卵巢癌是严重威胁妇女健康的恶性肿瘤之一,而且目前无有效的筛选方法和特异的诊断方法。BP人工神经网络因其具有分布式信息存储方式、自适应能力、强大的容错性和非线性处理能力,能有效地对疾病进行筛查和诊断。该文采用遗传算法来优化改进BP算法得到GA-BP算法,通过遗传和变异操作对BP神经网络的初始权值和阈值进行优化,不断更新选择,使得网络的系统总误差趋于最小,构建出卵巢癌诊断模型。采用Matlab2013、VC++编程和统计软件SPSS.18等工具来实现专家自动诊断的人工智能模型,并通过计算机仿真和预测进行检验。     

基于GA-BP神经网络的金精矿品位的预测

在对金矿生产过程进行大量实际调研工作的基础上,分别采用BP神经网络和遗传算法优化BP神经网络的方法,建立了金精矿品位的预测模型,以现场采集的978组数据作为样本,运用噪声平滑技术进行数据预处理,筛选了770组数据,运用其中的650组数据建模,并运用其余的120组数据对模型进行了验证.通过对两个模型的预测误差分析,得出用遗传算法优化的BP神经网络(GA-BP)预测精度更高,当预测相对误差在±2%范围内时,模型的预测精度达到97.5%.     

基于GA-BP神经网络的隧道初期支护钢拱架内力预测

针对误差反向传播(BP)神经网络易陷入局部极小值的问题,将遗传算法(GA)与BP神经网络相结合,先以遗传算法全局最优的特性对初始化的BP网络的权重和阈值进行优化,再将优化的权重和阈值作为初值带入BP网络训练得到最优解.运用此改进的BP神经网络对竹盖山隧道初期支护钢拱架内力进行预测,取得了良好的效果,精度高、收敛快,为指导和控制工程施工提供了有效的依据.     

交通事故Pi-Sigma模糊神经网络预测模型

提出了基于Pi-Sigma模糊神经网络的交通事故预测模型,选用Takagi-Sugeno型模糊推理系统和BP神经网络,以年平均日交通量、交通负荷、设计速度、车道宽度为输入,以每公里年均事故次数为输出,利用哈尔滨市133条主次干道的道路交通条件数据和5年的交通事故数据对模型进行了训练和检验,并将该模型与模糊逻辑模型、BP神经网络模型进行了对比分析.结果表明,交通事故Pi-Sigma模糊神经网络预测模型在预测精度及计算效率上总体优于其他两种模型,较适合于大样本条件下交通事故的快速预测.     

基于自适应神经网络的云资源预测模型

为了避免容器云资源因资源供求不均衡而导致的资源利用率差等问题,需要对未来时刻的资源需求情况进行预测来进行更精准的调度和分配资源,因此,结合神经网络的高效学习能力与自适应调整的学习率,提出一种基于自适应神经网络的云资源预测模型。首先,融合卷积神经网络(convolutional neural network, CNN)和长短期记忆(long short-term memory, LSTM)网络的特点去挖掘历史数据的特征,预测未来的资源需求;然后,根据模型预测情况自适应调整学习率,提高模型预测的精度。使用Microsoft Azure公开数据集进行测试,相较于单一模型CNN、LSTM和未加入自适应学习率的神经网络模型,均方根误差分别下降了17.74%、18.27%和6%,证明了模型的有效性。     

我国体育人口增长预测模型研究

运用文献调查、逻辑分析、类比分析等研究方法对体育人口增长预测模型的构建进行研究,其目的是通过构建体育人口增长预测模型,准确地预测我国未来体育人口的增长,为相关决策部门制定健身政策提供理论参考。文章阐述了体育人口的特点以及神经网络的基本原理,论述了运用BP神经网络进行体育人口增长预测的可行性,建立了基于BP神经网络体育人口增长预测模型,补充了体育人口增长预测理论研究的空白,对我国未来准确预测体育人口增长具有一定现实意义。     

基于神经网络组合模型的能源消费量预测研究

为了提高预测的精度,将神经网络组合预测模型应用于能源消费总量预测中,通过建立RBF、ELM、BP神经网络预测模型,用熵值法确定组合预测模型的加权系数,建立神经网络组合预测模型.利用安徽省统计年鉴获得的1991～2007年安徽省能源消费总量进行检验仿真,结果表明组合预测模型的误差较小,精度较高,预测结果更接近于实际情况.