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。     

单亲遗传算法在多机多阶段FloW-shoP 问题中的应用

讨论单样遗传算法（PGA）在多机多阶段Flow-shop问题（FSMP)中的应用,给出了针对FSMP的两种不同的编码方法和遗传操作方法。仿真结果显示用PGA求解不同规模、不同目标函数的FSMP是有效的。     

神经网络在模糊综合评价中的应用

运用神经网络确定模糊综合评价中的权重值，使权重值更符合实际情况，采用梯形公式的四元组形式表达网络中的隶属函数，利用反向传播算法训练网络，得到较好的训练效率和效果．将该方法应用于液压凿岩机的性能评价，得到了满意的结果。     

模糊算法在课堂教学评价中的应用

本文根据课堂教学的特点,首先建立了评价指标体系,并阐述了评价指标权重的确定,然后在此基础上提出了一种课堂教学质量的模糊评估模型,来实现教学质量评估,从而提高对课堂教学质量评估的科学性。     

人工神经网络在基础课实验教学质量评价体系中的应用

采用神经网络对基础课实验教学质量进行评价,解决了非线性模型的不确定性.传统的BP网络在训练时易陷入局部极小点,从而导致训练时间长、收敛速度慢.采用优化BP算法能快速达到目标误差,提高网络的收敛速度.网络训练的结果表明：优化BP算法的收敛速度快,精度高,在高等教育教学质量评估领域中具有广阔的应用前景.     

BP神经网络在大坝安全综合评价中的应用

提出了基于改进的BP神经网络的大坝安全综合评价方法，将改进的BP神经网络应用于大坝综合评价，意在建立更加接近于人类思维模式的定性与定量相结合的综合评价模型。通过对给定学习样本模式的学习，获得取学习样本中所体现的评价专家的经验、知识、主观判断及对目标重要性的倾向。当需对评价对象作出新的综合评价时，该方法便可再现评价专家的经验、知识和直觉思维，从而实现定性分析与定量分析的有效结合，较好地保证评价结果的质量，示例表明，这一评价方法是合理、可行的。     

人工神经网络BP算法在评价网站中的应用

简要介绍了人工神经网络BP算法的基本原理及其发展趋势,构建了网站的测评指标体系,探讨人工神经网络BP算法在评价网站中的应用。     

改进的决策树分类算法在高校学生综合评价中的应用

通过分析淮北职业技术学院的教务数据,把分类挖掘应用到学生综合评价分类上来,对学生的综合评价信息进行分类挖掘,发现影响学生综合评价的因素,为教学管理部门提供参考。     

自动生成多层神经网络的算法及其在编码中的应用

本文提出了一种多层神经网络自动生成的新算法。对给定的问题,它能够在学习中动态生成一个多层网络,并确定网络的连接方式。通过采用模拟退火的方法,加快了学习的速度。该算法能随时按要求生成神经网络编、译码器,便于处理等长码和变长码问题,还能进行误码纠正,适合于保密通信的需要。     

基于神经网络算法的工程技术人员综合评价方法的应用研究

采用了BP神经网络的原理用于工程技术人员综合评价，建立了神经网络的综合评价模型，给出相应的算法，采用C 语言编程得以实现，并通过验证，得出合理的综合评价结果。     

混合遗传BP算法在图象识别中的应用

介绍了传统的遗传算法与BP算法,分析了它们各自的不足. 提出了一种将BP算法与遗传算法有机结合的混合智能计算方法,并且给出了具体的算法实现流程.将该方法应用于数字图象识别, 实验表明混合算法优于传统BP算法.     

混合遗传BP算法在图象识别中的应用

介绍了传统的遗传算法与BP算法,分析了它们各自的不足,提出了一种将BP算法与遗传算法有机结合的混合智能计算方法,并且给出了具体的算法实现流程。将该方法应用于数字图象识别,经过实验表明混合算法优于传统BP算法。     

遗传算法在BP神经网络学习中的应用

在遗传算法与BP神经网络结构模型相结合的基础上,设计了用遗传算法训练神经网络权重的新方法．     

MIMD机器上流水化BP算法的实现

神经网络训练过程中的高昂计算代价是有待克服的一个主要困难。作者把前馈多层神经网络的相继各层看做流水线的相继步骤，从而提出了一个在ＭＩＭＤ机器上实现的并行ＢＰ算法来提高误差反传递算法的效率。文章的最后，对ＢＰ算法的并行实现进行了分析，理论分析结果显示，多种神经网络结构都可有效地并行化。     

基于混合编码的遗传算法在神经网络优化中的应用

提出了一种结合浮点数编码与二进制编码的混合编码遗传算法,该算法在同一条染色体上同时使用浮点数编码与二进制编码,有机结合了两者的优点,并与BP算法结合用于优化神经网络的结构和系数,获得具有更好泛化能力的神经网络.仿真实验结果证实了这种混合编码遗传算法的有效性和优越性能.     

遗传算法在BP网络权值学习中的应用

针对BP算法学习神经网络权值收敛速度慢、易陷入局部最优等缺点 ,采用遗传算法学习BP网络的权值 ;并给出了“异或”(XOR)问题的仿真示例 ,通过比较 ,发现遗传算法不会陷入局部最优 ,有效地改善了收敛速度     

基于分层遗传算法的BP神经网络学习算法

针对BP算法局部搜索能力强,而分层遗传算法全局搜索优势突出的特点,结合二者优势构造了一种分层遗传算法与BP算法相结合的前馈神经网络学习算法．将分层遗传算法引入到前馈神经网络权值和阈值的早期训练中,再用BP算法对前期训练所得性能较优的网络权值、阈值进行二次训练得到最终结果．仿真结果表明,该混合学习算法能够较快地收敛到全局最优解,优于BP算法、分层遗传算法,具有一定的实用价值．     

基于遗传算法神经网络盲均衡算法的研究

将遗传算法引入神经网络盲均衡,利用其全局搜索能力强的特性来消除传统神经网络算法易陷入局部最优解、训练速度慢的缺点。采用两阶段寻优法,首先,通过遗传算法来为神经网络提供一个全局较优的局部搜索空间;其次,利用传统神经网络在这个局部空间进行更精确地搜索,最终实现盲均衡。计算机仿真表明,该算法能达到更好的收敛特性和均衡效果。     

基于遗传算法的神经网络分类器优化设计

依据神经网络分类器的设计原理，设计了一种有效的遗传算法，实验结果表明：算法优化后的神经网络分类器不但学习速度快，还能保证分类精度．     

基于遗传算法神经网络盲均衡算法的研究

将遗传算法引入神经网络盲均衡,利用其全局搜索能力强的特性来消除传统神经网络算法易陷入局部最优解、训练速度慢的缺点。采用两阶段寻优法,首先,通过遗传算法来为神经网络提供一个全局较优的局部搜索空间;其次,利用传统神经网络在这个局部空间进行更精确地搜索,最终实现盲均衡。计算机仿真表明,该算法能达到更好的收敛特性和均衡效果。