基于遗传神经网络的纱线质量预测

针对基于单一BP神经网络的纱线质量预测模型的不足,提出了一种基于遗传算法优化的神经网络的纱线质量预测模型,采用遗传算法完成对神经网络权值和阈值空间的寻优搜索,以提高神经网络的收敛速度和获得全局最优解的能力.通过试验表明,基于遗传算法优化的神经网络可以提高纱线质量预测模型的精度和稳定性,其性能优于基于单一BP神经网络模型的纱线质量预测.     

基于遗传BP神经网络的非平稳时间序列预测

BP网是神经网络时间序列预测方法中最常用的网络。针对BP算法局部搜索能力强,而遗传算法全局搜索优势突出的特点,将二者结合构造遗传BP神经网络,用于非平稳时间序列预测。仿真结果表明,该混合算法不仅提高了学习效率,而且对太阳黑子数预测的准确性高于BP算法、传统统计学预测方法。     

基于遗传优化神经网络的铁路客运量预测研究

采用遗传优化的BP神经网络对铁路客运量的现有数据进行分析,克服了BP网络极易陷入局部解问题,做出合理的客运量预测.首先用遗传算法优化神经网络的连接权, 并在遗传进化过程中保留最优个体的方法,选择权值的最优解来建立遗传优化的BP 网络预测模型, 最后通过铁路客运量数据预测结果的对比仿真实验,表明了该方法的有效性.     

板材多道次渐进折弯成形回弹补偿的模具修正

金属板材多道次渐进折弯因回弹使成形后的工件形状与目标存在误差.文中借鉴单一道次冲压成形模具型面修正的思路,将模具型面的位移修正、平滑的位移修正以及成形传递函数法应用到多道次渐进折弯成形的模具修正,实现回弹补偿.实验结果表明,基于单一道次冲压的闭环成形传递函数法用于多道次渐进折弯模具修正可快速有效提高成形工件精度.     

基于遗传神经网络的股票价格预测

针对股票市场的复杂性,本文将遗传算法用于BP神经网络的训练过程,建立了相应的优化模型,并将其应用于股票价格的预测。采用遗传算法对网络结构和权值进行优化,提高了网络的预测精度。实践表明：该方法预测精度高、误差小,值得推广。     

基于遗传神经网络的产品价格预测方法

应用遗传神经网络方法，建立了工业产品预测的神经网络预测模型，并运用遗传算法对建立的神经网络模型的结构和推理参数进行优化，使预测结果更加准确，为工业项目的投资评估提供了一种更为合理的预测方法．     

遗传优化BP神经网络在槽况预测中的应用

针对目前国内对铝电解槽槽况诊断存在的的难度大、效率低等问题,设计了一种以槽电压信号为特征向量的诊断样本和BP神经网络模型.利用BP神经网络的自学习能力,对铝电解槽的槽况进行分析预测.同时本文利用遗传算法的最优搜索能力对BP神经网络的初始权值和阈值进行优化.通过MATLAB对状态预测算法进行编程.结果显示,对铝电解槽槽况的判断基本正确.     

基于Oyane准则的金属板材渐进成形破裂预测

针对渐进成形中的破裂缺陷,将Oyane准则引入数值模拟中,有效预测了渐进成形中金属板料的成形极限.首先,针对DC56D+Z钢板,基于获取的Oyane准则材料参数,通过试验与数值模拟确定了破裂积分值I=4为破裂的临界条件.然后,基于响应面法建立了工艺参数与I积分值之间的非线性模型,且通过方差分析验证了该模型的有效性.研究得出:该数值模型可以有效预测最大破裂积分I值,I值随着成形角α、层间距Δz和工具头直径d的增大而增大,3个工艺参数的影响作用逐渐减弱,且αΔz、αd两种组合的交互作用影响较大.     

热压罐时效成形2124铝合金的弯曲回弹预测研究

在分析了时效成形的成形原理和特点的基础上,提出了通过等效变形的方法。从单向拉伸时效成形（应力松弛）实验入手,建立了由拉伸应力松弛试验和壁板弯曲应力松弛试验之间的定量关系,利用上述关系预测了给定曲率的壁板经过时效成形后的外形,给出的算例,证明该算法的有效性。     

高边坡施工期变形预测遗传神经网络模型

基于BP网络存在的不足,将遗传算法引入到BP网络模型中,建立了高边坡施工期相邻层开挖暂停阶段变形预测遗传神经网络模型,对边坡时效变形进行预测,并对预测的结果进行检验,结果表明模型取得较好的预测效果,可供类似工程参考使用.     

自组织特征映射神经网络在薄板冲压中的应用

从影响薄板冲压成形结果因素和有限元网格法出发,研究了基于神经网络预测毛坯尺寸模型的方法.选取模具参数和工艺参数等作为影响冲压成形结果的因素,用正交表和随机法产生径向基函数神经网络的学习样本;利用自组织神经网络对样本进行分类,用有限元网格法反算的毛坯的长度作为神经网络的输出;设计了神经网络流程,定义了神经网络输出与有限元分析数据的相对误差.通过仿真试验证明,提出的预测毛坯尺寸模型的方法是有效的.     

基于改进BP神经网络的镁还原率预报研究

介绍了BP神经网络和遗传算法的原理及特点,简述了皮江法炼镁工艺流程。为了研究各工艺参数与镁还原率之间的关系,针对标准BP神经网络存在的收敛速率慢、易陷入局部极小值等缺陷,建立了以煅白活性度、配硅比、制球压力、还原时间、还原温度、真空度为输入,镁还原率为输出的基于遗传算法优化的BP神经网络镁还原率预报模型。利用筛选后的生产数据对模型进行训练和预测,结果显示该预报模型能够较为精确地预报镁还原率,预测误差在±1.0%范围内的命中率达96%,最大误差小于1.3%,一定程度上可用于指导皮江法炼镁工艺中工艺参数的选择。     

采用BP-GA算法的一种LSI神经网络的电路设计

将误差反传 (BP)算法和遗传算法 (GA)有机地结合在一起 ,提出了一种新的算法 BP- GA。采用 BP- GA算法 ,设计了一个两层前向 L SI神经网络。作为神经网络的关键部件 ,提出的新型神经元性能优越。它的激活函数与理想sigmoid函数拟合很好 ;可实现对阈值及增益因子的编程并且不同增益因子下饱和输出电压值相同。采用标准 1.2 μmCMOS工艺的模型参数 ,对该两层前向神经网络电路进行的HSPICE模拟证明了它有解决异或 (XOR)问题的能力     

板料回弹控制的成形工艺面多目标优化

针对高强度板成形后回弹大的问题,以工件回弹前后对应节点的位移偏差和等效塑性应变裕度最小化为目标,以板料最大增厚率和最小减薄率为约束条件,建立基于车身侧外板回弹控制的工艺面多目标优化模型.采用实验设计(DOE)和径向基函数(RBF)神经网络方法建立优化代理模型,对均匀实验设计方案进行改进以提高优化精度,并与未改进的RBF神经网络和响应面(RSM)代理模型的优化结果进行对比分析.结果表明,建立的多目标优化模型是合理的,改进RBF神经网络代理模型的优化精度较高,在所抽取的满意解中,回弹和等效塑性应变裕度目标函数的相对误差分别为15.9%和2.2%.与实验设计中回弹量最大的样本方案相比,优化后车身侧外板回弹量减少5.149 2 mm.     

河道水量还原计算中的遗传BP人工神经网络方法

将遗传算法GA及人工神经网络BP算法结合起来运用于河道水量的还原计算.结果表明:基于GA BP的河道水量还原优化算法能够克服BP算法自身不可优化的弊病,较好地改善网络全局寻优能力,提高网络速度,防止网络陷入局部最小值.同时该算法较确切地反映出河道水量还原计算中河道水量形成非线性这一本质现象,提高了河道水量还原计算结果的精度.     

遗传算法优化BP神经网络的泊车位数量预测

为了提高停车场空余泊车位短时预测的精度,利用遗传算法优化BP(back propagation)神经网络的权值和阈值,建立了基于GABP(genetic algorithm back propagation)神经网络的有效泊车位数量的预测模型,并对该预测模型进行训练,最终得到最优解。实验结果表明,该方法对泊车位数量预测具有更高的预测精度,且非线性拟合能力显著。     

基于遗传神经网络的混合气体识别研究

针对误差反向传播(BP)算法和遗传算法各自的优点和不足,提出了遗传算法优化神经网络技术:利用遗传算法的全局搜索能力,对神经网络连接权进行优化,以遗传算法优化的初值作为BP神经网络的初始权值,再用BP算法训练网络.优化后的BP网络其误差的递减速度和收敛速度都比标准BP网络快,而且对学习速率调整要求更少.将遗传神经网络应用于混合气体定量识别的训练中,得到的最大误差由20.7 %降为12.1 %,平均误差从5.4 %降为3.5 %,识别效果得到了提高.     

基于遗传算法径向基神经网络的交通流预测

为提高径向基（RBF）神经网络预测模型对交通流预测的准确性,提出了一种基于遗传算法优化径向基神经网络的交通流预测方法。利用遗传算法优化径向基神经网络的权值和阈值,然后训练RBF神经网络预测模型以求得最优解,并将该预测方法与RBF神经网络和BP神经网络的预测结果进行对比。仿真结果表明,该方法对交通流具有较好的非线性拟合能力,预测精度高于径向基神经网络和BP神经网络。     

基于遗传算法的神经网络学习算法研究

为了克服神经网络结构和参数设计的随机性及依赖于人的经验的缺点,提出了一种改进的基于遗传算法的BP神经网络学习算法。该算法结合了神经网络的快速并行性和遗传算法的全局搜索性,首先利用遗传算法对神经网络结构、初始连接权和阈值以及学习率和动量因子进行全面进化设计,在解空间中定位出较好的搜索空间,然后在进化神经网络中用训练样本再次寻优。通过利用该算法对XOR问题求解,证明了该算法的有效性,其收敛速度和精度均优于基本BP算法和附加动量项的BP算法。