一种基于改进的RBF神经网络的铁水脱硫预报模型

脱硫过程是炼钢生产中一个十分重要的环节。脱硫效果的好坏，直接关系到炼钢生产能否保质保量地进行，而这又取决于对脱硫过程的控制，其关键是脱硫剂的加入量。因而必须建立脱硫过程模型，实时和高精度地预报脱硫剂的加入量。而脱硫过程又是一个非常复杂的工艺过程，采用传统的方法建立的模型无法保证稳定和高精度的脱硫效果。笔者提出了一种基于改进的RBF神经网络的铁水脱硫预报模型及其具体设计方法，并在炼钢厂进行了实际投运。结果表明，该模型性能良好，这同时说明了设计方法的有效性和实用性。     

人工免疫的神经网络预报方法及其应用

针对RBF(radial basis function)神经网络在预测铁水含硅量中出现的预测精度低,收敛速度慢的问题,提出了一种基于免疫识别原理的径向基函数神经网络的学习算法.该算法利用人工免疫原理确定高斯基函数的中心和宽度参数,同时将所识别的数据作为抗原,抗体作为抗原的压缩映射并作为神经网络的隐层中心,利用递推最小二乘法(recursion least square, RLS)确定连接权值,提高了RBF神经网络的收敛速度和精度.应用该模型于某大型钢铁厂高炉铁水硅含量预报的实例中, 实验结果表明, 该模型具有更高的预测精度和更短的训练时间.     

考虑时滞因素的RBF神经网络模型在高炉铁水硅预报中的应用

在高炉炼铁生产过程中,铁水硅含量反映高炉炉温,预测和控制炉温对高炉生产的节能、降耗、顺行至关重要.基于包钢6号高炉生产数据,建立了RBF神经网络铁水硅含量预测模型.研究表明:考虑时滞因素的RBF神经网络模型,当误差范围＜±0.10时,预报准确率达到了85％,其准确度高于不考虑时滞因素的RBF神经网络模型,对在线预测高炉铁水硅含量具有实用价值.     

一种基于改进型RBF神经网络的非线性时间序列预测模型

RBF神经网络具有收敛速度缓慢、全局搜索能力差等缺点,提出了一种基于遗传算法的RBF神经网络,经过自适应遗传算子参数优化,提高了RBF神经网络模型的预测精度,实现了非线性时间序列的预测.仿真实验结果表明,基于遗传算法的RBF网络预测模型非常适合非线性时间序列的预测,是可行的、精准的、有效的.     

基于SA-GA算法RBF神经网络的TDOA/AOA定位算法

目的 为了克服最小二乘法在TDOA/AOA无线定位算法中的缺点,提高定位的精度和稳定性.方法 提出了基于RBF神经网络的TDOA/AOA定位算法.利用染色体长度可调编码方式的模拟退火遗传算法,同时训练RBF网络的参数和拓扑结构.将训练后的RBF网络用于TDOA/AOA定位.结果 与传统TDOA/AOA算法和基于k-均值聚类法、遗传算法RBF神经网络、GA-BP神经网络的定位算法比较,该算法具有更高的定位精度和可靠性.结论 基于模拟退火遗传算法RBF神经网络的TDOA/AOA定位算法有很强的抗NLOS能力.     

粒子群算法优化RBF-SVM沙尘暴预报模型参数

为提高沙尘暴的预报准确率,针对目前已出现的RBF—SVM沙尘暴预报模型中的参数优化进行研究．利用基本粒子群优化算法（SPSO算法）中粒子速度及其位置与RBF—SVM模型中参数对相对应,对沙尘暴进行预报,为解决SPSO算法易陷入局部解的缺陷,提出了惯性权值自适应调节的改进粒子群算法（WPSO算法）,并对沙尘暴RBF—SVM模型参数进行了优化．仿真结果表明,无论是SPSO算法,还是WPSO算法,在优化RBF—SVM沙尘暴预报模型参数方面都表现出了良好的性能,分别比已有的SVM方法的预报准确率提高了22．3％和45．3％．     

基于智能蚂蚁算法的脱硫静态模型优化

为了自动寻找脱硫过程的规律和知识,对脱硫过程进行决策支持,采用RBF神经网络作为建模工具,针对建模过程中出现的RBF中心和宽度难以确定的难点,在分析蚂蚁算法机理的基础上,提出了使用智能蚂蚁算法对RBF神经网络模型的中心和宽度进行自适应选择,从而达到模型训练精度和范化能力的一个最优的平衡,进而提高模型的预报精度;在分析脱硫工艺原理的基础上,通过有效的数据预处理,最后进行仿真分析,其模型的预报精度好于传统脱硫静态模型,具有一定的实用性和推广价值。     

基于关系代数的遗传算法模型及其应用

运用选择、投影、广义笛卡尔积等关系代数运算 ,给出了遗传算法的搜索空间及个体、遗传算子和搜索最优解过程等关系代数形式的描述 ,建立了遗传算法的关系代数模型 ,给出了遗传算法的数学解释 .然后 ,给出建立遗传算法关系代数模型的意义 ,说明了数据挖掘和知识发现应用于遗传算法的可行性 .最后 ,用该模型描述了 2个常见用遗传算法解决的问题 ,即TSP问题和交互式遗传算法中的服装设计问题 ,结果表明该模型的可行性 .     

基于优化遗传算法的灰色-RBF神经网络预测模型研究

根据灰色系统、RBF神经网络的模型及遗传算法原理,提出了一种基于灰色系统与改进的遗传算法RBF神经网络的系统预测模型,采用改进的遗传算法对该模型进行全局优化,最后用实验验证了模型的有效性,对比分析了单独使用GM(1,1)和RBF神经网络模型的预测结果.结果证明,优化后的预测模型的预测精度高于另外两种模型的预测结果.     

大坝服役性态安全监控的GA-RBF组合模型

RBF神经网络具有很强的非线性拟合能力,但是在搜索最优解的时候易在局部最优处停滞.遗传算法是模拟自然界生物繁衍进化的算法,具有高效的全局搜索能力.本文提出了一种新的大坝服役性态监控模型.我们用遗传算法优化选择RBF网络隐层节点的各类参数,诸如网络隐层的中心值、宽度和权值.这样既可以避免陷入局部最优又能加快收敛速度.本文将遗传优化的RBF神经网络模型应用于某混凝土双曲拱坝的位移监测资料分析.比较发现,该方法可以很好的对大坝服役性态进行预测,取得很高的预测精度.     

采用人群搜索算法的径向基函数神经网络参数整定方法

针对径向基函数(RBF)神经网络的逼近结构中,对权值、基宽和中心向量的初始值等参数的选取不当,导致系统的鲁棒性变差、收敛精度降低,甚至不再收敛的问题,提出一种基于人群搜索算法的RBF神经网络的参数整定方法.以基于遗传算法和基于粒子群算法的RBF神经网络参数整定方法为对比条件,采用MATLAB软件进行实验与分析.结果表明:应用人群搜索算法去优化RBF神经网络的初始参数,能有效地提升RBF神经网络的逼近精度,验证了该算法的可行性.     

基于遗传算法的模糊RBF神经网络设计及应用

提出了一种基于遗传算法的模糊RBF神经网络学习算法.采用遗传算法对模糊RBF神经网络需要调整的参数进行优化,再将遗传算法优化的各参数结果作为模糊RBF神经网络各个参数的初始值,并结合梯度下降法对网络的各参数进行动态调整.在对非线性函数逼近的仿真中,仿真结果验证了优化后的模糊RBF神经网络具有更高的精度及强鲁棒性.     

基于量子算法的MIMO-OFDM信号检测研究

信号的最优检测在常规条件下是-NP难解问题,针对RBF(径向基函数)神经网络算法易陷入局部极值和简单遗传算法收敛速度慢的问题,文中提出了新型的量子智能算法,并应用于MIMO-OFDM系统信号检测中:算法将遗传算法与神经网络相结合,用遗传算法优化神经网络初始值,在遗传算法优化神经网络时采用量子计算操作.由于QGA(量子遗...     

基于遗传优化算法的二维漏磁缺陷重构

信号逆问题，即从测量信号中恢复出缺陷轮廓及其参数，是漏磁无损评估中的一个重要课题。提出了一种基于遗传算法的逆算法，用于从漏磁信号中重构二维缺陷。在该算法中，径向基函数（RBF）神经网络用作前向模型，遗传算法用于求解逆问题中的优化问题，其优点是能够避免基于梯度下降法的迭代逆算法中可能遇到的局部最小问题，并能得到逆问题的全局最优解。实验结果验证了所提出的逆算法的有效性。     

一种新量子遗传算法及应用

基于量子位测量的二进制量子遗传算法,在用于连续问题优化时,由于频繁的解码运算,严重降低了优化效率。针对这一问题,提出了一种基于量子位相位编码的量子遗传算法。该方法直接采用量子位的相位对染色体进行编码,采用量子旋转门实现染色体上相位的更新,采用Pauli-Z门实现染色体的变异。在该方法中,由于优化过程统一在空间[0,2π]n进行,而与具体问题无关,因此,对不同尺度空间的优化问题具有良好的适应性。以函数极值优化为例,仿真结果表明该方法的搜索能力和优化效率明显优于普通量子遗传算法和标准遗传算法。     

免疫算法用于直线阵优化设计的研究

采用免疫算法对直线阵进行优化设计，在克隆选择原理基础上讨论了该算法应用于等间距直线阵优化的基本问题，对旁瓣特定约束条件的八阵元等间距直线阵进行了数值实验．结果表明，免疫算法能够成功地应用于等间距直线阵优化设计，同时优化结果要优于基本遗传算法。     

遗传算法(GA)在直齿轮设计中简单应用

遗传算法进行机械零件优化设计能准确、快速得出结论.利用matlab自带的强大的遗传算法功能,对典型的机械零件--直齿轮进行了优化设计.计算机模拟计算后结果较以往经验值有很大的改进,从而证明遗传算法在机械优化设计中具有很大的优越性.     

改进RBF神经网络在降水量预测中的应用

采用遗传算法对RBF网络的隐层节点中心值和宽度进行优化,用梯度下降法求出权值.将其应用于降水量预测中,取得较为满意的结果,证明该算法的有效性.     

基于遗传算法和神经网络的色谱重叠峰解析

提出了一个新的色谱重叠峰解析方法———基于遗传算法(GA)和EMG模型的径向基函数神经网络(EMG-RBFNN)的色谱重叠峰解析。为了使EMG-RBFNN具有结构重组能力,用于色谱重叠峰解析的EMG-RBFNN采用了遗传算法。遗传算法具有鲁棒性和全局优化能力,若种群过小,则陷于局部极值点的概率将增高,而EMG模型是一个低效模型,选用过大的种群,必然使解析过程加长。为了提高算法效率,文中提出先用高效色谱峰近似模型———标准高斯模型进行繁衍,而后再用EMG模型的快速算法。