图像浮雕效果细胞神经网络模板的参数设计

基于细胞神经网络（cellular neural network,CNN）的最优边缘检测(optimal edge detector,OED)的研究,设计出一个3阶CNN算法模板的参数规则。规定CNN的反馈模板为0矩阵,阈值为0,控制模板为中心反对称矩阵,并且它的中心元素为0,其余8个元素中的一组（4个）元素绝对值的和不为0。仿真结果表明,使用5阶CNN算法、3阶CNN算法和拉普拉斯算法对同一幅图像进行处理时,平均耗时分别为0071 6,0038 5,0029 7 s,3阶CNN浮雕处理算法的耗时几乎与拉普拉斯算法的相等,但视觉效果显著优于5阶CNN算法和拉普拉斯算法。表明3阶CNN浮雕处理算法可以快速、有效地实现对图像的浮雕效果处理,所设计的3阶CNN算法模板的参数规则是合理有效的。     

一种基于遗传算法的模糊神经网络控制器的设计

提出了一种基于遗传算法的模糊神经网络控制器的设计.该设计通过改进的遗传算法实现了控制规则和隶属函数的优化.算法中引入了优良模式自学习算子,改善了遗传算法的性能.通过对典型的非线性对象CSTR控制,仿真结果表明该方法是有效的.     

一种基于遗传算法的模糊神经网络结构和参数优化

提出一种基于遗传算法的三阶段优化策略。在给定初始参数基础上,利用基于十进制编码的遗传算法实现模糊神经网络的结构优化,用基于二进制编码的遗传算法实现模糊神经网络的参数优化。仿真结果表明上述优化策略是有效的。     

一种可用于储层参数预测的基于神经网络的遗传算法

储层物性参数的展布一直是油藏描述的关键问题和难点。在遗传算法与神经网络结构模型相结合的基础上,设计了一种用遗传算法训练神经网络权值的方法,并把这种方法用于储层参数的预测。实验表明该神经网络具有较强的预测能力和实用性。     

遗传算法设计神经网络的一种新方法

提出了一种基于平均风险误差准则的遗传算法优化设计前向神经网络的方法,遗传算法的适应度函数并不采用基于传统的最小均方误差准则,而是由最小平均风险误差准则所决定.这种方法在计算神经网络输出与期望输出之间误差的同时,还要考虑神经网络对每一类训练样本产生的这种误差所引起的风险损失.这种方法优化得到的神经网络不但可以准确地再现训练样本集合的期望输出,对训练样本集合外样本的预测能力也有明显的提高.     

一种基于遗传算法的BP神经网络算法及其应用

主要分析了神经网络和遗传算法的特点和存在的一些缺陷，研究了遗传算法和BP神经网络学习算法相结合的相关技术，设计并实现了一个基于遗传算法的BP神经网络算法BP—GA，已应用于肺癌早期细胞病理诊断系统中。实验结果表明，该算法具有较强的收敛性和鲁棒性，其应用效果很好。     

基于遗传算法的RBF神经网络设计

采用了遗传算法自动构造ＲＢＦ网络,把网络结构的形式作为一个子集选择问题来解决,并提出了新的遗传操作算子来改进遗传算法,加快了收敛速度,提出了算法的实用性,文中介绍了遗传算法的结构与优化原理,并给出了ＲＢＦ网络结构的生成方法,用仿真结果证明了本算法的可行性。     

基于遗传算法优化的神经网络PID控制器

对于参数可变的时变系统和非线性复杂系统,常规PID控制器不能获得理想的控制效果,针对复杂非线性对象的神经网络PID控制不失为1种有效的控制策略．根据神经网络初始权值的选取影响控制器性能的特点,提出了基于遗传算法优化参数的神经网络PID控制器,实现了基于实数编码的GA参数优化．仿真结果证明了该算法的有效性。     

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。     

一种基于CMAC神经网络及遗传算法的温度控制器

温度控制在大工业生产过程中具有重要作用,但是目前一些常规控制器往往存在着超调量大,滞后时间长等缺点。针对这些缺点,提出一种新型的智能温度控制器。该控制器充分利用了CMAC神经网络学习速度快和遗传算法能快速跳出局部最优的特点。仿真结果表明新型控制器具有稳定性好、控制准确、学习速度快等特点。     

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．     

一种基于遗传算法和LM算法的混合学习算法

针对遗传算法与神经网络结合方式中存在的早熟收敛、泛化能力弱等问题, 提出一种交替使用遗传算法和Levenberg Marquardt算法优化神经网络的混合学习算法（GALM算法）. 该算法先通过遗传算法粗调得到一组全局最优近似解, 再以该近似解为初值, 交替使用遗传算法和LM算法优化神经网络训练, 直至发现满意的网络参数. 实验结果表明, 新算法提高了网络的学习能力和收敛速度.     

用于前馈神经网络的遗传设计

在人工神经网络应用中,由于存在网络规模和拓扑结构难以预先确定,网络学习速度慢,且易于收敛到局部最优点等问题,有关文献提出了采用基于遗传算法（ＧＡｓ） 思想进行设计和学习的方法,该方法能够同时确定网络的结构及有关参数。该文在此基础上,对此方法进行了改进,改进之处在于,采用浮点数矩阵来表示编码,同时对于遗传算法的进化过程也进行了一定的改进,使该方法能够接受一定的约束条件。针对前馈型神经网络,该方法在满足一定约束条件的情况下,能同时有效地寻找到合适的网络结构和相应的参数（ 神经网络的权值和阈值） , 新方法较原方法在精度和速度上都有较大的提高。     

基于遗传算法的最优模糊控制器设计

模糊控制规则集是模糊控制系统的核心部分,对控制的快速性和精度有很大影响,采用改进的ＧＡ算法优化ＢＰ网络,加快了ＢＰ网络的收敛速度,也避免了ＢＰ网络易于陷于局部极小的麻烦。用优化的ＢＰ网络生成规则集,经过优化的ＢＰ网络隐层神经元数减少,即优化了规则库,从而提高系统的精度,降低了对ＢＰ网络系统误差的精度要求。     

一类用神经网络实现图像去噪的新方法

提出了一类基于二维细胞自动机(CA)和细胞神经网络(CNN)的图像滤波新方法。通过对两种新的二维CA规则的深入研究，得出了两类CA演化规则能够用于设计新的细胞神经网络，可以实现灰度图像的噪声消除。核心思想是用两个对偶CA规则设计两个CNN网络，联合实现图像滤波处理，能够获得比传统算法好得多的处理速度和效果。仿真结果证明本文的想法是合理的，期望能够在二维CA研究与应用设计方面有所启发和突破。     

基于遗传算法的神经网络结构优化

介绍了遗传算法的基本原理,然后利用遗传算法优化神经网络结构,形成以遗传算法与神经网络相结合的进化神经网络.经验证可知,该算法具有一定的可行性与有效性.     

基于神经网络和遗传算法的无功优化设计

无功优化是一个复杂的混合优化问题,传统方法较难获得全局最优解.文中提出了将并行遗传算法和Hopfield网络相结合的算法.该方法利用遗传算法的并行搜索和解空间搜索的优点进行网络参数的选取,并采用Hopfield网络简单、快速、规范的优点来优化样本空间,以取得整体的优化效率.     

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．