基于遗传算法的小波神经网络研究及应用

目的 为改进小波神经网络算法的缺陷.方法 当网络的输出层节点的输出值与1之差或输出层节点输出值小于等于设定的阚值,使用变系数法调整输出层的误差,然后再利用遗传算法优化小波网络的参数.结果 在齿轮箱故障诊断中,变系数法有效地防止了误差无法逆向传播下去,使网络失去学习能力.然而,通过遗传算法的全局优化搜索能力得到网络的最优参数,从而避免了网络陷入局部最小.结论 提出的基于遗传算法的小波神经网络即提高网络的诊断精度,又加快了其收敛速度.     

基于小波神经网络的非线性动态系统辨识

采用一种新型小波神经网络对非线性动态系统进行辨识,并给出了网络的参数训练方法。从信息熵的概念出发,改进了网络参数训练的目标函数,并利用引入动量项的最速下降法训练网络权值、尺度因子和平移因子。仿真实验表明,该小波神经网络用于非线性动态函数逼近时优于同等规模的BP网络。     

基于改进量子遗传算法的小波神经网络优化及其软测量应用

针对简单量子遗传算法在优化高维问题寻优速度慢、收敛率低的缺陷,提出一种改进的量子遗传算法,通过搜索各种群中最优染色体组成当前最优个体,并依此个体来确定量子门的全局最优搜索方向.将改进算法用于优化小波神经网络,藉此建立了4-CBA浓度的软测量模型.仿真结果表明:与简单量子遗传算法相比,改进算法对复杂优化问题具有全局快速寻优性能.     

小波变换集遗传算法神经网络的径流预测建模

为获得更精确的径流预报结果,利用dmey小波变换对径流时间序列分解为高频信号和低频信号,再使用遗传算法优化的BP神经网络分别对其进行预测,最后利用dmey小波逆变进行重构,以此建立径流总量预测模型。通过对柳江径流总量进行实例分析,并与遗传算法优化的神经网络模型、BP神经网络模型及传统的时间序列分析方法对比,该方法获得更准确的预测结果。研究结果表明该模型能充分反映径流时间序列趋势,预报稳定性好,预报准确率高,为径流时间序列预测提供一个有效建模方法。     

基于GA的转速辨识器的设计及应用

研究了小波理论与神经网络的特点,并在此基础上设计了小波网络,用其建立了异步电动机直接转矩控制转速辨识模型,由于辨识器的在线调节能力,小波网络的输出能够跟随系统转速的各种变化情况.为了提高网络的收敛速度,本文采用了遗传算法(GA)与BP算法相结合的混合学习算法,用于网络的学习,训练.在控制系统模型中,用MATLAB软件进行仿真研究,取得了良好的控制效果,表明该算法收敛速度快,控制精度高,是一种有效的优化算.     

基于遗传小波神经网络的变压器故障诊断

电力变压器油中溶解气体的色谱分析是变压器故障诊断的重要方法,通过该方法可以间接了解变压器的运行状态和内部潜在故障.人工神经网络已经成功地应用于电力变压器故障诊断,但学习样本数多和输入输出关系复杂性减慢了网络的收敛速度.为解决此问题,将用遗传算法改进的小波神经网络应用于电力变压器故障诊断,克服小波算法易于陷入局部极小、收敛速度慢等缺点.     

变异蚁群神经网络及其对DTC转速的辨识

将变异机制引入基本蚁群算法中,然后利用这种变异蚁群算法去优化神经网络的权值,有效地解决了神经网络容易陷入极小点的缺点,同时又远比只采用单一的基本蚁群算法提高了收敛速度,从而得到一种时间效率和求解效率都比较好的启发式方法,即变异蚁群神经网络．通过对直接转矩控制中电机转速进行辨识的仿真实验,结果表明：这种变异蚁群神经网络兼具了神经网络和蚁群算法两方面的优点,不仅具有广泛的映射能力,还明显提高了运算效率,用变异蚁群神经网络构造的转速辨识器能够准确地跟踪电机转速的变化,使系统具有良好的动态性能．     

基于小波神经网络的非线性动态系统辨识

在小波神经网络的基础上提出了一种辨识非线性动态系统的方法．该方法有效地将系统辨识所需要的结构形式与多层神经网络及小波基函数所构成的分辨率信息处理过程相结合,建立了从数据到符号的自适应机制．仿真结果表明,该方法具有收敛速度快、逼近精度高、鲁棒性好等优点．     

基于灰色理论半主动悬架神经网络的遗传算法辨识

应用灰色理论建立半主动悬架神经网络模型 ,探讨了该控制器的设计方法 ,描述了灰色神经网络的遗传算法辨识的详细过程     

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。     

基于遗传算法的Hopfield神经网络集成

针对遗传法中存在的缺欠,根据神经网络和遗传算法原理在优势互补的条件下,提出了一种新的求解方法,即GA-Hopfield 网络方法;该方法就是利用 GA 很强的全局搜索能力来弥补 Hopfield 网络容易陷入局部最优的缺陷的优化方法,且对此模型进行了有效性验证,具有一定的理论研究和应用价值.     

基于WNN的双目摄像机标定方法

针对传统摄像机标定方法需要建立复杂的数学模型,且计算量大、实时性不好的问题,引入了人工神经网络来有效处理非线性映射问题,准确地建立起立体视觉中三维空间特征点与它在图像平面上像点之间的非线性关系;但现有的神经网络标定法仍存在实时性差、标定精度不够、泛化能力差的缺点,于是该文提出了一种基于小波神经网络（waveletneuralnetwork,WNN）的方法,同时用粒子群优化算法对学习算法进行改进,并对小波网络与BP网络的标定结果进行比较．实验结果表明,基于小波神经网络的双目视觉标定方法能够达到较高的实时性、标定精度和泛化能力的要求．     

基于遗传神经网络算法的海面风速反演新方法

针对海面运动的复杂性、海面电磁散射理论模型的局限性以及利用SAR图像反演海面风速存在的非线性现象,基于遗传神经网络的方法,以业务化的CMOD4模式函数数据为基础,采用Fletcher-Reeves算法的变梯度反向传播算法,建立一种SAR风速反演的新模型。试验结果表明,利用遗传神经网络方法反演海面风速是可行的,当随机误差小于10%时,模型的抗噪能力较强,风速反演的精度较为理想。比较不同风速下的反演结果可以发现,在中、小风速的情况下,模型的抗噪能力较强,模型学习拟合和预测检验的精度相对较高;在大风速的情况下,模型的反演能力有待于进一步提高。     

基于神经网络与模糊逻辑的直接转矩控制系统

实现直接转矩控制 (DTC)的关键部件是定子磁链观测器和逆变器状态开关选择器 ,用训练好的神经网络取代U I N模型 ,模拟传统异步电动机DTC系统定子磁链观测器 ;把模糊控制算法引入状态开关选择器 ,用较少的模糊规则实现磁链误差、转矩误差和磁链角对逆变器开关的分级控制 .仿真结果表明 ,基于神经网络与模糊逻辑控制方法建立的直接转矩控制系统 ,具有较强的鲁棒性和良好的动态性能     

小波神经网络在人脸识别中的应用

人脸识别是一个涉及生理学、心理学、图像处理、计算机视觉、模式识别和数学等多个学科的前沿课题。小波神经网络是在小波分析研究获得突破的基础上提出的一种前馈性网络,避免了BP网络等结构设计上的盲目性,网络训练过程从根本上避免了局部最优等非线性优化问题,有较强的函数学习能力和推广能力。基于小波神经网络,文中提出了一种新的人脸识别算法。该算法利用小波多分辨特性和神经网络的鲁棒性和记忆性,同时结合了加速网络收敛速度的小波神经网络步长调整算法。实验证明该算法有高的检测率和有效性。     

基于遗传算法的进化神经网络

提出了一种基于遗传算法的前馈神经网络的自动化设计方法 (genetic m ultilayer neural network,GMNN ) ,用以同时完成对网络结构空间和权值空间的搜索。该算法利用模拟退火算法、 BP算法和小生境技术来加快算法的收敛速度 ,改善解的性能。初步实验结果表明 ,该方法的收敛速度较快 ,由此得到的神经网络的泛化能力也较好 ,能够达到根据训练样本自动优化设计多层前馈式神经网络的目的。     

基于小波神经网络的掌纹识别

提出了一种基于小波神经网络的掌纹识别方法。首先对掌纹图像经过预处理得到掌纹的感兴趣区域(ROI),然后利用小波包分解的方法对该区域进行掌纹特征的提取,再利用RBF网络的容错能力和较快的收敛性对掌纹图像加以识别。针对香港理工大学掌纹数据库进行了实验,实验结果证明,本算法可以达到很好的识别效果,为掌握识别提供了一种新途径。     

基于小波神经网络的期权定价模型

Black-Scholes模型所要求的假设条件在真实的市场条件下往往不能满足.提出了一种新的应用小波神经网络进行预测的欧式期权定价模型.将期权按钱性进行分类, 以一种新的加权的隐含波动率作为神经网络的输入变量,通过小波神经网络模型、BP网络模型和Black-Scholes模型来预测香港恒指买权的价格.实证结果表明,将一种加权的隐含波动率作为输入变量的小波神经网络模型优于Black-Scholes模型和其他神经网络模型.因此该模型可以更有效地预测欧式期权价格.