基于先验知识和神经网络的非线性建模与预测控制

神经网络模型是模拟非线性系统的有力工具，它的缺陷是难以利用已有的先验知识。利用通用学习网络的建模方法，提出了一种利用先验知识和神经网络建立非线性系统模型的方法，具有简化神经网络结构、减小计算量的优点。基于这种模型利用改进的遗传算法进行优化计算，从而实现了基于先验知识和神经网络的非线性建模和预测控制。对一个悬吊系统的仿真实验说明了该算法的有效性。     

基于神经网络的固体氧化物燃料电池电堆建模

针对现有的固体氧化物燃料电池(SOFC)模型过于复杂,难以满足工程上对SOFC系统实时控制设计的需要,提出了利用遗传算法(GA)优化径向基函数(RBF)神经网络实现对SOFC电堆建模。在建模过程中,利用遗传算法优化RBF神经网络的输出权值及高斯基函数的中心向量和基宽向量,采用优化后的参数作为网络初始值,然后利用梯度下降法对各参数进行调整。通过仿真对该建模的有效性和建模精度进行了检验。     

基于贝叶斯-神经网络的动态回归建模与预测

结合贝叶斯网络和神经网络，提出了一种建立数据驱动型的动态线性回归系统模型的方法。基于这种模型采用自然连接型的知识分布，形式化各种各样的信息，结合贝叶斯方法，执行贝叶斯网络的持续学习过程；采用指数寿命型的连接权值改进径向基神经网络，优化输入数据，提高计算速度；采用改进的遗传算法，实现神经网络的动态自适应。基于上述方法，实现了线性回归系统动态建模与实时预测。仿真试验说明该方法是有效性。     

基于遗传算法和径向基函数神经网络的转炉炼钢模型

针对转炉传统模型的弱点 ,本文在转炉建模过程中引入了遗传算法和径向基函数神经网络 ,由遗传算法辨识转炉过程的脱碳与升温模型 ,并利用径向基函数神经网络及时补偿辨识模型的误差。实际结果表明这一方法效果明显。     

混合递阶遗传算法优化小波神经网络的研究

在研究小波神经网络结构及其学习算法的基础上,提出了一种以混合递阶遗传算法优化小波神经网络的新方法,混合递阶遗传算法是递阶遗传算法和多元线性回归的结合。此方法可同时优化小波神经网络的结构及其参数,具有学习速度快,精度高的特点。并与传统的BP算法进行了对比,证明了本算法的有效性。     

一种基于遗传算法的小波神经网

网络的优化学习是人工神经研究中的一个重要问题.将遗传算法全局性优化搜索和小波分析的时-频局部性特点相结合,本文提出了一种基于遗传算法学习的小波神经网络--遗传算法小波神经网络(WNNGA).三位异或问题和双螺旋问题的实验结果证明,遗传算法小波神经网络不仅继承了小波分析良好的局部性及其神经网络的学习和推广能力,而且具有遗传算法全局快速寻优的特点,是多层前向神经网络学习的一种理想算法.     

过热器机理模型的遗传算法参数优化方法研究

针对过热器模型各参数存在的强耦合性,提出了基于遗传算法的机理模型参数优化方法。建立过热器数学模型,确定优化参数,应用遗传算法进行优化,直到模型精度达到要求。仿真研究表明,运用该方法建立的过热器模型达到预定精度要求;优化过程自动进行,缩短了建模和优化时间。这种方法具有通用性,简单易行,为火电厂仿真机数学建模和参数优化提供一种新的思路和方法。     

基于结构的神经网络优化结构参数的应用

介绍了基于结构的神经网络建模原理，提出了基于结构的神经网络结构参数优化方法。应用该方法建立了52SFZ-140-207B型液压缓冲器基于结构的神经网络模型，并对系统的关键结构参数进行了优化。通过优化，液压缓冲器的动态性能得到了改进。     

一种基于遗传算法的神经网络控制方法研究

给出一种采用遗传算法同时进行神经网络控制器的权值和结构优化设计的方法，并将该方法分别应用于球杆系统和连续搅拌反应釜系统的控制，仿真结果表明，用该方法得到的神经网络控制器具有结构简单、泛化能力强、控制效果良好的特点。     

一种新的RBF神经网络非线性动态系统建模方法

将遗传算法与正交优选法结合 ,用来训练径向基函数 ( RBF)神经网络 ,并对基函数宽度进行自动地调整 ,得到了一种训练 RBF神经网络的新方法 .将其应用于连续流体搅拌反应槽 ( CFSTR)生化反应器的建模中 ,得到了令人满意的结果 .该算法提高了径向基函数神经网络的泛化能力和鲁棒性 ,研究表明是一种有效的“黑箱”动态建模方法     

遗传算法在神经网络控制中的应用与实现

比较了遗传算法与神经网络的特点,并对将遗传算法用于前向神经网络的可能性进行了研究,同时阐明了遗传算法和神经网络结合的必要性,提出了一种融合遗传算法的神经网络控制方法,该方法采用多层前向神经网络作为遗传搜索表示方式的思维,以神经网络为基础,用遗传算法 习神经网络的权系数,即保留了遗传算法的强全局随机搜索能力,又具有神经网络的鲁棒性和自学习能力,将遗传算法和神经网络相结合,分析了遗传算法基本参数及神经网络结构、隐层和输出层节点非线性函的选择,设计了用遗传算法学习神经网络权系数的软件实现方法,成功地实现了机械手逆运动学求解问题及倒立摆的控制,仿真结果显示了遗传算法快速学习神经络权系数的学习效率与收敛精度,确保了快速达到全局收敛,克服了多层前向神经网络传统的BP学习算法精度低、收敛速度慢、容易陷入局部极小的缺陷,表明了该方法的可行性与有效性。     

利用人工神经网络技术确定零部件的维修策略

将遗传算法应用于人工神经网络模型,确定一零部件的维修策略,并结合实例进行了分析     

基于多物种进化遗传算法的神经网络进化设计方法

针对神经网络结构设计的问题与一般结构学习方法的不足，提出了多物种进化遗传算法(SEGA)，并以MLP为例给出了基于此算法的神经网络结构进化设计方法。该方法融合了遗传算法与神经网络，具有模型搜索空间广泛、算法适应性强的特点。仿真结果表明该方法是有效的。     

基于RBF网络的UCAV战术机动轨迹快速生成方法

针对无人作战飞机(unmanned combat aerial vehicle, UCAV)战术机动动作数学表征困难,机动生成的计算实时性要求高的主要问题,分析了战术机动轨迹建模的基本原理;提出了战术机动轨迹建模的基本思路;设计了基于UCAV运动动力学模型的机动轨迹最优控制方案;建立了基于遗传算法的飞行操控量求解策略。针对操控量求解的实时性问题,基于径向基核函数神经网络,提出了以适应度函数为预测和评判标准的机动飞行操控量快速求解方法,从而建立了初始状态、性能指标与机动飞行操控量的非线性映射模型,实现了机动轨迹的快速生成和机动曲线的精度控制,并通过仿真验证了该方法的有效性。     

塔式起重机的神经网络滑模防摆控制

针对塔式起重机存在的负载摆动, 分析塔式起重机的动力学模型, 提出了一种基于遗传算法的塔式起重机神经网络滑模防摆控制新方法. 利用RBF神经网络输出逼近系统的不确定项, 并运用遗传算法优化滑模控制器的参数, 使得参数的收敛速度加快. 该方法削弱了滑模控制系统的高频抖振, 提高了系统的控制性能, 改善了系统的控制品质. 仿真结果表明方法的有效性和可行性.     

求解TSP问题的最近邻域与插入混合算法

研究了求解旅行商问题(TSP)的构建型启发式算法中的最近邻域算法和插入算法的特点, 集最近邻域算法求解速度快、插入算法求解质量高的优点, 提出了一种最近邻域与插入混合算法. 分析了混合算法的合理性、复杂度及参数取值, 并分别采用以上三种算法求解了TSPLIB标准库中多个算例, 结果表明混合算法的求解速度接近最近邻域算法, 对城市数量小于1000的小规模TSP问题的求解质量与插入算法相当, 而对大规模TSP问题的求解质量明显优于插入算法.     

前向神经网络学习速率的自适应算法

学习速率是控制神经网络学习过程的一个重要参数,影响神经网络的稳定性和快速性。提出了一种能够满足实时性要求的神经网络学习速率的自适应算法,并证明了在该学习速率下,神经网络的学习过程是Lyapunov意义稳定的。该方法通过为神经网络的输出增加一个输出修正量来补偿多个未知因素对学习误差的影响,从而构造使学习误差快速收敛到零的学习速率自适应算法。通过对神经网络在线逼近一个非线性对象的过程进行仿真,结果证明了该方法的有效性。     

解家纺企业生产计划问题的并行混合遗传算法

为解决家纺企业的实际车间批量生产计划问题，提出了一个基于自然编码的混合遗传算法。此算法具有如下特点：一方面编码方式能有效地反映调度方案；另一方面对每子代得到的调度方案利用爬山算法对其进行了局部调整，大大加快了收敛速度。同时为了更好地适应调度实时性和解大型企业此类问题的需要，基于遗传算法自然并行性特点的基础上，实现了主从式控制网络模式下并行混合遗传算法。计算结果表明，此算法是有效的，有着较高的并行性，并能适用于解大型此类企业车间批量生产计划问题，在实际应用中有着较广阔地应用前景。