改进的免疫遗传算法在优化问题中的应用

基于生物免疫系统原理,对人工免疫系统进行研究,提出了改进的免疫遗传算法.该算法的选择算子采用基于浓度和适应度的自适应式选择策略;引入免疫算子,抑制其优化过程中出现的退化现象.将改进的免疫遗传算法应用于TSP组合优化问题,仿真结果表明了该算法的有效性.     

基于免疫遗传算法的递归模糊神经网络

为了解决递归网络的梯度信息不易获取而传统遗传算法训练时间过长、易于早熟的问题,提出了一种用于辨识非线性动态系统的递归高木-关野模糊神经网络(T_RFNN:Takagi-Sugeno Recurrent Fuzzy Neural Network).T_RFNN是在高木-关野模糊模型的基础上加入了反馈层,利用免疫遗传算法对T_RFNN的参数进行训练和调整.该网络具有更少的网络参数、更快的收敛速度和更高的精度等特点,能够很好地完成动态非线性系统的映射.与高木-关野模糊神经网络相比,网络参数减少了45%,网络误差减少了65%,而网络的运行时间提高了近68%.T_RFNN仿真实验的辨识结果也表明,该网络在训练次数明显减少的情况下学习性能得到了显著改善.     

TSP的等价解及其对免疫遗传算法的干扰

以群论的观点考察货郎担问题(TSP)的等价解.指出在利用免疫遗传算法求解TSP问题时,采用平均信息量的方法计算亲和度是不合理的,并且传统的交叉算子存在缺陷.依据群论的观点,提出一种新方法计算亲和度,并提出两种新的交叉算子.     

遗传算法在前馈神经网络中的应用

比较了遗传算法和神经网络的特点，对于将遗传算法用于前馈神经网络的可能性进行了研究，并给出了应用实例；同时提出了一种构造变长染色体用于神经网络演化的方法，并描述了作用于变长染色体上的遗传操作机制。     

改进自适应遗传算法在BP神经网络学习中的应用

针对遗传算法容易产生局值的问题,提出一种新的自适应遗传算法,改进遗传算子,通过比较两代之间的适应度评估值,选取适合的交叉率和变异率,保证了优秀个体进入下一代,而且避免了种群中最大适应度值的个体的交叉率和变异率为0的情况.最后,将改进后的算法应用于库存控制模型,实验表明,改进后的自适应遗传算法能避免局值,提高网络的收敛速度,改善了网络的学习性能.     

基于遗传算法改进的卷积神经网络短时交通流预测

交通流预测对于减少拥堵、节能减排具有重要意义.基于卷积神经网络的预测方法普遍采用梯度下降法训练神经网络,缺点在于预测对网络初始参数敏感.本文采用遗传算法对卷积神经网络的网络参数进行确定从而对短时交通流进行预测.首先,根据交通流数据的特点,设计了适用于交通流预测的卷积神经网络结构;然后,确定卷积神经网络的卷积核与全连接层参数的解空间;随后,采用遗传算法对卷积神经网络参数在可行域中通过选择、交叉、变异三种遗传操作不断迭代搜索得到最优参数解.仿真结果表明,与梯度下降法训练的卷积神经网络相比,该方法拥有更高的预测精度.     

神经网络遗传算法在供热负荷预测中应用

针对BP算法收敛速度慢,存在易陷入局部极小值,不能有效地搜索到全局极小点等缺点.采用遗传算法优化神经网络权系值的方法,设计了神经网络供热负荷预测模型,并用实际数据进行了仿真检验,结果表明该模型不仅在一定程度上避免了学习中的局部极小问题、改进了网络性能、提高了学习的效率,而且对供热负荷预测具有较高的精度和可靠性.     

基于改进BP神经网络在开放式基金预测中的应用

结合开放式基金的特点,提出了一种新的基金收益与风险预测方法.模型采用C#.NET+SQL server2005实现,运用神经网络和遗传算法相结合等技术,加快了BP网络训练的时间,提高了网络全局收敛的效率,实验结果表明,该系统对基金收益与风险预测有良好的效果.     

基于遗传算法和改进Elman神经网络的股价预测

针对Elman神经网络在股价预测中存在网络结构的隐节点个数难以确定和网络训练极易陷入局部解的不足,以未来两天股票最高价作为预测对象,采用改进Elman神经网络结构.以辨识更高阶的动态系统;同时又利用遗传算法优化该神经网络的初始连接权和确定网络隐节点个数,从而解决上述网络在股价预测中的不足,并在遗传进化计算过程中采用保留最佳个体的策略,进行预测建模.结果表明这种模型对股价的预测精度较高,具有一定可行性.     

基于免疫遗传算法的超声电机模糊神经网络控制

针对超声电机参数的时变性、系统内在的非线性和系统的强耦合性等特点,提出基于免疫遗传算法的超声电机模糊神经网络速度控制策略．实验结果表明,与传统模糊神经网络速度控制相比,采用该方法的系统能较好地实现设定的超声电机速度参考模型的自适应跟踪,响应速度脉动小,具有控制灵活、适应性强、控制精度高、鲁棒性强等优点．     

模糊神经网络在车辆识别中的应用

为提高智能交通系统中汽车车型自动识别的正确率,采用了多传感器移动车辆识别系统的数据融合算法,即用模糊神经网络建立数据融合决策模型,用BP算法对网络进行学习和训练,提高系统的精度和智能化.仿真实验结果表明了算法的有效性.     

改进的椭球单元网络及其在故障诊断中的应用

针对椭球单元网络在应用中存在的一些问题，提出了改进措施。这些措施主要围绕改进网络的分类能力和表达能力、合理确定网络结构、避免错误泛化等。通过进行聚类初始化处理和引入有界椭球，改进了BP算法；通过在网络训练过程中引入“节点分裂”和“节点修剪”机制，使得训练后的网络结构更为合理，能适应实际问题的需要；工建议在聚类样本送入网络训练前，先进行PCA处理，以确定更为合理的椭球轴向和降低椭球维数，进一步达到缩短训练时间、增强泛化能力的目的。在CSTR故障诊断中的应用表明：改进的椭球单元网络（BPE）具有任意的非线性分界能力、描述紧邻非线性界面的能力和避免对未知故障类空间进行任意划分的能力。     

基于递推k-均值聚类算法的RBF神经网络及其在系统辨识中的应用

提出了一种基于ｋ－均值聚类算法的ＲＢＦ神经网络递推快速学习算法,并用此对动态非线性过程进行辩识。仿真结果表明了本文方法的可行性。     

一种基于人工神经网络的无线传感器网络定位算法

提出了一种基于人工神经网络(ANN)的无线传感器网络定位方法,RSSI的结果被用来作为人工神经网络的输入,采用遗传算法优化人工神经网络的结构.采用MATLAB进行仿真,模拟20 m×20 m室内静态网络环境下的8个已知位置节点.实验结果表明,该方法比传统方法的定位精度高、适应性强,效果较好.     

电力系统短期负荷预测的多神经网络Boosting集成模型

提出了一种改进的多神经网络集成自适应Boosting回归算法.算法中采用相对误差模型代替绝对误差模型,可以更接近于回归预测问题的要求,并在Boosting迭代过程中,在对训练集采样得到新的训练子集的同时,也对校验集采样得到新的校验子集,保证了两者的一致性.进而采用美国加州电力市场的实际数据,建立了由多个神经网络集成的电力系统短期负荷预测模型.预测结果表明,与传统的单网络预测模型相比,Boosting集成预测模型能显著提高模型输出的稳定性,增强网络结构及模型选择的可靠性,获得更高的预测精度.     

带有稳定学习算法的小波神经网络及应用

针对当系统存在未建模动态时,神经网络辨识易产生参数漂移和不稳定的问题,采用输入-状态稳定性(ISS,input-to-state stability)分析方法,获得小波神经网络权值矩阵和小波尺度参数的误差反传类时变学习算法,该算法不带有鲁棒修正即可以实现小波神经网络的鲁棒稳定性.仿真例子表明,此稳定学习算法优于一般的误差反传算法,并将带有稳定学习算法的小波神经网络用于污水处理过程出水水质COD(化学需氧量,chemical oxygen demand)的预测,获得了较好的效果.     

一种前馈网络的新型混合算法

提出了一种针对前馈神经网络的混合算法,该算法将最速下降法与共轭梯度法相结合,有效地改善了传统BP算法收敛速度慢、可能陷入局部极小等缺点。两个仿真结果表明,该算法是有效的。     

基于递归神经网络的多步预报方法

为了解决由多层前馈神经网络递推运算获得的多步预报存在的预报误差迭代累积问题 ,提出了基于局部递归神经网络的多步递归神经网络 (MSRN)模型 ,对时间序列进行了多步预报 .用模拟振动数据把MSRN模型用作单步和多步的预报能力 ,同经典的多层前馈神经网络进行了比较 ,并预报了天津石化总公司炼油厂大机组某测点振动的变化趋势 实践表明 ,用该方法进行多步预报误差小 ,并具有良好的预报能力 .