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.     

基于粒子群优化的高维小波神经网络及其应用

本文提出一种粒子群优化小波神经网络的新方法.先采用基于梯度下降的误差反传算法调整小波神经网络参数,再使用粒子群算法修正,从而建立了粒子群优化的高维小波神经网络,并将该方法用于构建热连轧产品质量模型.仿真结果表明,此模型提高了预测精度和收敛速度.     

一种基于优化小波神经网络的语音识别

在以往的BP小波神经网络中,最常用的学习算法是BP算法,BP算法实质上就是梯度下降法,是一种局部搜索算法,梯度下降法使得网络极易陷入局部最小值,从而使得网络训练结果不尽人意,搜索成功概率低.取代传统的梯度下降法,利用粒子群算法对小波神经网络中的参数进行优化.然后利用基于粒子群优化(PSO)的小波神经网络进行抗噪声语音识别实验,仿真结果表明,与BP网络相比,PSO算法在迭代次数、函数逼近误差、网络性能方面均优于BP网络,系统的识别率也得到较大的提高.     

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.     

基于RBF神经网络的PID整定

针对非线性系统,采用了基于径向基函数（RBF）神经网络的PID整定,用遗传算法优化RBF神经网络,仿真结果表明,基于遗传算法优化的RBF神经网络PID整定收敛速度快,整定效果优于基于梯度下降法优化的RBF神经网络PID整定。     

改进小波神经网络的C4ISR安全态势预测方法

提出了一种基于改进小波神经网络优化参数的指挥信息系统安全态势预测方法.该方法通过改进的小生境遗传算法构建了基于小波神经网络优化参数的网络安全状况预测模型,利用自适应遗传算法对小波神经网络参数进行调优,增强其搜索能力.同时,为解决自适应遗传算法容易陷入局部最优且收敛速度慢的问题,提出利用小生境技术和模糊聚类技术来处理.仿真实验结果表明,与传统算法相比,所提算法具有更快的收敛速度和更好的预测精度.     

基于遗传小波神经网络的电梯故障诊断分析

利用小波分析具有能量分布特征提取的特性和遗传算法优化BP算法的能力,提出了一种基于遗传算法、小波与神经网络的电梯故障诊断方法,并应用电梯故障数据作为实例进行了验证.遗传算法小波神经网络模型诊断速度快、鲁棒性好、故障诊断正确率高.     

用于脑电数据压缩的改进的BP小波神经网络

用一种改进的BP小波神经网络对脑电图(EEG)数据信号进行压缩．对小波神经网络采用最速梯度下降法优化网络参数，并对学习率采用自适应学习速率方法自动调节．利用小波神经网络的函数逼近特性，对脑电随机信号进行逼近，最终压缩比可达15以上．实验结果显示，小波神经网络在大量压缩数据的同时，能较好地恢复原有信号。     

基于遗传算法的WANN的汽车发动机故障诊断分析

利用基于遗传算法的全局优化能力,小波分析具有数据压缩和特征提取的特性,神经网络具有非线性映射和学习推理的优点.结合三者的特点,提出了一种基于遗传算法、小波与神经网络的汽车发动机故障诊断方法,应用汽车发动机的故障数据作为实例验证,GA-WANN模型诊断速度快,鲁棒性好,故障诊断正确率高.     

改进的小波神经网络模型及应用

为改善应用于变参数振动钻削加工过程的仿真和参数优化的小波神经网络的逼近能力和泛化能力,提出一种小波神经网络结构和基于局部学习策略的共轭梯度(LCG:Local Conjugate Gradient)算法,并利用灰色关联分析法对改进网络模型中的3个输入权值进行选取,对网络权值、小波函数的平移因子和伸缩因子的初始值选取给出了原则.通过实验表明,该模型改善了网络性能和仿真效果.     

基于遗传算法的小波神经网络DTC转速辨识

由于直接转矩控制（DTC）系统的参数难以建立精确的数学模型,提出了基于遗传算法（GA）的小波神经网络（WNN）DTC系统参数辨识方法。利用GA能够搜索全局最优解且不受搜索空间的限制,再加上小波神经网络表现的良好的时频局部化特性,以及多尺度的功能,通过遗传算法对WNN的权值、伸缩因子和位移因子进行优化,实现低速运行时对转速变化的精确控制,改善了DTC系统的转速动态特性。仿真实验结果表明：该方法能提高DTC系统参数的辨识精度,基于GA的WNN具有良好的辨识效果。     

结合遗传算法和阻尼牛顿算法的小波神经网络入侵检测

小波神经网络结合了小波变换和神经网络的优点,具有很强的非线性映射能力和自适应、自学习能力,特别适合于入侵检测系统.但小波神经网络的也有易于陷入局部极小值、收敛速度慢的弱点.对此,本文引入遗传算法来优化产生小波神经网络的初始权值与阈值等,确定一个较好的搜索空间,从而克服小波神经网络易于陷入局部极小值的缺点;同时引入了阻尼牛顿算法,在遗传算法所确定了的搜索空间中对网络进行快速训练,解决传统小波神经网络收敛速度慢的问题,两者构成阻尼牛顿-遗传-小波神经网络.仿真结果表明该方法可行,使神经网络的逼近能力和泛化能力得到了显著提高.     

改进萤火虫算法与小波神经网络相结合的变压器故障诊断

为了解决变压器故障诊断中诊断效率低的问题,本文对萤火虫算法(FA)进行了改进,并与小波神经网络(WNN)相结合应用于变压器故障诊断中。小波神经网络结构简单,预测精度高,收敛速度快,但是网络参数不好选择,易陷入局部最优。本文结合混沌算法、粒子群算法、可变步长的思想来改进萤火虫算法,用于优化小波神经网络的参数,再将处理后的数据带入神经网络中进行训练与诊断。实验结果表明,该算法与BP神经网络、支持向量机、小波神经网络、遗传算法改进的小波神经网络和粒子群算法改进的小波神经网络相比诊断正确率均有所提高。     

基于小波网络的永磁无刷直流电机无位置传感器控制

通过对永磁无刷直流电机的无位置传感器检测原理和小波网络特性的分析，提出了基于小波神经网络的永磁无刷直流电机无位置传感器控制新方法．该方法构建小波网络模型，采用梯度下降法对网络进行训练．网络训练分为离线训练和在线训练，由离线训练初步确定网络隐层节点的小波平移因子、尺度因子及网络输出层权值．以滤波和逻辑处理后的网络输出信号为教师对网络输出层连接权进行在线调整．从而由电机的相电流、端电压映射出电机的换相信号，取代了传统的位置传感器．最后仿真及实验结果表明，该方法能得到准确的永磁无刷直流电机的换相信号．     

基于QPSO小波神经网络的网络异常检测

为了提高网络异常检测中,对异常状态的检测率,降低对正常状态的误判率,提出一种基于量子粒子群优化算法训练小波神经网络进行网络异常检测的新方法.利用量子粒子群优化算法(QPSO)训练小波神经网络,将小波神经网络(WNN)中的参数组合作为优化算法中的一个粒子,在全局空间中搜索具有最优适应值的参数向量.实验数据采用KDD CUP99数据集,实验结果表明:该学习算法与传统的梯度下降法(GD)和粒子群算法(PSO)相比,收敛速度快,具有更好的全局收敛性,提高了异常检测的准确性,同时该方法对于新的异常也有较高检测率.     

基于小波神经网络的输电线路故障检测

在分析了小波函数时频特性和人工神经网络学习能力和算法鲁棒性的基础上，提出了一个利用小波神经网络检测电力系统输电线路故障的方法。理论分析和基于EMTP仿真测试结果表明，该小波神经网络故障检测模型和算法是有效的，与传统的人工神经网络相比，具有收敛速度快，鲁棒性强的特点。     

非线性回归分析的PSO小波网络方法及应用

文章介绍了粒子群算法(PSO)和小波神经网络的基本原理,把基于粒子群小波网络的混合算法应用到非线性回归问题中,并对算法解决非线性回归问题进行了实践分析,最后建立了测井响应值和物性参数孔隙度之间的回归模型.从仿真结果可以看出,本方法的回归值和岩心分析值符合较好,表明粒子群小波网络进行非线性回归分析是一种有效的数据回归方法.     

常用神经网络的操作模型与算法

给出前馈神经网络（ＦＮＮ），径向基神经网络（ＲＢＦＮＮ）和子波神经网络（ＷＮＮ）的操作模型。分别导出它的识别，逼近和学习方程，并给出它的识别，逼近和训练算法。计算机模拟表明用径向基函数神经网络和子波神经网络识别入射波具有很好的频率，入射角及相位识别特性     

基于GA-WNN和时空特性的交通数据融合

由于时间序列的交通数据重点关注断面交通流量变化,而空间序列的交通数据主要关注路网交通流分布;本文在综合考虑二者特性的前提下利用遗传算法的群体搜索技术及小波神经网络的较强学习能力,提出了基于遗传-小波神经网络（GA-WNN）的交通数据融合模型,使用MAE、MRE和MSE三个指标对交通数据序列进行优劣对比分析。经实例验证,考虑时空特性的交通数据其数据质量优于单一的时间序列和空间序列。     

锂离子动力电池荷电状态联合估计应用

为了进一步提高锂离子动力电池荷电状态(SOC)的估计精度问题,在分析了电池电压、温度、电流和放电电量对电池SOC值的影响后,提出了一种新颖的混沌萤火虫算法(chaos firefly algorithm,CAF)和小波神经网络(WNN)相结合的锂离子动力电池SOC联合估计方法,该方法首次利用于电池SOC值估计中,通过新颖的混沌萤火虫算法优化小波神经网络,加入动量项优化网络的权值和调整修正参数,提高了网络的学习效率和SOC估计精度。克服神经网络进化缓慢并且容易陷入局部最小的缺陷,通过仿真和电池实际工况下实验,结果表明与WNN算法相比,所提出的方法具有更高的预测精度,均方根误差小于2%,验证了这一算法的可行性和有效性。