改进的遗传和BP杂交算法及神经网络经济预警系统设计

分析了设计神经网络经济预警系统的一些关键问题,并提出了一种改进的遗传算法,在此基础上,介绍了一种基于这种改进遗传算法和ＢＰ算法的杂交算法神经网络经济预警系统     

基于HPSO算法和GA的舰载机甲板布放方法比较

以戴高乐航母为研究对象,基于不同优化算法,对其舰面舰载机布放问题的解决方法进行比较,以此作为解决其他类型航母同样问题的参考。首先,分析了解决舰载机舰面布放调度问题的先决条件,包括舰面战位的设置;各战位间距离的测量计算;舰载机正常的出动流程分析;舰载机出动时间计算公式的设计。其次,将舰载机舰面布放调度问题转换为带有约束条件的多目标函数求最小解问题,并给出了数学模型。再次,给出了利用改进的粒子群优化 (honeybee particle swarm optimization,HPSO)算法和遗传算法(genetic algorithm,GA)对问题求解的解决思路。最后,对两种算法50次独立运算的结果,分别从平均最短出动时间、平均最短移动距离、标准偏差以及算法的收敛性和精确性等方面进行比较。结果表明,HPSO算法较GA更适合于解决该布放问题。     

基于模糊推理的自适应BP算法

ＢＰ网络是迄今为止应用最广泛的一种神经网络，但这种算法也存在着收敛速度慢、容易陷入局部极小点等问题．本文在标准ＢＰ算法的基础上提出一种改进ＢＰ算法，称之为自适应ＢＰ算法．这种自适应ＢＰ算法采用模糊规则动态调整学习参数，并且能在学习过程中和学习完成后通过隐节点调整算法优化网络结构，有比标准ＢＰ算法更好的收敛性和更好的泛化能力     

基于优化BP算法的精馏塔预测模型

针对建立精馏塔严格动态机理模型的复杂性以及机理模型应用的诸多不便,提出了一种综合共轭梯度和自适应变步长的优化ＢＰ算法,并利用该优化ＢＰ算法建立了精馏塔的预测模型。仿真结果表明,该算法不仅收敛速度快,学习精度高,而且有效避免了常规ＢＰ算法的局部极小值问题。     

一种改进的BP算法

讨论了网络学习过程中的假饱和现象，并给出了克服方法，同时，也讨论了学习样本输入编排机理，给出了一种避免网络学习出现的局部极小的算法。通过实例验证此方法非常有效。     

一种基于文化粒子群算法的BP网络优化方法

BP网络良好的逼近特性和泛化能力使其在模式识别、智能控制和系统决策等领域有广泛应用。但网络训练过程中存在的收敛速度慢、容易陷入局部极值等局限性限制了进一步应用。提出一种新的智能优化算法-文化粒子群算法来对BP神经网络的权值和阈值同时进行优化。算法设置了群体空间和信念空间两类独立空间,群体空间采用自适应粒子群算法完成进化,信念空间通过更新函数来进行演化。两类空间的交互通过接受操作和影响操作利用同步式传输方式完成。以Iris分类问题的BP网络模型为仿真实例,对算法的正确性和有效性进行验证。仿真结果表明,改进算法具有较快的收敛速度。     

ANFIS网络在机载电子设备费用估算中的应用

阐述了自适应模糊推理系统 (AdaptiveNetwork -basedFuzzyInferenceSystem ,ANFIS)网络 ,提出了最小二乘法和误差反传算法相结合的混合学习算法。混合学习算法提高了网络参数的辨识速度和网络计算的收敛速度。应用ANFIS网络建立了整套机载电子设备费用估算模型 ,并对整套机载电子设备费用进行了估算。估算结果表明 ,同通常的费用估算方法相比 ,此模型具有更高的准确性 ,并具有应用泛化能力 ,为费用估算提供了一条新途径     

BP网络在防空导弹采购费用研究中的应用

首先介绍了费用估算的常用方法和人工神经网络的基本概念、原理 ,然后提出了一种基于BP(BackPropagation)神经网络的防空导弹采购费估算模型 ,并对典型的防空导弹采购费进行了估算。结果表明 ,该方法是有效的、可行的。     

一种可修正激励函数的BP算法

以往的ＢＰ算法调节神经元网络的权值，其网络的隐层结点数、网络学习快慢程度及网络的泛化能力都与网络的激励函数有关的。为此，本文提出了一种带可以修正激励函数的ＢＰ算法，其特点是它能更好地模拟人脑神经元的特性。通过仿真验证此方法是非常有效的。     

基于遗传算法的BP神经网络时间序列预测模型

神经网络能以任意精度逼近非线性函数 ,以神经网络为基础的时间序列预测模型能很好地反映非线性系统发展的趋势 ,但神经网络训练速度慢、易陷入局部极值。针对这种情况 ,用具有良好的全局搜索能力的遗传算法来改进神经网络时间序列预测模型 ,提出了一种将遗传算法和BP算法相结合的学习算法来训练BP神经网络 ,并将该神经网络时间序列预测模型应用于某时间序列的预测。     

多参数装备费用的支持向量机预测

支持向量机是一种采用结构风险最小化原则代替传统经验风险最小化原则的新型统计学习方法 ,具有完备的理论基础。首先应用支持向量机原理建立了基于支持向量机的多参数装备费用预测模型 ,然后采用模型对整套机载电子设备费用进行了预测。通过与多元线性回归和神经网络的预测结果对比 ,建立的新型装备费用预测模型具有更好的预测精度     

基于遗传算法的非线性参数估计器

提出非线性参数估计的遗传算法方法。遗传算法是一种基于自然选择和自然遗传学机理的全局搜索学习算法。文中介绍了遗传算法的基本原理和参数估计算法。仿真实例验证了该方法的良好特性。     

基于遗传算法的区域防空部署优化研究

对区域防空战斗部署进行了详细分析 ,建立了兵力优化分配的数学规划模型。为了获得部署问题的全局最优解 ,将遗传算法 (GA)用于区域防空部署优化研究中 ,并对传统遗传算法进行了改进 ,最后给出了模型求解的方法和步骤。经过应用实例的计算 ,该方法能够取得良好的部署效果 ,这表明该方法可为制定防空作战指挥自动化决策提供科学、有效的支持。     

基于GA的知识获取方法及在故障诊断中的应用

从优化角度出发,定义一个新的指标函数,并提出一种基于遗传算法的机器学习方法,该方法能够从学习实例中总结出有用的知识。针对该优化模型,用一种新型的遗传算法——带有染色体性别的遗传算法(GACD)对其进行优化,并将该方法应用于旋转机械故障诊断知识获取过程,仿真实验结果说明该方法是比较有效的。     

遗传算法和BP人工神经网络在税收预测中的应用

针对经典的BP人工神经网络所存在的缺陷,结合遗传算法,提出了基于实数编码的GA-BP神经网络税收预测模型。在结合递归预测方法的基础上,该模型取得了令人满意的结果。     

基于遗传算法的伺服系统摩擦参数辨识研究

LuGre摩擦模型能够精确描述摩擦环节的动态特性 ,但由于其高度非线性 ,使得参数辨识非常困难。针对LuGre摩擦模型 ,提出一种新型的基于遗传算法的模型参数两步辨识方法。首先通过Stribeck曲线 ,辨识出摩擦模型中的静态参数 ,然后由系统的稳态极限环振荡响应 ,辨识出摩擦模型的动态参数。在每一步辨识中 ,均采用遗传算法作为优化工具 ,从而避免了采用线性辩识方法时的局部极小问题。对提出的方法进行了数字仿真 ,并通过设计摩擦补偿环节 ,对辨识参数进行验证 ,结果表明了该方法的有效性。     

残差修正的弹箭系统研制费用估算模型研究

对弹箭系统研制费用的估算常采用多元线性回归方程法 (参数法 ) ,该方法要求有大量样本数据 ,并且估算精度较差。在新型弹箭系统的研制中 ,在样本数较少或有限的情况下 ,参数法研制费用估算模型给研制费用的估计带来一定的困难。为解决这一问题 ,提出了用n次累加残差模型对参数法研制费用估算模型进行修正的方法。通过实例计算表明 ,本方法用较少的样本可以得到较高的预测精度     

遗传——灾变算法及其在非线性控制系统中的应用

本文提出了遣传一灾变算法。在遗传算法的基础上，提出进一步模拟自然界中的灾变现象，以提高遗传算法的性能，尤其是解决重要的不成熟收敛问题。文中介绍了它的基本原理并将其应用于非线性控制系统的优化设计中。仿真实例验证了该算法的优良性能