遗传算法在神经网络权值优化中的应用

讨论了基于遗传算法的神经网络权值优化问题.并通过实验仿真将该算法与BP算法进行比校,从而验证了该算法的可行性与有效性.     

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。     

基于遗传算法的神经网络结构优化

介绍了遗传算法的基本原理,然后利用遗传算法优化神经网络结构,形成以遗传算法与神经网络相结合的进化神经网络.经验证可知,该算法具有一定的可行性与有效性.     

遗传算法和神经网络的结构优化策略

提出了基于遗传算法和神经网络的结构优化方法.在该方法中,将个体繁殖和群体进化局限于可行域空间.利用该方法求解了2个结构优化实例.     

应用遗传算法和神经网络预测粮食总产量

摘要:通过对我国二十个省市粮食总产量的调查,分析影响粮食总产量的主要因素（农业机械总动力,有效灌溉面积,化肥施用量,农业从业人员）建立GA-BP神经网络模型,获得粮食总产量数学模型。同时,对此模型进行检测。在模型处理的过程中,应用遗传算法优化BP神经网络模型权值和阈值,获得优化后的网络模型,经过比较得出GA-BP神经网络模型在速度和精度上都高于BP神经网络的粮食总产量预测模型。     

基于遗传算法的分布结构模糊神经网络

提出了一种用于模糊系统建模和分析的分布结构模糊神经网络,这种网络将所有输入变量的从属度与各输出变量的从属度通过分布结构独立对应起来,利用遗传算法得到网络的权与输入变量的从属函数最优化参数,最后给出计算机模拟结果。     

基于遗传算法和神经网络的远程减速机故障诊断系统的设计

通过对减速机故障形式的分析,采用BP神经网络建立故障诊断模型,利用遗传算法优化神经网络权值、阈值、网络结构,将遗传神经网络模型应用到远程减速机的故障诊断的设计中,比较单一的神经网络和遗传神经网络的训练误差曲线,得出遗传神经网络在训练速度和准确性上远远高于神经网络训练模型.     

基于遗传算法和神经网络的远程减速机故障诊断系统的设计

通过对减速机故障形式的分析,采用BP神经网络建立故障诊断模型,利用遗传算法优化神经网络权值、阈值、网络结构,将遗传神经网络模型应用到远程减速机的故障诊断的设计中,比较单一的神经网络和遗传神经网络的训练误差曲线,得出遗传神经网络在训练速度和准确性上远远高于神经网络训练模型。     

一种基于遗传算法的模糊神经网络结构和参数优化

提出一种基于遗传算法的三阶段优化策略。在给定初始参数基础上,利用基于十进制编码的遗传算法实现模糊神经网络的结构优化,用基于二进制编码的遗传算法实现模糊神经网络的参数优化。仿真结果表明上述优化策略是有效的。     

基于遗传算法优化的神经网络PID控制器

对于参数可变的时变系统和非线性复杂系统,常规PID控制器不能获得理想的控制效果,针对复杂非线性对象的神经网络PID控制不失为1种有效的控制策略．根据神经网络初始权值的选取影响控制器性能的特点,提出了基于遗传算法优化参数的神经网络PID控制器,实现了基于实数编码的GA参数优化．仿真结果证明了该算法的有效性。     

基于遗传算法的人工神经网络学习算法

为了克服和改进BP算法的不足，提出了一种基于遗传算法的神经网络学习算法，仿真结果表明，该算法具有无比的优越性，可避免BP算法易于陷入局部极小值，训练速度慢、误差函数必须可导、受网络结构的限制等缺陷。     

基于遗传算法的神经网络学习算法研究

为了克服神经网络结构和参数设计的随机性及依赖于人的经验的缺点,提出了一种改进的基于遗传算法的BP神经网络学习算法。该算法结合了神经网络的快速并行性和遗传算法的全局搜索性,首先利用遗传算法对神经网络结构、初始连接权和阈值以及学习率和动量因子进行全面进化设计,在解空间中定位出较好的搜索空间,然后在进化神经网络中用训练样本再次寻优。通过利用该算法对XOR问题求解,证明了该算法的有效性,其收敛速度和精度均优于基本BP算法和附加动量项的BP算法。     

遗传算法在BP网络权值学习中的应用

针对BP算法学习神经网络权值收敛速度慢、易陷入局部最优等缺点 ,采用遗传算法学习BP网络的权值 ;并给出了“异或”(XOR)问题的仿真示例 ,通过比较 ,发现遗传算法不会陷入局部最优 ,有效地改善了收敛速度     

改进型遗传神经网络在模式分类中的应用

为研究图像和语音的模式分类,提出一种采用可变长度串遗传算法(VGA)的进化神经网络.该算法可以全局搜索优化神经网络的结构,找到神经网络接近最优的连接权,再通过反向传播算法(BP),在该优化结构中找到最优连接权.对语音数据和SPOT图像数据的验证结果表明,在模式分类中,采用该算法的分类器(VGA-BP)的分类性能较贝叶斯(Bayes)分类器、最近邻规则(k-NN)分类器具有更高的分类精度.     

遗传算法改进神经网络的电力系统谐波检测法

提出了将遗传算法与神经网络结合起来用于电力系统谐波幅值与相位测量的方法。根据电力系统谐波的特点,构造了用于谐波检测的神经网络模型,阐述了网络训练样本的形成方法。借助Matlab提供的遗传算法与神经网络算法工具箱,先用遗传算法对前馈神经网络进行全局训练,再用BP(back-propagation)算法进行精确训练。仿真结果验证了该方法的有效性和可靠性。通过与传统BP算法测量谐波的方法相比较,该方法具有训练速度快,不易陷入局部极值,测量精度高的优点。最后用未训练的样本检测训练好的神经网络,验证了该网络同时也具有较好的泛化能力。     

基于遗传算法径向基神经网络的交通流预测

为提高径向基（RBF）神经网络预测模型对交通流预测的准确性,提出了一种基于遗传算法优化径向基神经网络的交通流预测方法。利用遗传算法优化径向基神经网络的权值和阈值,然后训练RBF神经网络预测模型以求得最优解,并将该预测方法与RBF神经网络和BP神经网络的预测结果进行对比。仿真结果表明,该方法对交通流具有较好的非线性拟合能力,预测精度高于径向基神经网络和BP神经网络。     

用混合遗传算法实现神经网络快速训练

快速神经网络训练算法的研究是人们所关注的问题之一。经过分析与研究 ,遗传算法是一种全局并行随机搜索优化算法 ,具有很强的全局搜索能力 ,而 BP算法的局部搜索能力较强。文章将两者结合起来 ,形成一种混合遗传算法 ,并就混合遗传算法的原理及其在实现时所涉及到的许多策略问题进行了分析比较 ,仿真结果表明它具有收敛速度快和不会陷入局部极小的特点。     

遗传算法优化的神经网络频谱预测模型训练

针对认知无线网络(CRN)中神经网络频谱预测模型原有的反向传播算法预测准确率不高的问题,提出一种遗传算法优化的神经网络频谱预测模型训练(GA-NN)算法。通过在选择、交叉、变异中加入随机性,使种群的个体收敛至包含全局最优解的集合内,再通过反向传播算法训练神经网络频谱预测模型(BPNN)快速搜索到全局最优解。仿真结果表明,GA-NN算法训练的神经网络频谱预测模型的预测准确率比BP-NN算法提高一倍以上,GA-NN算法在多种CRN中具有适用性。GA-NN算法提高了频谱预测模型的预测准确率,将促进频谱预测技术在CRN中的推广应用。     

基于粗糙集的改进BP神经网络算法研究

提出了一种基于粗糙集和遗传算法的改进BP神经网络算法.该算法首先对原始数据集进行属性约简,优化BP神经网络的输入变量;然后利用遗传算法全局搜索的特点,优化BP神经网络初始权重和阈值.将改进BP神经网络算法应用于客户分类,训练误差为5.92×10-12,测试总误差为0.00023;而改进前的一个比较理想的训练结果的训练误差为0.0016,测试总误差为0.073.Matlab仿真表明改进的BP神经网络算法有更好的训练精度和泛化能力.     

一种基于免疫遗传神经网络的盲信号分离方法

提出一种基于免疫遗传优化神经网络的盲信号分离算法。该算法用网络的第一层先对观测矢量作预处理，将其降维与白化，再用网络的第二层对信号进行分离：分离层的权矩阵设计成正交矩阵，并采用免疫遗传优化与独立分量分析相结合的算法，对网络分离层的权值进行训练，其中，取高阶统计量峭度的变形作为训练的代价函数。实验表明，该算法对于盲信号分离是有效的。