基于BP神经网络和遗传算法技术的边坡稳定性评价

本文将BP神经网络和遗传算法技术应用于边坡的稳定性评价,通过对标准BP算法进行改进,提出了用遗传算法优化神经网络的GA-BP算法,这样既发挥了神经网络的广泛映射能力和遗传算法的全局搜索能力,实现了两者的优势互补,也加快了网络的学习速度,综合提高了整个学习过程中的逼近能力和泛化能力。     

基于Gaussian型RBF神经网络的一元函数逼近性能研究

为了研究Gaussian型RBF神经网络对于一元非线性函数的逼近能力，编程建立了Gaussian型RBF神经网络和BP神经网络，并以正弦函数、指数函数、阶跃函数三种典型的一元非线性函数为例，分别用两种神经网络对其进行逼近．仿真结果表明，相对于传统BP神经网络而言，Gaussian型RBF神经网络对于一元非线性函数的逼近精度更高、收敛速度更快，具有良好的逼近能力，为解决一元非线性函数的逼近问题提供了良好的解决手段．     

模糊稳健优化设计中的神经网络技术

由于模糊稳健设计中的准则函数和约束函数是随机性可控因素与不可控因素的函数,其概率密度函数的表达式难以确定,故在优化设计中采用随机模拟方法.但采用遗传算法进行优化计算时,随机模拟消耗的机时很大,优化计算效率极低.为此,采用BP神经网络对模糊随机函数进行逼近,探讨了神经网络的构造与程序实现方法;用插装式溢流阀调压弹簧的模糊稳健优化设计问题进行了数值仿真与验证.实例表明,BP神经网络的仿真精度可以达到工程优化问题的要求,把遗传算法与神经网络技术相结合,可以有效地求解模糊稳健设计等复杂优化设计问题.     

小生境遗传算法优化的BP神经网络模型

针对传统BP神经网络模型收敛速度慢、易陷入局部极小点、网络结构不稳定等缺陷,提出一个小生境遗传算法优化的BP神经网络模型.该模型充分利用小生境遗传算法的搜索能力和BP神经网络的非线性映射和学习联想能力,通过小生境遗传算法的选择、交叉、变异及小生境淘汰等操作,优化BP神经网络的初始权值和阈值,并采用BP算法对网络进行训练,有效解决网络初值不合理的问题,提高网络收敛速度、稳定性.实验证明:与传统方法相比,该模型具有很强的可行性和有效性.     

采用NGA优化的新型BP神经网络模型及诊断应用

针对传统BP神经网络模型收敛速度慢、易陷入局部极小点、网络结构不稳定等缺陷,提出了一种小生境遗传算法优化的BP神经网络模型。该模型充分利用小生境遗传算法的搜索能力和BP神经网络的非线性映射和学习联想能力,通过小生境遗传算法的选择、交叉、变异及小生境淘汰等操作,优化BP神经网络的初始权值和阈值,并采用BP算法对网络进行训练。有效解决了网络初值不合理的问题,提高了网络收敛速度、稳定性。最后结合变压器故障诊断实例。在Matlab7.0平台上进行仿真实验。实验结果证明:与传统方法相比,该模型具有很强的可行性和有效性。     

基于遗传神经网络的混合气体识别研究

针对误差反向传播(BP)算法和遗传算法各自的优点和不足,提出了遗传算法优化神经网络技术:利用遗传算法的全局搜索能力,对神经网络连接权进行优化,以遗传算法优化的初值作为BP神经网络的初始权值,再用BP算法训练网络.优化后的BP网络其误差的递减速度和收敛速度都比标准BP网络快,而且对学习速率调整要求更少.将遗传神经网络应用于混合气体定量识别的训练中,得到的最大误差由20.7 %降为12.1 %,平均误差从5.4 %降为3.5 %,识别效果得到了提高.     

Matlab人工神经网络工具箱中的BP工具函数及其应用

人工神经网络中的BP网络模型在函数逼近、模式识别等领域得到了广泛的应用，但利用神经网络解决实际问题时，经常涉及到大量的数值计算问题，而运用计算机高级语言编程对神经网络BP模型进行仿真和辅助设计是件十分麻烦的事情，为了解决这个矛盾，Matlab工具箱中专门编制了大量有关设计BP网络模型的工具函数。本分析了Matlab软件包中人工神经网络工具箱的有关BP网络的工具函数，并给出了部分重要工具函数的实际应用。     

基于遗传神经网络的城镇基准地价评估应用——以广西灌阳县为例

提出了一种融合遗传算法与BP神经网络的城镇基准地价评估模型。该模型以正方形网格作为基本评价单元,以遗传算法优化BP神经网络连接权值,以BP神经网络训练样本数据,实现其他网格地价的模拟与预测。结果表明,遗传算法可以有效增强BP神经网络快速学习网络权值能力和克服收敛速度慢、易陷入局部极小值等问题,BP神经网络的网络训练学习与自适应性符合处于动态变化的土地价格发展要求,呈现出广阔的应用前景。     

基于翰经神经网络的手写体汉字识别

本文提出了基于进化神经网络进行手写体汉字识别的新算法,讨论了BP网络的构造及用遗传算法优化神经网络的权值问题,通过仿真验证了该算法是有效的。     

基于GA-BP算法的神经网络非线性系统辨识与仿真

本文根据神经网络在非线性函数中的逼近能力,发挥遗传算法(GA)全局寻优和BP算法局部收敛结合的优势,将GA-BP算法应用于神经网络,完成系统的非线性辨识功能.仿真结果表明:基于GA-BP算法的神经网络具有良好的非线性逼近能力和泛化能力,具有较高的系统辨识精度.     

对小波网络中BP算法的实验改进与研究

多层前馈神经网络可以任意精度逼近任何连续函数,作为一种非线性工具得到了广泛的应用。其中,BP(Back-Propagation)神经网络即反向传播神经网络在非线性系统辨识建模、预测、控制、优化和决策中的应用最为成功。     

河道水量还原计算中的遗传BP人工神经网络方法

将遗传算法GA及人工神经网络BP算法结合起来运用于河道水量的还原计算.结果表明:基于GA BP的河道水量还原优化算法能够克服BP算法自身不可优化的弊病,较好地改善网络全局寻优能力,提高网络速度,防止网络陷入局部最小值.同时该算法较确切地反映出河道水量还原计算中河道水量形成非线性这一本质现象,提高了河道水量还原计算结果的精度.     

基于IDNPSO-BP神经网络的股票市场指数预测

针对动态邻居粒子群算法的局限性,引入新的动态邻居拓扑结构,动态调整粒子群算法参数设置,提出改进的动态邻居粒子群算法(IDNPSO).为了提高BP神经网络模型的预测准确性,提出一种基于改进动态邻居粒子群算法的BP神经网络模型(IDNPSO-BP神经网络).利用IDNPSO-BP神经网络和GA-BP神经网络对上证指数、深证指数进行预测,结果表明IDNPSO-BP神经网络的预测误差优于GA-BP神经网络,具有股票市场指数预测能力.     

一种新的优化神经网络权值算法及其应用

为克服和改进BP算法的不足,文章在分析遗传算法(GA)和粒子群优化(PSO)算法优越性与不足的基础上,提出了一种基于GA和PSO结合的算法——GA-PSO算法,用于训练神经网络权值.算法产生下一代个体时,不仅采用交叉和变异算子,而且在重新定义局部最优粒子的基础上,引入粒子群优化算法,有效地结合了遗传算法的全局收敛性能和粒子群优化算法的局部搜索能力.通过对异或问题和IRIS模式分类问题的学习,仿真结果明显好于单纯地用GA或PSO进行前向神经网络训练,能有效避免早熟收敛的同时,提高搜索精度.     

一种基于填充函数的神经网络全局优化算法

针对前向神经网络BP算法由于初始权值选择不当而陷入局部极小点这一缺陷,提出新的全局优化训练算法.首先,提出了一种新的填充函数,并证明该函数的填充性质,进而结合该新填充函数与BP算法,构造出基于填充函数的全局最优化神经网络算法.应用全局优化算法训练神经网络时,如果误差函数陷入局部极小值,该算法可以利用填充函数帮助误差函数不断地跳出局部最优,直到找到全局最优点.该新算法的最大优点是对于初始权值无依赖性,避免了BP算法易陷入局部极小值的缺点.理论分析和仿真试验结果证明了该全局优化神经网络算法的有效性和优越性.     

一种基于遗传算法的BP神经网络算法及其应用

主要分析了神经网络和遗传算法的特点和存在的一些缺陷，研究了遗传算法和BP神经网络学习算法相结合的相关技术，设计并实现了一个基于遗传算法的BP神经网络算法BP—GA，已应用于肺癌早期细胞病理诊断系统中。实验结果表明，该算法具有较强的收敛性和鲁棒性，其应用效果很好。     

基于改进的反向传播神经元网络复杂煤岩层对比方法研究

为了提高复杂地区煤岩层对比的准确率,解决由于反向传播神经元网络(BP神经元网络)连接权值和阈值的初始值选择不合适而导致的无解问题,本文把求全局最优解近似值的遗传算法(GA)和求局部最优解精确值的传统BP神经元网络所使用的梯度法有机地结合起来,取长补短,用于复杂地区煤岩层对比。首先,用GA求得BP神经元网络权值和阈值的全局最优解的近似值;然后,把该近似值作为初始值,训练该神经元网络;最后,用训练好的BP神经元网络进行复杂地区煤岩层对比工作。本文利用测井曲线采用小波变换分析沉积旋回,并用于煤岩层对比。该新方法在钱营孜煤矿的复杂煤岩层对比中,取得了较好的效果,比常规的单一方法和简单的组合方法效果要好。     

基于遗传算法的BP网络优化研究

将遗传算法（ＧＡ）用于对ＢＰ网络权重的优化，不必对其进行参数调整，减少了训练的次数和计算量，且不会造成局部最优，多数影响遗传优化效果的规律得以确定、说明ＧＡ对神经网络的优化是可行的。     

免疫遗传算法在BP神经网络中的应用

提出了一种基于免疫遗传算法(IGA)的BP神经网络设计方法.该算法在遗传算法(GA)的基础上引入生物免疫系统中的多样性保持机制和抗体浓度调节机制,有效地克服了GA算法的搜索效率低、个体多样性差及早熟现象,提高了算法的收敛性能.为了解决BP神经网络权值随机初始化带来的问题,用多样性模拟退火算法(SAND)进行神经网络权值初始化,并给出了算法详细的设计步骤.仿真结果表明,同混合遗传算法相比,该算法设计的BP神经网络具有较快的收敛速度和较强的全局收敛性能.     

基于单隐层前馈神经网络的优化算法

前馈神经网络是神经网络中最常用的函数近似技术。根据普适定理,单隐层前馈神经网络(a single-hidden layer feedforward neural network,SFNN)可以任意接近相应的期望输出。一些研究人员使用遗传算法(genetic algorithms,GAs)探索FNN结构的全局最优解。然而,使用GAs来训练SFNN是相当费时。提出了一种新的SFNN优化算法。该方法是基于凸组合算法(convex combination algorithm,CCA)在隐含层上分析信息数据。事实上,该技术是将分类遗传演算法结合交叉策略的GAs算法。改进方法比GAs算法性能更优,但在进行学习和遗传演算前需要大量预处理工作如将数据分解为二进制代码。同时设置一个新的误差函数量化SFNN性能、获得连接权值最优选项以直接解决非线性优化问题。采用几个计算实验验证改进算法,结果表明改进方法更适合寻找单隐含层SFNN的最优权重。