一类过程控制对象的神经网络建模及仿真

针对一类典型过程控制系统中存在的非线性和参数不确定问题，提出了神经网络的建模方法。辨识结构采用串并联形式，并分别使用改进BP算法和浮点式遗传算法进行了网络的训练。仿真结果表明遗传算法的全局搜索能力及高效率对神经网络的权值优化具有相当明显的效果，它不仅学习速度快而且稳定性好，可以作为一种良好的优化方法运用到神经网络建模和控制当中。     

基于图形用户界面的BP神经网络建模与仿真

介绍了误差反向传播（Back-Propagation，BP）神经网络结构，阐述了应用MATLAB图形用户界面（Graph User Interface，GUI）进行BP神经网络建模的方法和步骤，进行了实例仿真，验证了该方法的可行性和优越性，取得了满意效果，具有广泛的实用性。     

基于GA的模糊神经网络控制器的设计与仿真

提出了一种基于改进遗传算法（GA）训练结构和参数的神经网络控制的算法,它采用并行的模糊推理网络,具有自适应自学习的特点,将该算法得到的控制器用于实际工业对象模型的温度控制仿真,结果令人满意。     

基于GA神经网络的自适应预测控制的设计与仿真

针对自适应预测控制抗干扰、鲁棒性与实时性的矛盾，根据遗传算法优化后的神经网络具有很强的自适应性和学习能力、记忆能力、非线性映射能力、鲁棒性和容错能力，文章提出了一种新的自适应预测控制，成功地避免直接矩阵求逆，仿真表明该算法具有良好的综合性能和鲁棒性。     

基于遗传算法的备件两级优化建模与仿真研究

针对装备备件保障中存在的配置不合理问题,提出了一种基于仿真和遗传算法的备件配置优化算法。该算法采用仿真方法建立装备使用可用度模型,并利用遗传算法实现备件的优化,实现了在满足备件保障费用约束的前提下,使装备使用可用度达到最大。给出了应用该方法的具体步骤,并通过举例验证了算法的有效性。     

基于CPN仿真的排队系统建模及性能分析

排队网络模型是一种经典的性能分析模型,提出按照队列的输入过程、排队规则和服务机构三要素,将排队系统转换为层次颜色Petri网模型的建模规则,利用CPN Tools 工具在模型中加入monitor监视器监视模型运行情况,使用Data Collector采集相关数据,进行队列模型的相关指标的性能分析和评价工作,最后给出基于仿真的建模与分析方法的一般操作步骤.这种建模和分析方法不需要对系统作任何的假设和限定,可以对模型的任何方面进行性能分析,扩展了传统排队系统的研究范围,具有很强的灵活性;一些扩展排队网络的建模和分析,如考虑服务台损坏和维修时间的扩展模型,只需对基础的排队网络稍加修改即可完成建模和性能分析,提高了模型的复用性;层次化的建模方法克服了基本Petri网组合状态爆炸的缺点,可以用于大规模的复杂排队系统.     

基于BP神经网络的运动目标红外图像仿真

针对国内外红外图像仿真中采用热力学方法对物体温度场建模的不足,将基于BP神经网络的机器学习算法应用到物体的红外图像仿真中。根据车辆的红外特性将其表面划分为若干区域,并对所划区域的表面温度进行多次测量,得到训练样本集合,然后运用神经网络建立车辆的温度场模型,并对车辆在设定气候条件下的静止和运动状态进行仿真。根据仿真结果分析,此模型能够根据所设定的气候条件较准确地实时仿真运动目标的红外图像。     

模糊建模与控制的神经网络方法及其仿真研究

本文提出了一种复杂系统模糊建模及控制的神经网络方法。利用改进的ｐｉ－ｓｉｇｍａ 网络，对模糊规则的结论参数和隶属函数进行在线修正，实现模糊规则的自组织。这种方法被用于降水量预报和机器人解耦控制，取得了满意的仿真结果。为增强神经网络仿真算法的快速性，本文采用了一种基于向量的数据结构，并用标识阵指示神经元的连接状态，以实现有效的内存运算。     

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。     

基于神经网络的数控超声加工效果建模与仿真

为精确地预测数控超声加工效果,应用神经网络理论建立了数控超声加工切削率BP、RBF两种神经网络模型。根据实际情况,进行了网络结构设计,比较了不同特征参数时网络模型的性能,并对所建模型进行了仿真验证。验证结果表明,预测数据与实测数据有较好的一致性,RBF网络数据比BP网络数据稳定,性能更优,当RBF网络中分布密度spread取2时,性能最优。说明可以使用神经网络模型对数控超声加工切削率进行预测。     

基于递阶遗传算法和BP网络的时间序列预测

提出一种基于递阶遗传算法和BP神经网络的时间序列预测模型。现有的BP训练方法只能训练BP网络的权重,网络的结构得预先用某种方法确定。利用很好设计的递阶遗传算法能够把网络的结构和权重同时通过训练确定。以铁路客运市场数据进行训练和测试,与传统的BP网络预测模型相比较,结果证明该模型的预测精确度是令人满意的,所提出的方法是可行的。     

四层BP网络的一种结构设计方法及应用

针对BP神经网络的特点提出一种基于递阶遗传算法的四层BP神经网络的结构设计模型及应用。现有的BP训练方法只能训练BP网络的权重和阈值,网络的结构得预先用某种方法确定。利用很好设计的递阶遗传算法能够把网络的结构、权重和阈值同时通过训练确定。以经济系统中的人口时间序列数据进行训练和测试,与传统的BP网络预测模型相比较,结果证明该模型的预测精确度是令人满意的,提出的方法是可行的。     

一种输入驱动的BP网络高效学习算法

在深入研究BP神经网络模型的基础上,从网络互连方式、网络权值初始化以及隐结点的选取等方面,对标准的BP算法作了改进.通过实验,证明该方法是非常有效的.     

基于遗传算法的进化神经网络

提出一种基于遗传算法的多层前向神经网络的自动化设计方法(genetic multiplayer feedforward neural network，GMFNN)，用以同时完成对网络结构空间和权值空间的搜索。该算法利用双种群权值优化、结构进化自适应变异率等方法来加快算法的收敛速度，改善解的性能。仿真结果显示本文提出的算法能够有效抑制遗传算法初期收敛的发生，有效地提高多层前向神经网络的收敛精度，并可获得更为简洁的网络结构。     

基于改进递阶遗传算法的RBF神经网络分类器

针对通信信号调制类型识别,应用递阶遗传算法动态确定径向基神经网络分类器结构。建立了新的适应度函数,该函数简单直观,待定参数少;同时结合相关联赛选择方法对选择算子进行了改进,增加了种群进化的多样性,避免了早熟收敛。仿真结果表明改进算法能更好地确定分类器结构,分类准确率更高。     

基于模糊聚类的BP神经网络模型研究及应用

在神经网络的应用过程中,经常遇到样本太多问题,采用模糊聚类分析,科学选取学习样本,使少量的学习样本本身包含全部样本的特性,很好地解决了由于样本多学习速度慢的问题,并提出了训练结果检验方法.此方法可以作为神经网络应用的一个拓展.     

基于BP神经网络算法的弹药需求仿真研究

克服了传统算法带来的不足,采用神经网络的BP算法进行仿真计算,得到弹药需求与武器生存能力、射击精度、目标类型、目标毁伤程度等相关因素的内在联系,反映了弹药实际需求与多种外部因素的复杂的非线性关系,对战时的弹药供应决策具有重要意义.