遗传神经网络在滑坡灾害预报中的应用研究

针对传统BP算法易收敛于局部最优以及网络结构难以确定等问题,引进遗传算法进行混合建模.采用遗传学习算法和误差反向传播算法相结合的混合算法来训练前馈人工神经网络,即先用遗传学习算法进行全局训练,再用BP算法进行精确训练,使网络收敛速度加快并避免陷入局部极小.文中结合实例,对BP神经网络,遗传算法改进的神经网络进行了比较分析.实验表明,利用改进的混合模型可以提高预测精度,缩短收敛时间.     

遗传算法优化BP神经网络的说话人识别系统

针对BP神经网络收敛速度慢、容易陷入局部极小的缺陷,将遗传算法全局寻优的特点与BP神经网络相结合,利用遗传算法对神经网络的权值和阈值进行优化,构成一个GABP神经网络,有效地解决了BP神经网络容易陷入局部最优的问题。实验结果表明:相对于BP神经网络的说话人识别系统,基于GA-BP神经网络的说话人识别系统具有更快的网络收敛速度和更高的系统识别率。     

基于遗传算法的BP网络最优权值算法

针对BP神经网络由于初始权值的随机选取而造成陷入局部极小的问题，提出了以遗传算法为基础的最优值选择法，利用遗传算法自身特有的优势，为BP网络的权值找到全局最优解，从而提高BP网络的收敛速度和精度。     

基于切片模型的快速混合学习算法

针对传统BP神经网络训练收敛速度慢、易陷入局部极小点的问题,将遗传算法与误差放大的BP学习算法相结合,提出基于切片模型的快速混合学习算法.该算法通过将传统神经网络的训练过程划分为许多小的训练切片,并利用遗传算法的并行寻优特性,对采用误差放大的BP训练过程进行监督.通过及时发现收敛速率较快的个体和过滤陷入局部极小点的个体,来保证网络训练的成功率和实现快速向全局最优区域逼近的目的.仿真实验表明,该算法在不增加网络隐层节点数的情况下,显著地提高了网络的收敛精度和泛化能力.     

基于进化神经网络的齿轮可靠性预测

人工神经网络模型中广泛应用的是BP(BackPropagation)模型 ,针对BP算法存在收敛速度慢 ,容易陷入局部最小点的缺陷 ,本文用遗传算法 (GeneticAlgorithm :GA)训练神经网络 (ArtificialNeuralNetwork :ANN) ,取代了一些传统的学习算法 ,设计了GA +BP学习算法 用遗传算法和神经网络相结合的方法求解了齿轮弯曲疲劳寿命的预测问题 仿真结果表明 ,组合GA与BP可以克服单纯使用BP易陷入局部极小等问题 ,取得了较为满意的效果 ,预测精度较高     

一种结合改进遗传算法和BP神经网络的图像压缩算法

针对LM（Levenberg—Marquardt）算法的缺陷,提出一种使用改进的遗传算法和LM算法优化神经网络的混合学习算法（GA-LMbp）。该算法先通过改进的遗传算法粗调得到一组全局最优近似解（即BP网络的初始权值和阈值）,再以该近似解为初值,用LM算法优化BP网络进行图像压缩处理。实验结果表明,新算法提高了网络的学习能力和收敛速度,避免了LMbp陷入平坦区或局部极小值。     

基于结构式二进制编码的遗传算法在及其在BP网络中的应用

根据BP网络的拓扑特征,本文设计了基于结构式二进制编码的遗传算法,在该算法中,通过先将庞大的解空间进行分解处理,再将分解后的子空间视为个体进行遗传操作,能借助遗传算法的优势在全局范围内搜索到最优解所在的子空间,从而为下一步应用BP算法进行局部搜索明确了起点,缩小了范围,有效解决了BP算法易陷入局部极小,收敛速度慢甚至不收敛等问题,最后,通过字母识别试验证明了该算法的效率。     

变尺度搜索遗传算法在神经网络训练中的应用

为解决传统的BP学习算法因采用梯度搜索技术而具有的收敛速度慢、容易陷入局部极小等缺点，提出了一种基于多参数空间快速搜索遗传算法的网络权值优化方法.该方法采用误差均分的变尺度搜索技术来训练网络权值，将网络权值的训练转化为多参数空间的寻优问题.训练实例对比结果表明，由于采用了并行计算及变尺度搜索技术，该算法不仅收敛速度快，网络逼近精度高，而且能实现全局最优，克服了BP算法易于陷入局部极小的问题，说明了该方法的有效性.     

基于改进遗传算法的连续函数优化

为了进一步避免连续函数优化过程中的早熟收敛和搜索迟钝,在简单遗传算法基础上提出了划分寻优区间、基于排序和最佳保留的轮盘赌选择算子,可以用来提高遗传算法的运行效率和收敛速度,达到了既能够选出最好个体又能够保证种群多样性的效果;同时采用择优交叉算子和二元变异算子,这样既保证了种群的收敛性,又可在陷入局部最优时为种群引入新基因。仿真实验表明,与简单遗传算法相比,改进后的遗传算法能有效地提高遗传算法的收敛速度和避免陷入局部最优。     

神经网络与压缩映射遗传算法耦合技术研究

多层神经网络的BP算法的学习过程与网络中的连接权值、传输函数类型的选择以及BP所用的梯度优化算法密度相关，网络可能会出现收敛于局部次优或不收敛的现象。将压缩映射遗传算法应用于BP神经网络的数学模型，构建一种新型的压缩映射神经网络，这种神经网络收敛于全局最优解。     

基于遗传算法与BP算法的水质评价模型

BP神经网络广泛应用于函数逼近、模式分类、水质评价等方面,但标准BP算法收敛速度较慢,容易陷入局部最优;而遗传算法是一种全局寻优搜索算法,能够有效克服上述缺陷.提出了基于遗传算法与BP算法的混合算法,既保留了神经网络原有的优点,又克服了上述缺点,并建立了水质评价模型.以信阳南湾水库为例进行评价,实验结果表明该混合算法模型评价精度较高.完全可以应用于水质评价工作.     

基于遗传算法优化BP网络的高校生师比预测模型分析

标准BP算法采用的是非线性无约束极值问题求解方法中最古老又十分基本的方法-梯度法(梯度下降法).标准BP算法具有学习效率低,收敛速度慢,容易陷入局部极小点.通过标准BP算法模型和遗传算法优化的BP算法模型对高校生师比的预测结果进行比较.结果表明,遗传算法优化的BP神经网络的权值和阈值具有良好的泛化能力,提高了高校生师比预测精度和效率.     

BP神经网络的量子学习及应用

在神经网络的训练过程当中,引入量子遗传算法,结合BP梯度下降反传训练方法构造神经网络的量子优化算法。利用量子运算的高效并行性,对神经网络实行量子编码,用量子门旋转来代替网络进化时交叉、变异等更新操作,使得网络训练收敛精度高、收敛速度快、同时避免陷入局部最优的缺点。最后提出了一种基于量子神经网络的预测方法,仿真结果表明,基于量子遗传算法的神经网络,训练次数,误差精度以及预测能力都明显优于BP神经网络。     

基于GA的BP神经网络模型的研究及应用

分析了BP神经网络的缺陷和遗传算法的特点，提出了基于遗传算法的BP神经网络模型算法，该算法利用遗传算法全局寻优能力强等特点，可克服神经网络易陷入局部极小值、训练速度慢的缺陷。仿真结果表明：遗传算法和神经网络相结合的算法具有较好的全局快速收敛等性能。     

基于进化神经网络的齿轮可靠性预测

人工神经网络模型中广泛应用的是BP（Back Propagation0模型，针对BP算法存在收敛速度慢，容易陷入局部最小点的缺陷，本文用遗传算法(Genetic Algorithm:GA）训练神经网络（Artificial Neural Network:ANN），取代了一些传统的学习算法，设计了GA＋BP学习算法，用遗传算法和神经网络相结合的方法求解了齿轮弯曲疲劳寿命的预测问题，仿真结果表明，组合GA与BP可以克服单纯使用BP易入局部极小等问题，取得了较为满意的效果，预测精度较高。     

基于组合优化BP神经网络的模拟电路故障诊断

电子系统的可靠性已成为影响系统正常运行的关键,因此电路故障的诊断越来越受到重视。基于BP神经网络的诊断方法是目前实现模拟电路故障诊断的有效方法之一。文章针对已有BP神经网络模拟电路故障诊断技术的不足,提出了一种组合优化的诊断方案。该方案采用遗传算法优化确定BP神经网络的初始权值,以规避BP神经网络易陷入局部极小值的不足,然后应用L-M方法在这个局部解空间里对BP神经网络进行精调,搜索出最优解或者近似最优解。该方案发挥了BP神经网络的广泛映射能力和遗传算法的全局搜索能力,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,有效提升了基于BP神经网络模拟电路故障诊断的性能。     

基于免疫遗传算法的煤与瓦斯突出预测研究

根据影响煤与瓦斯突出的各个因素与突出强度之间存在的复杂的非线性映射关系,建立了突出强度预测的BP网络模型.针对BP网络收敛速度慢和易陷入局部极小值及基于遗传算法的BP网络易出现未成熟收敛问题,提出了一种基于免疫遗传算法(IGA)的BP网络,即利用IGA实现对BP网络的优化.IGA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.结果表明:将基于IGA的BP网络应用于煤与瓦斯突出强度预测,该算法设计的BP网络具有较快的收敛速度和较强的全局收敛性能,在煤与瓦斯突出预测中取得了良好效果.     

约束稳定收敛加速遗传算法推求暴雨强度公式

目的 为解决基本遗传算法收敛速度慢，易陷入局部最优问题，提出约束稳定收敛加速遗传算法推求暴雨强度公式．方法 在基本遗传算法的基础上。通过改变以往遗传算法的终止条件，构成了一种改进的推求暴雨强度公式新方法．结果 提出了内、外循环处于约束稳定收敛作为算法的终止条件．内循环约束稳定收敛是指前一代种群的平均适应度与后一代种群的平均适应度接近的连续次数超过预先设定值。或遗传进化的代数超过预先设定值终止条件；外循环约束稳定收敛是指把多次内循环结果的误差进行比较。当后一次内循环误差小于前一次内循环误差的连续次数超过预先设定值时，退出程序并将该次内循环的结果作为问题的最优解．结论 通过对比和实践验证，该算法具有收敛速度快、数值稳定性好等优点，有效地解决了基本遗传算法存在的收敛速度慢，容易陷入局部最优的问题．     

基于GA的BP网络模型在水文计算中的应用

分析了BP神经网络的缺陷和遗传算法GA的特点,在对BP网络模型进行多方面改进的基础上,提出了基于GA的BP网络模型算法,该算法利用遗传算法全局寻优能力强的特点,可克服神经网络易陷入局部极小、收敛速度慢的缺陷.研究表明,基于GA的BP神经网络模型用于水文计算是有效可行的,该算法具有广泛的应用前景.     

BP网络模型的改进方法综述

介绍了BP网络模型、BP算法、BP算法存在的问题及其原因、针对BP算法三个主要问题（隐层数及隐层节点个数的难以确定、收敛速度较慢,易陷入局部极小点）的改进方法进行了探讨,提出了动量法、遗传算法、混沌法等方法。