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GA-PSO-BP 的大坝变形监测模型

提出了一种基于GA-PSO 混合优化BP 神经网络的大坝变形监测模型, 将遗传算法(GA)和粒子群算法(PSO)的寻优过程进行融合, 利用GA 算法的全局性和PSO 算法收敛速度快的特点,通过迭代选取最优的粒子作为BP神经网络的连接权值和阈值,以减小网络输出误差, 提高其收敛速度和加强网络泛化能力。运用GA-PSO-BP 模型对大坝自动监测数据进行预测分析, 实验结果表明GA-PSO-BP 模型优化了BP 神经网络的连接权值和阈值, 能有效提高网络训练精度与收敛速度, 有效避免早熟收敛, 使模型的整体预测效果得到提高。     

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     

BP神经网络的遗传优化及其应用研究

针对BP神经网络具有训练速度慢、容易陷入局部极小值的特点,在分析其训练算法本质的基础上,提出将遗传算法（GA）引入神经网络训练,优化神经网络的权值和闽值,充分发挥遗传算法的全局寻优能力和BP算法的局部搜索优势,形成了一种新的GA—BP神经网络．应用实例仿真结果表明,GA—BP神经网络具有全局搜索、快速收敛的特点,建立的模型具有较高的预测精度和良好的泛化能力．     

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（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.     

基于遗传神经网络的入侵检测模型

针对入侵检测系统中存在的对入侵事件高误报率和漏报率问题,提出了遗传神经网络,该方法基于遗传算法的全局搜索和BP网络局部精确搜索的特性,利用遗传算法优化网络初始权重,将遗传算法和BP算法有机结合．实验结果表明,该算法正确鉴定合法的用户矢量为93％,发生7％的误报率．与BP、GA算法相比,分别高出2．875％和5．562％．     

基于实测数据的地铁隧道长期沉降预测模型研究

基于上海地铁二号线的实测沉降数据,运用遗传算法(GA)和粒子群算法(PSO)对传统BP神经网络进行了优化,以弥补BP神经网络在网络结构、权值和阈值选择上的随机性以及容易局部收敛等缺陷,据此提出了两种新型隧道长期沉降预测模型,即GA-BP神经网络和PSO-BP神经网络模型;并对比研究了经验曲线、BP神经网络、GA-BP神经网络以及PSO-BP神经网络等模型方法的优缺点及预测效果.研究发现,以上各神经网络模型均取得了较为满意的预测结果,其中PSO-BP神经网络模型的预测精度最佳,且运算速度最快,是文中所提方法中最适用的盾构隧道长期沉降预测模型.     

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.     

神经网络在GPS高程拟合中的应用

讨论利用遗传算法(GA)、粒子群算法(PSO)来优化BP神经网络权值和阈值的原理;结合平坦地区的工程实例,研究二次曲面、BP、GA-BP与PSO-BP 4种拟合模型在GPS高程拟合中的应用.拟合结果表明:PSO算法优化BP神经网络精度效果优于GA算法优化BP神经网络精度,拟合误差更小.     

基于遗传算法的BP神经网络在声音智能监控中应用

针对标准的BP神经网络对于声音信号在线监控模型的预测误差比较大,提出了一种用遗传算法优化BP神经网络的算法,建立了声音监控的预测模型。遗传算法优化BP神经网络主要是用遗传算法来优化BP神经网络的初始权值和阀值,然后通过训练BP神经网络以得到预测模型的最优解,优化后的神经网络具有预测误差比较小、反应速度快等特点。实验结果证明,利用遗传算法优化BP神经网络在声音的智能监控中取得了比较好的效果,达到了系统设计的目的。     

基于工艺流程的零件成组方法及其实现

提出了基于遗传算法和BP网络的零件成组方法.首先,建立零件聚类的数学模型,给出了一种基于遗传算法的求解方法,使用整数编码构造的染色体和合适的遗传算子来满足聚类模型复杂约束的要求,并利用VC编程实现该算法.其次,将一批已聚类成组的零件作为训练样本,利用Matlab中神经网络的工具箱对BP网络进行训练,通过训练后的网络对新的零件进行仿真,从而实现新零件的匹配.最后通过实例证实了该方法的可行性和优越性.     

遗传算法参数分析及其在故障诊断中的应用

针对BP神经网络收敛速度慢、易陷入局部极小的缺点,将具有全局搜索能力的遗传算法引入到神经网络的权值优化中.遗传算法优化神经网络模型时,参数选取直接关系到模型优化的效率,在给出一种遗传算法的基础上对相关参数进行了研究分析.并采用Matlab软件编程实现算法,把该算法应用到XOR问题求解中,显示出GA-BP算法的优越性,并通过磨机故障诊断实例验证了算法的有效性.     

基于 ANN 的 FMS 故障诊断模型及其学习算法

讨论了基于前馈型神经网络的ＦＭＳ故障诊断模型，并提出一种用于前馈型神经网络训练的改进ＢＰ算法和基于遗传算法的网络初始点获取策略，给出一种通用前馈型神经网络结构和学习参数自整定学习算法，最后应用上述方法建立了基于前馈型神经网络的ＦＭＳ机器人故障诊断模型，并用所提出的新的学习算法对网络进行了学习，与传统ＢＰ算法比较，学习速度较快，且不易陷入局部极小点     

基于Wrapper的信用风险预测模型研究与应用

研究了一个有效适用的企业信用风险预警模型。针对单一BP神经网络预测模型由于财务指标选择不当导致误判率较高的问题,提出了首先进行特征选择,利用遗传算法搜索出最优特征子集,并采用BP神经网络作为遗传算法的评估函数,构建了一个基于Wrapper方法的神经网络信用风险预测模型。以沪深股市1998—2004年间的制造企业数据为例对模型进行实验,结果表明,新模型提高了预测准确率,评估结果更具科学性,实际应用具有良好的信用风险预测能力。     

遗传神经网络在PQF轧制工艺设计中的应用

基于遗传神经网络建立PQF轧制工艺模型．根据工艺要求利用最大最小值归一法对数据进行预处理．利用遗传算法的全局搜索优化BP网络的初始权重,避免BP算法陷入局部收敛,改善收敛速度．实验表明,将建立的模型应用于PQF轧制工艺设计中,能预置PQF自动化控制参数,达到良好的预测效果．     

基于遗传BP神经网络的短期风速预测模型

为了提高风电场短期风速预测精度,提出将遗传算法和反向传播(BP)神经网络相结合的预测模型.采用自相关性分析找出对预测值影响最大的几个历史时刻风速,以历史时刻的风速、温度、湿度和气压作为BP神经网络预测模型的输入变量;利用遗传算法的全局搜索能力获得BP神经网络优化的初始权值和阈值;采用优化后的BP神经网络分别建立1、2、3 h的短期风速预测模型.实验结果表明,该方法较BP神经网络具有预测精度高、收敛速度快的优点.     

遗传算法和BP算法相结合进行图像匹配

将神经网络理论应用于图像匹配 ,提出采用遗传学习算法进行全局寻优、利用BP算法进行精确训练、优化BP(backpropagation)神经网络权重学习和训练的神经网络图像匹配算法 .实验表明该算法的收敛性能及学习速度优于传统的BP神经网络图像匹配算法及其他同类改进算法 ,具有寻优的全局性和精确性 .