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.     

智能坐标测量系统中零件位姿自动识别

零件位姿自动识别是实现三坐标测量机智能化的关键技术．设计了基于图像不变矩和神经网络的图像匹配与识别算法，将被测零件的虚拟图像与实际图像进行匹配，实现了零件放置姿态的识别功能．由图像几何矩计算出零件在实际图像中的位置和方向，经过像平面坐标系至机器坐标系的转换，得到零件在机器坐标系中的位置和方向．实验结果表明，此零件位姿自动识别方法是智能且高效的，识别算法的重复精度小于0．1mm，识别系统的最大空间定位误差不大于0.6mm．     

材料非线性问题的遗传算法与神经网络耦合分析

基于遗传算法的全局最优化功能以及BP网络的非线性映射功能，提出了用于结构非线性分析的遗传算法与神经网络耦合分析方法。该方法是利用遗传算法的全局优化功能搜索BP网络各神经元之间的连接权值。以受内压的厚壁圆筒为数值算例，利用建立的遗传算法与神经网络的耦合分析方法进行弹塑性分析。计算结果表明该方法是有效的，具有较高的计算精度和计算效率。     

GA优化灰色神经网络的煤矿瓦斯浓度预测

针对神经网络在煤矿瓦斯浓度预测中存在缺少大量实时数据和难以精确建模的问题,建立一种遗传算法优化灰色神经网络模型。采用灰色预测少数据模型理论和神经网络的自学习能力构建改进的瓦斯浓度预测模型,并利用遗传算法对该模型的初始权值和阈值进行优化。结果表明,遗传算法优化灰色神经网络模型较传统模型提高了瓦斯浓度的预测精度和速度。该研究为预防瓦斯事故的发生提供了有益参考。     

一种用于MIMD平台的并行遗传／神经网络混合学习算法

本文提出了一种用于多层前馈神经网络训练的新算法，它把遗传算法与自适应变形梯度学习算法集成起来。这种并行混合学习算法已经在ＭＩＭＤ平台实现了。通过把该算法用于二个图像识别领域例子，对它的性能进行了评估，本文学显示了所 拼行混合神经网络学习算法的良好的收敛性。     

基于遗传与BP混合算法神经网络预测模型及应用

提出用遗传学习算法和权重调整BP算法相结合的混合算法来训练模糊模式识别神经网络预测模型；即先通过遗传学习算法进行全局训练，再用权重调整BP算法进行精确训练，使网络收敛速度加快和避免局部极小。作为实例，以新疆雅马渡站的实测径流资料和相应的前期4个预报因子实测数据作为样本进行训练并用以预测雅马渡站的年径流量。结果表明，该方法具有收敛速度快和预测精度高的特点。     

灰色遗传识别在 XX 气田储层预测中的应用

本文介绍一种新的油气预测方法——灰色遗传识别法在储层预测中的应用。该方法是一集灰色识别、神经网络、遗传算法三者为一体的、思路新颖的新型油气预测系统。文中首先简要介绍系统的方法原理、特点及计算步骤,然后再描述其在ＸＸ气田产能、有效厚度、孔隙度及ＫＨ值（渗透率×有效厚度）等多目标储层预测中的模式建立的思路、特征优选、识别计算的过程及结果,最后展示该区产能、有效厚度、孔隙度、ＫＨ值的单测线多目标预测图及工区平面预测分布图,结果与气田地质专家的认识相当一致,显示了本方法在油气预测中的良好应用前景。     

遗传神经网络方法预测地下工程位移演化规律

提出并分析了一种用于隧道和地下结构位移演变预测预报的遗传神经网络方法·应用遗传算法优化传统的神经网络结构,避免了人为选择网络结构的盲目性,较好地解决了神经网络结构选择问题,同时提高了网络学习的效率和推广预测能力;利用这种非线性智能识别新方法,预测下步施工位移变形量,并与工程中监测到的历史数据进行对比分析,以便工程技术人员据此及时调整和优化施工步序,维护地下结构的稳定性·工程实例分析表明,该方法随着样本的积累,预测精度不断提高,并具有实时性的优点,具有广泛的应用前景     

融合多维注意力的非合作通信行为识别方法

电磁对抗环境下匮乏的数据资源与有限的反应时间是非合作通信行为识别研究发展所面临的主要挑战。现存的通信行为识别方法大多依赖大量监测数据或者繁琐的数据预处理流程,难以完成非合作通信行为识别任务。提出一种融合了多维通道注意力机制（MSENeT）的非合作通信行为识别方法,通过扩充通道维度提升注意力模块对通道间关系的全局视野,增强注意力中权重的精确度,从而提升深度卷积神经网络（CNN）对有限数据样本的特征提取能力,并保证带来的算法计算复杂度在可承受范围内。同时构建了对抗条件下通信行为频谱监测数据仿真场景,为后续的通信行为识别相关研究提供数据支持。最后的对比实验显示,在非合作条件下,基于MSENeT的通信行为识别方法相较于仅使用CNN和基于SENeT的方法在通信行为识别准确率上分别有14.9%和8.5%的提升。     

基于谱相关和神经网络的信号调制识别

由于通信信号的体制及调制及调制方式的复杂多样,通信信号调制类型的识别显得尤为重要和迫切.基于调制信号的谱相关特征,提取了5个特征参数,给出了各个参数随信噪比变化的曲线图.分类器采用RBF神经网络,并从提高网络识别性能出发,构建了大容量和高质量的网络训练样本,能够扩大识别范围,提高识别精度.基于谱相关特征参数和RBF神经网络结合的算法能动态识另q信号的调制方式,仿真结果表明:该算法在低信噪比下能取得较高的正确识别概率.