一种基于GA的模糊神经网络控制器设计及应用

结合模糊控制，神经网络，遗传算法三种方法的优点，提出了一种基于遗传算法的模糊神经网络控制器，并分析了其网络结构和离线学习的方法，遗传算法基于全局优化策略，避免了反向传播学习算法易陷入局部最优的缺陷，仿真实验和在汽车防抱死制动系统中的应用表明这种控制方案是有效的，可行的。     

基于GA的BP网络在苹果缺陷识别中的应用

提出了一种基于遗传算法的BP神经网络苹果缺陷识别方法。设计一个3层BP神经网络分级器,用苹果缺陷特征参数训练BP神经网络,运用遗传算法进行BP神经网络权矢量和神经元阈值的学习,提高BP神经网络的学习速度,也提高了苹果缺陷识别的准确率。实验证明,该方法识别率可达89％以上。     

基于遗传算法的WANN的汽车发动机故障诊断分析

利用基于遗传算法的全局优化能力,小波分析具有数据压缩和特征提取的特性,神经网络具有非线性映射和学习推理的优点.结合三者的特点,提出了一种基于遗传算法、小波与神经网络的汽车发动机故障诊断方法,应用汽车发动机的故障数据作为实例验证,GA-WANN模型诊断速度快,鲁棒性好,故障诊断正确率高.     

基于优化的GA-BP及其在葡萄酒质量预测的应用

针对BP神经网络模型在输入时因随机产生的权值和阈值导致模型的训练精度不高、泛化能力不强的问题,提出一种基于自适应遗传算法优化BP神经网络的方法.遗传算法在寻优方面有很好的效果,采用遗传算法优化BP神经网络的权值和阈值来提高模型的训练效率,并对神经网络的学习率进行优化,建立GA-BP网络预测模型,用于葡萄酒质量预测.结果...     

利用遗传算法优化人工神经网络权值

遗传算法是一种新的、基于自然选择和基因遗传学原理的随机搜索算法．针对神经网络中BP算法学习效率低且收敛速度慢以及容易陷入局部最优等不足，文章提出利用遗传算法对BP神经网络中的神经元间的连接权值进行优化的方法．试验结果表明，用遗传算法优化BP神经网络的连接权值后收敛速度快，并有效的解决了BP算法容易陷入局部最优的问题．     

一种基于遗传算法的模糊神经网络控制器的设计

提出了一种基于遗传算法的模糊神经网络控制器的设计.该设计通过改进的遗传算法实现了控制规则和隶属函数的优化.算法中引入了优良模式自学习算子,改善了遗传算法的性能.通过对典型的非线性对象CSTR控制,仿真结果表明该方法是有效的.     

基于遗传算法的神经网络学习算法研究

为了克服神经网络结构和参数设计的随机性及依赖于人的经验的缺点,提出了一种改进的基于遗传算法的BP神经网络学习算法。该算法结合了神经网络的快速并行性和遗传算法的全局搜索性,首先利用遗传算法对神经网络结构、初始连接权和阈值以及学习率和动量因子进行全面进化设计,在解空间中定位出较好的搜索空间,然后在进化神经网络中用训练样本再次寻优。通过利用该算法对XOR问题求解,证明了该算法的有效性,其收敛速度和精度均优于基本BP算法和附加动量项的BP算法。     

基于遗传神经网络的企业信用评级模型研究

提出了一种基于遗传算法改进的神经网络企业信用评级模型.利用BP神经网络自适应和自学习的特点,通过遗传算法实现对神经网络连接权重和阈值的修正与优化,在一定程度上解决了BP神经网络存在收敛速度较慢和可能落入局部最小点的问题.实验表明,该模型在企业信用评级上有着较高的准确率,具有很好的应用价值.     

遗传算法与神经控制的融合算法研究

遗传算法和神经控制是现代智能控制常用的两种方法,它们具有各自的优点和不足。将遗传算法用于前向神经网络的可能性进行了研究,阐明了遗传算法和神经网络结合的必要性。针对遗传算法和神经控制各自的优缺点,设计了二者的融合算法,将遗传算法应用于神经网络控制器的学习和训练,从而使建立的控制器兼有二者的优点,具有神经网络的广泛映射能力和遗传算法快速全局收敛以及增强式学习等性能,继而提高控制系统的性能。运用该方法对电加热炉温度控制系统进行的仿真实验,实验结果体现了良好的控制效果,证明了融合算法的优越性。     

基于改进免疫遗传算法的神经网络及其在股票预测中的应用

针对BP神经网络学习速度慢、容易陷入局部极小的缺点,提出了一种基于改进免疫遗传算法的多层前向神经网络,将该算法用于多层前向神经网络的权值优化,扩大了神经网络的权值搜索空间,提高了网络系统的学习效率和精度.将该神经网络用于上证指数的趋势预测,仿真结果表明:该神经网络比BP神经网络具有更好的全局收敛性、更高的学习效率和预测精度.     

基于生态遗传算法的冲击地压预测模型

针对传统方法预测冲击地压存在的弊端,采用遗传算法设计的模糊神经网络做为预测模型,为避免传统遗传算法"早熟"问题而使用生态遗传算法对该模糊神经网络进行训练,选择Matlab7.01在PC机上实现该网络模型,并比较BP算法、传统遗传算法以及生态遗传算法这三种算法所训练的网络性能.仿真和实验结果显示生态遗传算法使网络具有良好的收敛性能,提高了冲击地压预测的准确性.     

轮式机器人遗传模糊神经网络转向控制

针对数学模型复杂的轮式机器人的转向控制问题，使用基于遗传算法的模糊神经网络转向控制方法．首先建立车辆的神经网络模型，然后构造模糊神经网络控制器，再用遗传算法寻找模糊神经网络控制器的参数，最后提高控制器对速度变化的适应性．仿真表明，该方法可以对机器人的转向进行有效控制，效果良好，能适应各种不同速度变化，是一种有实用意义的控制方法．     

一种基于模糊神经网络控制系统的构建方法

给出了在构造基于模糊神经网络的控制系统的过程中利用遗传算法优化输人向量维数的一种改进方法,在此基础上进一步给出了一种通过数据分类提取模糊推理规则的方法,并且将两种方法结合起来形成一种基于模糊神经网络控制系统的构建方法．     

遗传算法模糊神经网络在列车驾驶中的应用

大城市交通问题迫切需要高效率的交通系统,这就要求在交通系统的控制中引入智能控制技术。本文介绍了模糊神经网络与遗传算法的特点, 分析了他们之间相互结合的可能性,并提出了基于遗传算法的模糊神经网络控制算法。该算法使模糊神经网络和遗传算法的优点很好地结合起来。本文还介绍了列车自动驾驶系统的概况,并将新算法用于此系统中。     

基于遗传算法的模糊神经网络控制器在虚拟仪器中的实现

模糊控制技术在复杂的非线性控制过程中表现出优越的性能，神经模糊控制器的出现为自适应模糊控制设计开辟了新的途径。遗传算法由于具有不依赖于问题模型、全局最优、隐含并行性、高效率和解决不同非线性问题的鲁棒性等特点，能很好地用于神经网络的训练。两种方法综合使用，可以大大提高模糊神经推理控制系统的自学习性能和鲁棒性。通过应用Active X技术在Lab VIEW中调用和操作MATLAB的方法，实现了基于遗传算法的模糊神经网络控制器。     

遗传算法模糊PID控制在跳汰机排料系统中的应用

介绍了模糊控制与遗传算法的特点,分析了它们之间相互结合的可能性,提出了基于遗传算法的模糊PID控制算法.指出了目前跳汰机排料系统的缺点,设计了基于遗传算法模糊PID控制的排料系统,并对其应用进行了分析研究.结果表明,基于遗传算法模糊PID控制系统比模糊PID控制系统超调小,系统稳定性高,控制效果好.     

基于遗传算法优化的自适应FNN-PID控制器研究

针对传统PID控制器参数整定后因无法在线自动调整而导致控制效果不理想的问题,提出了一种基于遗传算法优化模糊神经网络（FNN, Fuzzy Neural Network）的自适应FNN-PID控制器模型。该模型结合了模糊神经网络良好的自适应自学习能力和遗传算法强大的全局搜索能力,利用遗传算法对模糊神经网络的参数进行优化与训练,使PID控制器能够根据被控对象的变化而适时在线调整自身参数KP, KI和KD,从而达到理想的控制性能。将该控制器应用于异步电动机控制系统进行仿真实验,结果表明：基于遗传算法优化的自适应FNN-PID控制器具有较好的自适应能力和鲁棒性,控制效果明显优于传统PID控制器。     

提高估算软件成本精度的方法研究

指出已有的软件成本估算方法中的问题,提卅采用模糊神经网络方法构建软件成本的快速估算模型来提高估算精度。将60个软件项目的相关数据作为样本,分别对神经网络和模糊神经网络两种系统进行训练。将两种模型的训练和估算结果进行比较．结果显示模糊神经网络模型在软件成本估算上比神经网络模型具有更高的学习效率和估算精度。     

变结构模糊神经网络控制及其学习规律研究

提出变结构模糊神经网络控制及其学习算法,并对变结构模糊神经网络学习规律进行研究,变结构模糊神经网络中的模糊化神经网络（Ｆ＿ＦＮＮ）、模糊推理神经网络（Ｅ＿ＦＮＮ）和模糊决策神经网络（Ｄ＿ＦＮＮ）都是结构可变的,可分开进行模糊隶属函数及模糊推理的学习,其学习过程符合人脑由粗到精的认识规律,学习收敛速度比一般模糊网络快,具有很好的适应性。     

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。