基于混沌免疫遗传算法的神经网络及应用

借助混沌随机序列构造初始种群,将免疫机制引入传统遗传进化过程,有效克服传统遗传算法种群“退化”和“早熟”的不足,保持种群多样性,构造得到混沌免疫遗传优化算法。进而将混沌免疫遗传优化算法与BP神经网络相结合,分别用混沌免疫遗传优化算法和自适应BP算法对网络权值进行全局优化和局部二次优化,建立基于混沌免疫遗传算法的神经网络模型。利用所建立的混合神经网络模型对渤海某海域年极值冰厚进行训练预测,并将模型预测结果与实际数据以及动态拓扑预测的结果进行对比,表日周基于混沌免疫遗传算法的神经网络模型具有很高的预测精度和工程适用性。     

基于多核系统的混合神经网络及应用

借助混沌免疫遗传优化算法对于BP神经网络进行训练,建立基于混沌免疫遗传算法的混合神经网络模型.针对混沌免疫遗传神经网络计算工作量大,训练速度慢的缺点,利用Matlab的Parallel Computing Toolbox对于所建立的混沌免疫遗传神经网络模型进行并行化算法设计实现,并对渤海海区年极值冰厚数据进行预测,对比...     

基于遗传算法优化神经网络的藻类繁殖状态软测量方法

为了提高BP神经网络模型对海洋藻类生长状态软测量的准确性,提出了一种基于遗传优化算法优化BP神经网络的软测量方法.利用遗传算法优化BP神经网络的权值和阈值,然后训练BP神经网络预测模型以求得最优解,再将该预测结果与传统BP网络预测模型的预测结果进行对比.对仿真结果进行有效性验证后,结果表明,通过这种软测量方法,经遗传算法优化后的BP神经网络可以在更短的时间里创造更高的预测准确性,大大提高了对海洋藻类生长状态预测的效率.     

基于遗传BP神经网络的备货型企业销售预测应用

为了提高备货型企业销售的预测精度及速度,笔者提出了将BP神经网络和遗传算法相组合的预测模型。利用遗传算法的全局搜索能力优化BP神经网络优化的初始权值和阈值,然后通过BP神经网络自我学习模式获得预测结果。最后通过实例验证该模型的有效性,把遗传BP神经网络的预测结果与BP神经网络的预测结果进行对比。结果表明,该方法较BP神经网络具有更高的预测精准度,能为企业生产销售及科学管理库存提供科学依据。     

机器学习算法在数据挖掘中的应用

针对数据挖掘算法中常用的机器学习型算法进行研究。机器学习型算法特色是运用了人工智能技术,能在大量样本集训练和学习后自动找出运算需要的参数和模式。以机器学习型算法中的人工神经网络为例研究数据挖掘技术,针对学习速度慢、抗干扰能力弱以及容易陷入局部最小值等缺点和传统的遗传算法存在算法早熟以及局部寻优能力弱等问题,提出一种通过改进常规遗传算法的染色体结构和遗传算子,并且通过引入自适应交叉和变异概率来对BP神经网络结构参数进行优化的改进型遗传优化BP神经网络模型。最后通过煤矿空压机故障诊断系统这一实例来研究改进型算法的数据挖掘技术的性能。研究结果表明,改进后的算法建立的诊断模型相比常规神经网络的诊断模型诊断准确率更好,诊断效率更快。     

基于遗传算法优化的BP神经网络研究应用

为提高BP神经网络预测模型对超市大米日销售预测的准确性,提出一种基于遗传算法优化的BP神经网络预测方法。介绍了BP神经网络和遗传算法的特点以及存在的缺陷,并进一步研究了BP神经网络和遗传算法相结合的有关技术,利用遗传算法优化BP神经网络的权值和阈值,然后训练BP神经网络预测模型获取最优解,充分发挥了BP神经网络的局部搜索能力和遗传算法的全局搜索能力的优势。仿真结果证明,该方法对超市大米日销售预测具有更高的精度和更好的非线性拟合能力。     

基于PSO-BP神经网络的高炉煤气受入量的预测

以高炉煤气为主要研究对象,基于BP神经网络引入粒子群算法优化BP神经网络的权值,通过调试和改进建立PSO-BP神经网络高炉煤气受入量预测模型,使企业实现对煤气的合理调度和平衡调整,研究结合唐山钢厂的历史数据对该模型进行训练和检验。研究结果表明,BP模型比未改进的BP模型更能精确地预测受入量,并解决了遗传算法(GA)优化BP神经网络容易陷入早熟收敛的问题。     

基于GA改进BP神经网络网络异常检测方法

考虑到常规BP神经网络算法容易陷入局部最优解,所建立的网络遗传流量检测模型检测效率低,准确率不高等问题,提出一种改进型GA优化BP神经网络算法,并使用其建立网络遗传流量检测模型。常规遗传算法在搜索过程中,往往会由于出现影响生产适应度高的个体而对遗传算法搜索过程产生影响的现象发生,因此需要对常规遗传算法进行改进。使用的方法是通过混合编码方式进行改进,同时对交叉算子、变异算子、交叉概率以及变异概率等参数进行优化修正。使用KDD CUP99数据库中的网络异常流量数据进行实验研究,研究结果表明,所提出方法的检测性能要明显优于常规算法,其对BP神经网络的结构、权值以及阈值进行同步优化,避免了盲目选择BP神经网络结构参数带来的问题,避免了常规BP神经网络容易陷入局部最优解的问题。     

基于优化神经网络算法的电离层foF2预测

为了提高基于反向传输（back propagation,BP）神经网络的电离层f_oF₂预测的精度,采用了一种改进粒子群优化神经网络的方法,对BP网络的初始权值进行优化,防止出现神经网络训练中的局部最优.通过比较基于粒子群优化的神经网络预测结果与遗传算法优化的神经网络预测结果,我们发现对于BP神经网络,两种方法都有很好的性能.此外,和电离层经验模型国际参考电离层模型（international reference ionosphere 2016,IRI2016）结果进行对比,结果表明,本文提出的自适应变异粒子群（adaptive mutation particle swarm optimization,AMPSO）优化神经网络能有效提高f_oF₂的预测精度,并在低纬地区有更好的预测效果.     

基于遗传算法优化BP神经网络雾霾预测模型的研究

对BP神经网络雾霾预测模型误差较大的问题,提出用遗传算法优化BP网络雾霾预测的方法,通过遗传算法对BP网络雾霾预测模型的权值和阈值的优化,然后用优化后的BP神经网络对实际的数据进行预测,实验表明:遗传算法优化BP网络雾霾模型具有更高的预测精度。