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。     

基于遗传算法优化BP神经网络的预测建模

为了进一步提高基于BP神经网络的预测模型精度,本文针对BP神经网络收敛速度慢,参数选择随机等特点,采用了遗传算法对BP神经网络进行优化,并提出了一种基于遗传算法优化BP神经网络的预测模型,从而进一步提高预测模型的预测精度,通过对比未使用遗传算法优化的BP神经网络的预测模型发现基于遗传算法优化BP神经网络的预测模型在提升预测精度方面具有非常好的效果,是一种非常高效的方法.     

基于遗传神经网络成绩预测的研究与实现

针对BP神经网络固有的局限性和在应用于成绩预测时出现的问题,运用遗传算法对BP神经网络的权值和阈值进行优化,通过详细设计遗传算法的编码方式、适应度函数,遗传算子使二者结合后的遗传神经网络模型具有更快的学习训练收敛速度,为了提高优化效果,设计了自适应的遗传算法交叉算子和变异算子,并通过与基本BP神经网络和自适应BP神经网络的对比,显示了优化的有效性和可行性。运用Matlab实现了遗传神经网络模型,并完成了模型的训练,运用Java语言完成了模型的调用和成绩预测系统的实现。分析结果表明,该遗传神经网络模型在成绩预测方面具有较高的准确性,具有一定的实用价值。     

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。     

基于遗传LMBP神经网络模型的股票预测

股票市场是一个高度非线性的系统,通过传统的方法建立较为精确的预测模型比较困难。文章建立了基于遗传算法的LMBP神经网络组合预测模型。利用遗传算法优化BP神经网络的连接权和阈值。采用LMBP算法改进模型的收敛速度。实例验证表明,在建模样本和预测因子相同的条件下,该模型比传统BP网络的预测结果稳定且精度高。     

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.     

高速铣削工件表面粗糙度遗传-BP神经网络建模

遗传算法作为一种高效,并行的全局搜索优化方法,非常适合用于BP神经网络学习率的优化。文中通过基于遗传算法和BP神经网络提出了遗传-BP神经网络。以实验1、实验2、实验5、实验6、实验9、实验11、实验13和实验15下的高速铣削试验数据构建用于高速铣削工件表面粗糙度建模的训练样本对,并用回归的高速铣削工件表面粗糙度预测模型对实验3和实验7状态中的高速铣削工件表面粗糙度进行预测。通过比较表面粗糙度预测结果和实际结果,发现遗传-BP神经网络在高速铣削工件表面粗糙度进行建模方面是一种十分有效的方法。     

基于遗传神经网络的氧化铝浓度预测

为了精确地对铝电解过程中氧化铝浓度进行控制,通过分析槽电阻与氧化铝浓度的关系,结合铝电解工艺的特点构建基于BP神经网络的氧化铝浓度预测模型。同时,提出利用遗传算法来优化BP神经网络的结构和网络参数,然后利用优化后的网络进行氧化铝浓度进行预测。仿真结果显示,该模型能很好地对氧化铝浓度进行预测,且误差较小。利用遗传神经网络对氧化铝浓度进行预测快速、有效,对实现铝电解过程氧化铝精确控制有着重要意义。     

传算法优化神经网络盲均衡算法分析

在神经网络盲均衡算法和遗传算法的基础之上,文章将两段式优化神经网络权值的相关途径提了出来。遗传算法本身具有非常强的全局搜索能力,通过应用遗传算法对神经网络的初始权值进行优化,考虑BP算法具有非常快的局部搜索速度,因此利用BP算法能够将最佳权值求出来。计算机仿真结果表明,相对于传统的BP神经网络盲均衡算法而言,该算法具有能够减少误码率、控制稳态剩余误差以及加快收敛速度等一系列的优势。基于此,文章分析并介绍了遗传算法优化神经网络权值盲均衡算法的具体方式。     

基于GA的BP神经网络在多目标优化中的应用

针对传统多目标优化的求解方法通常存在目标权值主观性大,优化目标仅为各目标加权和以及在求解过程中各目标优化的不可操作性等问题,文中提出了一种新颖的多目标优化算法,其将改进后的遗传算法与BP神经网络融合,提出了基于遗传算法的BP神经网络融合算法。该算法将遗传算法与BP神经网络算法相结合,充分发挥遗传算法的全局搜索能力优势和BP算法的局部搜索能力特点,使得多目标优化问题得以求解,加快收敛速度,从而提高了收敛精度。     

基于KPCA-GA-BP神经网络的POI质量预测研究

目前移动网络优化一般基于小区进行网络质量评估及预测，遵循“升维研究，降维实施”的研究思路，提出了兴趣点（point of interest,POI）网络质量的柔性评价体系，但其涉及较多网络关键绩效指标（key performanceindicator,KPI），导致POI网络综合质量评价体系较为庞杂且预测精度不高，为提高POI网络质量预测精准性，采用核主成分分析（kernelprincipalcomponentanalysis,KPCA）算法对反向传播（back propagation,BP）神经网络的输入变量进行相关性压缩，简化了BP神经网络结构，然后通过遗传算法（genetic algorithm,GA）优化了BP神经网络连接权值及阈值参数。与传统BP神经网络预测结果进行对比，在预测准确度方面提高了10.90%，均方误差性能显著降低，对研究POI网络质量的预测可起到较好的支撑作用。     

基于优化GA-BP神经网络的金融产品营销预测

传统BP神经网络存在着网络结构参数确定过于依赖经验、易于陷入局部解等缺陷,为了改进BP神经网络模型的应用缺陷,提出优化GA-BP算法,通过GA算法优化BP神经网络拓扑结构和网络参数初始值的选取过程,并且为了验证模型的可行性,以某银行短期理财产品营销的客户历史数据作为实证研究对象,并通过与BP神经网络模型的对比实验,验证该模型可以更精确地预测银行理财产品的客户营销结果。实验结果表明将该模型用于对金融产品营销数据的仿真计算,可以更精确地预测未来营销结果。     

基于BP神经网络和遗传算法的肺结核发病率预测模型研究

对肺结核发病率进行逼近准确的预测,有助于卫生行政等政府部门在肺结核防控规划中提出适宜的目标。文章利用遗传算法对BP神经网络进行优化,建立基于BP神经网络和遗传算法的肺结核发病率预测模型,用来预测肺结核发病率。实验结果表明,模型具有良好的自我学习和预测的能力,以及全局寻优和快速收敛等特性,可以对肺结核发病率进行逼近准确的预测。     

灰色神经网络在城市用水量预测中的应用

为解决传统BP神经网络在城市用水量预测中易陷入局部极小点等问题,将BP神经网络与灰色理论相结合,构建了灰色神经网络模型(GNNM),实现了二者的优势互补,并利用粒子群优化算法(PSO)对该模型的初始权值和阈值进行优化,形成了PSO-GNNM(1,N)算法.通过与传统BP神经网络、灰色理论预测法的预测结果相比较,该算法具有预测误差小、泛化能力强等优点,可为城市用水量的预测工作提供技术支持.     

基于改进神经网络的无线网络流量预测

考虑到无线网络流量具有极强的分散性、随机性以及混沌等特性,使用传统的ARIMA预测模型和BP神经网络模型难以对其进行精确的预测等,该文使用粒子群优化算法对BP神经网络预测模型进行优化以解决BP神经网络容易陷入局部最小值以及训练收敛速率低等问题,引入遗传算法中的自适应变异因子来以一定概率初始化部分变量解决粒子群优化算法会出现陷入局部最优解以及早熟收敛等问题。最后使用经典的CRAWDAD数据库中的无线网络流量数据对该文预测方法性能进行测试,使用稳定小波变换方法将无线网络流量数据分解,得到由1个近似分量以及3个细节分量组成的数据流。测试结果表明,该预测算法在预测性能上要优于ARIMA预测模型和BP神经网络模型。     

基于改进BP神经网络的课堂教学质量评价模型研究

针对基于BP神经网络的课堂教学质量评价存在预测误差较大的不足,为提高评价的准确性和预测性,根据不同评价主体的特点,提出了基于层次分析法和问卷调查法相结合来选取评价指标体系,作为BP神经网络的输入;进而运用遗传算法选择最优个体的原理,优化BP神经网络初始参数来建立课堂教学质量的评价模型。通过对样本数据的训练与测试,表明该模型较大地提高了课堂教学质量评价的精度,在教学评价中具有较好的应用前景。     

基于遗传优化神经网络的边坡稳定性评价

由于引起滑坡的因素复杂,传统预测方法难以得到高精度的结果。文中利用遗传算法(GA)全局搜索能力强、不易陷入局部极小值的特点对样本的初始权值和阈值进行优化处理,使得前馈型神经网络(BP)在学习和预测时能够得到一个最佳的权值和阈值,从而探索出影响滑坡的因子与边坡稳定性之间潜在的关系。从仿真结果可知:优化权值后的BP神经网络得到边坡稳定性的判对率达到100%,而随机权值BP神经网络的判对率仅为54.5%,判对率提高了45.5%;安全系数较随机权值BP神经网络的平均误差提高了6.08%。因此,优化BP神经网络的预测精度得到明显提高,在今后边坡稳定性的实际应用评价中可作为一种有效的辅助手段。