并行GA_ANN预测模型研究

遗传算法GA与人工神经网络ANN相结合的GA_ANN预测模型,在解决大规模问题时,训练模型产生的巨大计算量会导致相当耗时。利用gprof工具剖析出GA_ANN模型的瓶颈所在,并基于OpenMP多线程技术设计出一种并行方案。实验结果表明随着种群规模、繁殖代数以及ANN训练次数的增加,粗粒度的策略结合一定数量的线程能够获得理想的加速比。     

基于GA-GRU环境空气污染物预测研究

针对现有的环境空气污染物预测方法存在缺少输入特征相关性分析和时序信息丢失问题,提出一种将遗传算法和门控循环单元神经网络相结合的环境空气污染物PM2.5小时浓度预测模型,充分挖掘了污染物时间序列内在依赖关系,并解决了不相关因子的干扰和输入特征维度灾难的问题。最后基于绵阳市4个空气污染物监测站点的数据集进行仿真实验,与门控循环单元神经网络、深度信念网络预测比较。结果表明,基于GA-GRU的PM2.5小时浓度预测模型在训练时间、预测精度和鲁棒性上优势显著,是一种可行且有效的预测方法。     

基于预测的遗传算法

遗传算法被广泛应用于解决各类优化问题.常规的遗传算法易于陷入局部最优,其收敛速度也较慢.为了提高常规遗传算法的优化性能,将预测的概念引入遗传算法的循环过程,提出基于预测的遗传算法框架;并以人工神经网络算法作为预测算法,提出了一种基于神经网络预测的遗传算法.通过优化8个典型的函数优化问题,将该算法与常规遗传算法的性能进行了比较;结果显示该算法具有很强的全局优化能力,能有效地增强种群的多样性和进化速度,明显优于常规遗传算法.     

基于EPNET模型和多期预测的时间序列预测

文中主要研究了基于EPNET(Evolutionary Programming Net)的时间序列预测问题。EPNET是一种进化人工神经网络模型,它能够同时代化网络权值和网络结构。该模型没有采用遗传算法中的交叉算子,而是采用了五个变异算子来获得比较理想的进化效果。在此基础上,提出了基于该模型的时间序列预测算法,介绍了该算法实现时的有关问题。     

基于多步控制策略的混合H2/H∞鲁棒预测控制器设计

针对具有外界扰动的线性定常(Linear time invariant, LTI)系统, 本文研究了其鲁棒预测控制器(Robust model predictive control, RMPC)的设计方法. 设计采用了混合的H2/H∞控制方法以有效地兼顾系统的抗干扰能力和闭环控制性能. 同时, 为了降低设计的保守性, 设计利用闭环多步控制策略以扩大控制器的可行范围, 改善系统控制性能. 进而, 为了便于实际实施, 提出该RMPC的简化设计, 通过将大部分在线计算量离线完成以降低鲁 棒预测控制器的在线计算量.     

人工神经网络预测地表水中有机污染物浓度的研究

水环境中的有机污染物含量复杂，其扩散迁移过程更是一个由多种因素共同影响作用的复杂的非线性过程。根据河流地表水中的有机污染物的浓度和影响其浓度的主要因素之间存在的已有映射作用关系，利用对一河流断面的实际监测数据，以采用BP算法的人工神经网络方法建立网络模型。结果表明该方法预测精度高，具有很高的应用价值。     

基于BP-NN和遗传算法的高速公路交通量预测

高速公路交通量预测对于高速公路建设和管理具有重要的指导作用,针对传统预测方法准确性低、预测时间长等问题,提出了将BP神经网络和遗传算法有机结合起来的遗传—神经网络预测模型,并且在实现过程中通过对两种算法的改进,进一步提高预测的效率和准确性,最终通过实验数据验证了该算法具有优良性能。     

F2+uF2和Z4上循环码的Gray象

利用Gray映射Φ的性质,研究了环F₂+uF₂和Z₄上的任意长循环码。证明了环F₂+uF₂上任意长码是循环码当且仅当它的Gray象是域F2上的准循环码,得到了Z₄上任意长码是循环码的一个充分必要条件。特别的,环F₂+uF₂上长为n的线性循环码的Gray象是域F₂上指标为2长为2n的线性准循环码,环Z₄上长为n的线性循环码的Gray象是域F₂上指标为2长为2n的准循环码。     

基于遗传算法和BP神经网络的空气质量预测模型研究

随着雾霾天气频发,大气污染和环境管理引起了人们越来越多的关注。能够精确监测化工园区厂企排放污染物,并能根据周边环境变化对空气质量做出相应预测,对广大民众健康甚至生命安全而言,具有重要的现实意义。本文利用遗传算法优化BP神经网络的权重和阙值,根据天气预报的相关变量,构建了空气质量预测模型,使预测模型的网络收敛速度、预测精度、拟合度以及泛化能力都有所w提高。     

基于BP神经网络的空气质量模型分类预测研究

随着工业社会的发展,空气质量问题已经成为环保任务的主要焦点。BP神经网络作为深度学习的一种,已经在大部分领域被广泛使用。为了让广大市民更好的了解空气质量情况,本文以云南省昆明市为例,收集当地近6年的空气质量数据,并基于Python语言,在Anaconda环境下的Numpy包建立了三层神经网络数学模型,对空气质量等级进行分类预测。通过训练样本对神经网络模型的训练以及相关参数的调试,得到较好的分类预测模型。将分类结果与实际结果进行比较,结果显示,本次的神经网络模型的分类预测准确率达到90%,能够较好的分析空气质量,达到预期需求。     

一个基于神经网络和遗传算法的游戏自主角色的设计

具有学习能力和动态适应环境变化的自主角色已经成为商业游戏的一个卖点,采用传统的人工智能方法往往无法实现复杂的自主角色的行为,基于此,采用非确定性的神经网络和遗传算法来实现自主角色已经成为当前游戏人工智能的一个热点。分析了游戏自主角色的特点, 建立了NPC的自主认知模型,同时采用神经网络和遗传算法相结合的游戏自主角色的设计思路,利用遗传算法优化神经网络的方法设计了一个自主角色的框架,建立了一个游戏角色的自学习模型,通过仿真实验表明采用神经网络和遗传算法相结合的非确定性算法形成的游戏角色的自学习系统要比传统的NPC角色更加自主和智能化。     

人工神经网络结合遗传算法在建模和优化中的应用

用MATLAB构造了人工神经网络和遗传算法程序。人工神经网络用来建立数据样本间的函数关系，而遗传算法用来求解由该函数作为目标函数的优化问题。最后用一个实例对所编程序进行了测试，结果是令人满意的。     

基于优化遗传小波网络的混沌时间序列预测

研究利用小波神经网络(WNN)预测混沌时间序列。提出了一种改进的小波神经网络训练算法,该方法融合了遗传算法和梯度下降算法两种方法,在遗传算法中嵌入梯度下降算法以解决遗传算法不具有的细节搜索能力,对遗传算法训练后的小波网络再次利用梯度下降算法寻找最优点。对Henon映射混沌时间序列的预测证明了该方法的有效性,实验结果表明该算法能确保小波网络收敛和具有较高的预测精度。     

SCM数据挖掘的混合遗传算法模型

讨论了SCM背景下的生产批量与数量折扣定价联合决策问题的数据挖掘模型及其基于混合遗传算法的实现思想,并介绍了一个利用此模型而设计的SCM数据挖掘系统。结合某公司的实例,进行了详细的分析和说明,用Power Builder和Sybase实现。     

一种基于模糊径向基神经网络的图像融合方法

传统的基于区域特征图像融合方法的一个难点是各源图像最佳权值的分配问题。该文利用径向基神经网络与T-S模糊推理模型具有函数等价性的特点,设计了一种模糊推理神经网络实现基于区域特征的图像融合,并用遗传算法优化网络参数。该网络能够自适应地动态获取优化的图像融合权值参数。仿真实验表明该算法有效可行,通过与传统的基于区域特征的图像融合算法相比,融合性能得到明显改善。     

多层前向神经网络在柴油机故障诊断系统中的应用研究

故障诊断是计算机模式识别领域的一个活跃课题。文中提出了基于ANN的柴油机故障诊断方法,设计了适合该诊断系统的BP网络结构,并给出了一种改进的BP算法(IBP),该算法基于黄金分割法自适应调整网络学习速率。仿真结果表明:该算法比标准BP算法具有更快的学习速度和更高的学习精度,完全适用于柴油机故障诊断系统。     

基于遗传的装配线平衡系统研究

给出了用于求解装配线平衡的遗传算法。在此基础上,分析了装配线平衡系统的功能和工作机理。并采用面向对象语言开发了装配线平衡系统。最后将此系统用于某装配线的平衡,并依据平衡结果进行仿真,证明该算法效果较好。利用该系统可以有效地解决装配线平衡问题,大大降低成本,为提高装配线的生产效率和改进装配线提供了技术依据。     

基于遗传优化径向基概率神经网络的岩性识别应用

岩性识别是测井数据解释中最关键的一环,但传统的岩性识别方法解释效率慢,精度低,受人为因素影响大。为此,提出一种遗传优化径向基概率神经网络(RBPNN)的岩性识别方法。该方法融合概率神经网络(PNN)和径向基函数神经网络(RBFNN)的优势来构造RBPNN,采用遗传算法搜索使得RBPNN训练法误差最小的最优隐中心矢量和相匹配的核函数控制参数,优化网络结构,提高收敛速度与精度,形成全结构遗传优化的RBPNN模型。实例应用表明,基于遗传优化RBPNN的岩性识别能够达到工程实际应用的规范标准,且是可行有效的,能够为油田地质勘探领域的岩性识别提供科学的理论支持与依靠。     

基于AHP和ANN的网络安全综合评价方法研究

网络安全评价是一项复杂的系统工程。论文采用层次分析法(AHP),对影响网络安全的各种因素进行了深入研究,确立了网络安全综合评价指标体系,提出了人工神经网络(ANN)安全评价模型,为全面评价计算机网络安全状况提供了新的思路和方法。     

基于人工神经网络在模具数控加工中的应用

形状特殊的模具在加工之前,应先根据一些已知条件确定出合理的加工参数,而获得最佳加工参数的途径之一就是用最优化技术对问题求解。由于模具数控加工中加工参数与加工质量之间存在高度的非线性关系,而人工神经网络（Artificial Neural Networks简称ANN）又十分擅长表达输入输出关系不明确的高度非线性关系,故基于ANN的优化设计,是解决模具数控加工技术参数优化的有效途径。