基于遗传算法学习的一类多层神经网络

针对非线性、不确定性问题,采用了遗传算法和神经网络相结合的办法,成功地实现了非线性模型的辨识问题及倒立摆的控制,仿真结果证明：遗传神经网络的结合,可瘘有神经网络广泛能力和遗传算法的快速全局收敛等性能。     

基于递归聚类与相似性的模糊神经网络结构设计

针对模糊神经网络结构设计问题,提出一种基于递归聚类与相似性的结构设计方法.首先,提出以输出变化强度为导向、以结构细分为手段的递归聚类方法对网络初始结构进行设计.其次,通过计算模糊规则的相似性,将高度相似的规则进行合并,在保持良好精度的前提下,对网络初始结构进行简化.最后,通过函数逼近、非线性系统辨识仿真实验验证了方法的可行性和有效性.     

多层前馈神经网络的能力和结构设计方法综述

多层前馈神经网络的能力及结构设计，特别是其隐层单元数目的优化选定问题，受到人们的广泛重视，关于该问题，已有许多章对之进行讨论，并获得了某些设计方法和理论结果。本参考众多献，首先分析总结了关于多层前馈神经网络能力现有的理论结果，对其中最有指导意义的一些论点进行了重点叙述，并将已被采用的一些多层前馈网络的结构设计方法归纳为三种类型，即直接定型法，修剪法和生长法，最后，给出了我们的结论。     

基于神经网络的结构分析与设计

对神经网络的基本概念及其在结构工程中应用的可行性进行了阐述,对基于神经网络的结构分析、结构初始设计的理论与计算方法进行了研究,并通过数值算例验证了该理论有效性和准确性。     

BP神经网络结构设计的频谱取值模型研究

提出BP神经网络隐层节点数频谱取值法（Frequency Spectrum-Rule简称FS－Rule)的新概念,并建立了F－S取值模式,实践证明：F－S模型可快速准确地计算隐层点数,较好地解决人工神经网络结构设计的难题。     

一种基于神经网络的专家系统构造方法

提出了一种基于神经网络的专家系统的构造方法，将BP网络以神经子网的形式嵌入在产生式规则中，以数据资源作为最小知识单位，能根据用户的要求直接生成基于产生式规则的专家系统，并具有良好的知识再获取能力。经仿真和应用，具有良好的实用性和正确性。     

基于遗传算法的神经网络优化的研究

有效地确定神经网络的参数和结构,一直是神经网络研究中的一个难点。遗传算法是一种基自然选择和自然遗传机理的全局搜索学习算法。本文研究了遗传算法优化神经网络连接权的思想和方法。实验结果表明,遗传算法为训练神经网络提供了一种新的途径。     

基于遗传算法的模糊神经网络控制器的仿真

对遗传算法（GA）和模糊神经网络控制器的结构进行了说明,为了克服以反向传播算法（BP）的缺点,通过遗传算法对模糊神经网络控制器的参数进行优化,亦即对模糊神经网络进行训练,用通过优化后的模糊神经网络控制器控制一个带有纯滞后的非线性对象,仿真结果证实了其性能较常规模糊控制器优越。     

一种基于模糊神经网络的知识获取方法

从收集的数据中获取知识一直是一个难点。符号智能和计算智能是模拟人类智能认知层淀模型的两个方面,其中的模糊逻辑系统与神经计算是当代人工智能的重要发展趋向,神经计算通过目标系统的响应数据进行学习模拟模型易一埂瓣结合将优势互补。总结了石油探开发信息处理多专家系统的一切中;运用模糊神经网络模型获取知识的研究和实现。     

基于遗传算法的神经网络优化的研究

有效地确定神经网络的参数和结构,一直是神经网络研究中的一个难点。遗传算法是一种基于自然选择和自然遗传机理的全局搜索学习算法。本文研究了用遗传算法优化神经网络连接权的思想和方法。实验结果表明,遗传算法为训练神经网络提供了一种新的途径     

基于神经网络和遗传算法的实验参数确定

将 BP神经网络用于实验数据结果的“预处理”,剔除奇异样本数据 ,并利用实数直接操作的遗传算法 (FGA) ,发挥 FGA概率搜索和群体优势 ,将处理后的数据分别代入给定的含参数的方程 ,在总体误差最小的情况下 ,寻求符合实验数据的参数的优化解 ;将优化结果与常规数理统计方法进行了比较 ,证实了该方法的有效性 ;而且对其它实验数据的处理及实验参数的确定 ,有一定的参考价值。     

基于神经网络与遗传算法的结构优化设计方法

从神经网络和遗传算法的原理出发,利用遗传算法和神经网络相结合的策略对结构参数进行优化.在确定结构优化的目标函数和设计变量集合的基础上,用神经网络学习算法建立货架结构设计参数与结构重量、结构最大应力、最大位移等的非线性全局映射关系,获得遗传算法求解结构优化问题所需的目标函数,用遗传算法进行优胜劣汰的寻优搜索运算,从而求出所需最优解.以货架结构的优化为例说明了上述方法的应用.遗传算法和神经网络的优化结果是在正交设计法确定的训练样本足够大的基础上得出的,具有较强的可靠性.     

基于一类改进遗传算法的进化神经网络研究

分析传统遗传算法易早熟收敛的主要原因,提出一类改进的遗传算法以及一种基于改进遗传算法的前馈神经网络设计方法,用以同时完成对网络结构空间和权值空间的搜索。该算法将普通遗传算法的交叉算子和遗传算子进行改进,利用模拟退火算法、BP算法和小生境技术来加快算法的收敛速度,改善解的性能。通过对异或(XOR)、噪声模式识别等前馈神经网络性能的一组测试,与BP算法进行比较,实验结果表明,该算法能够有效抑制遗传算法初期收敛的发生,有效地提高多层前馈神经网络的收敛精度和收敛速度,由此得到的神经网络的泛化能力也较好,能够达到根据训练样本自动优化设计多层前馈式神经网络的目的,并可获得更为简洁的网络结构。     

基于遗传优化的神经网络盲均衡算法

传统前馈神经网络盲均衡中神经网络的初始权重的确定缺乏理论依据,收敛速度慢,容易陷人局部极小值.为有效克服这些缺陷,提出了遗传优化神经网络的盲均衡算法.算法用遗传算法对前馈神经网络的网络权重进行优化,为神经网络提供一个全局较优的局部搜索空间;再利用传统神经网络在这个局部空间进行更精确地搜索,最终实现盲均衡.计算机仿真结果表明:与传统神经网络算法相比,新算法达到了更好的收敛特性和均衡效果,剩余稳态误差减少30%以上,收敛速度加快约20%,误码率也有明显降低.     

基于遗传BP神经网络的磁流变悬置模型辨识

为克服误差逆向传播算法的多层前馈型BP神经网络收敛速度慢、局部极小化问题,提出用遗传算法(GA)的全局搜索能力寻求最优的BP神经网络权值和阀值,以提高神经网络的收敛速度和克服局部最优。以磁流变液压悬置动态特性试验结果为数据样本,分别用未优化的BP神经网络和优化后的GA-BP神经网络对磁流变液压悬置正、逆模型进行辨识。结果表明,相对于BP神经网络,GA-BP神经网络具有更高的辨识精度、更快的收敛速度,在磁流变液压悬置数学模型辨识方面具备更优的性能。     

基于遗传算法BP神经网络的零件图特征识别

研究用多层BP神经网络识别二维零件图的形状特征信息.利用遗传算法加快BP神经网络的收敛速度.提出零件图扩展属性矩阵的概念及求法,对AutoCAD R2000进行二次开发,完善了我们开发的二维回转类零件图特征识别和提取系统,具有一定的理论和实用价值.     

基于多元智能理论的网络课程设计

结合组网技术与网络管理课程,阐述了在多元智能理论指导下该网络课程的设计方法,分析了基于多元智能理论的网络课程设计步骤,说明了多元智能理论对现代网络课程设计和开发等实践活动的指导作用.     

遗传算法在给水管网设计中应用的可行性分析

简述遗传算法(genetic algorithms)最优化理论的基本原理和方法，结合城市给水管网设计理论和实际工程中管径计算的要求，尝试将遗传算法应用于给水管网优化设计中，并提出求解给水管网管径优化解的计算思路。     

基于BP网络的燃烧器火焰燃烧状态识别

基于原有数字图像处理系统,根据采集的电站锅炉直流燃烧器和旋流燃烧器火焰图像,讨论了特征值的意义和提取方法,运用现代人工神经网络智能理论,设计并训练了BP网络实现燃烧状态实时判断的功能。