一种神经网络辨识的混合学习算法

文章提出了一种神经网络辨识的混合学习算法。采用具有递阶结构的遗传算法来获得神经网络拓扑结构和连接权值的全局次优解,之后由BP算法来进一步调整神经网络的连接权值,从而实现神经网络的自动优化设计。仿真结果表明,所得的神经网络结构简单、精度高,并具有良好的泛化能力。     

基于遗传神经网络的地震预测研究

分析遗传算法(GA)及BP神经网络的结构特性,提出利用具有全局搜索能力的遗传算法来弥补BP网络的不足,克服BP(Error Back Propagation)算法收敛速度慢,易陷入局部极小点的缺点,优化神经网络的连接权值和阈值.针对地震预测中,震级预测的困难性等问题,将具有全局搜索能力的遗传算法和具有深度搜索能力的BP算法相结合实现地震震级预测建模.通过实验比较得到了较好的预测结果,该模型是可行、有效的.     

一种基于自适应遗传算法的神经网络学习算法

结合遗传算法与梯度下降法优点,提出了一种训练神经网络权值的混合优化算法,同时能够优化网络的结构.首先利用全局搜索能力可靠的遗传算法,采用递阶编码方案和自适应变异概率,同时优化网络的权值和结构,在进化结束时,能够寻到全局最优点附近的点.在遗传算法搜索结果的基础上,利用局部寻优能力较强的梯度下降法,从此点出发,进行局部搜索,最终达到网络的训练目标.与单一的遗传算法或者梯度下降法比较而言,混合优化算法的收敛速度明显提高.     

基于多遗传算法的BP神经网络人脸识别

人脸识别应用十分广泛,在实际问题中较高的识别率十分重要,其中BP神经网络模型广泛用于人脸识别.然而在现实应用中,BP神经网络结构和权值阈值的选取往往依靠经验值,这使得BP神经网络存在容易陷入局部最优和收敛速度慢等问题。针对该问题,提出了一种基于多遗传算法优化BP神经网络结构和权值阈值的人脸识别方法。利用主成分分析算法对人脸图像进行降维,快速独立成分分析算法对人脸图像进行特征提取,以组合算法的方式使得处理后的人脸图像特征更加明显。通过第一层遗传算法优化BP神经网络的结构,第二层遗传算法优化BP神经网络的权值阈值,以此解决BP神经网络陷入局部最优和收敛速度慢等问题。基于ORL人脸库进行仿真验证,实验结果表明该算法具有较高的识别率。     

自适应差分进化算法优化BP神经网络的时间序列预测

针对BP神经网络学习算法随机初始化连接权值和阈值易使模型陷入局部极小点的缺点,设计了一种自适应差分进化算法优化BP神经网络的混合算法。该混合算法中,差分进化算法采用自适应变异和交叉因子优化BP神经网络的初始权值和阈值,再用预寻优得到的初始权值和阈值训练BP神经网络得到最优的权值和阈值。首先对改进的自适应差分进化算法运用测试函数进行性能测试,然后用一个经典时间序列问题对提出的混合算法进行了检验,并与一般的神经网络、ARIMA预测模型及其它混合预测模型进行了对比,实验结果表明,本文提出的混合算法有效并且明显提高了预测精度。     

自适应递阶遗传算法优化BP网络的程序设计

主要阐述了一种新的遗传算法-自适应递阶遗传算法的基本原理,解决了长期以来无法同时对神经网络拓扑结构和神经网络的权值和阈值进行优化的问题,设计了一个基于自适应递阶遗传算法的BP神经网络学习算法,给出了具体的程序设计,并且利用MATLAB平台进行仿真计算.实验结果表明,该算法比一般遗传算法具有明显的优越性,可以避免神经网络陷入局部最优,迅速优化网络的拓扑结构,提高了网络的学习性能,具有一定的实用性.     

基于SAGA优化BP神经网络的木材含水率预测

针对木材干燥过程中含水率的检测问题,提出了一种基于SAGA优化BP神经网络的木材含水率预测方法,即采用遗传算法与模拟退火算法相结合的学习策略,利用SAGA的全局寻优能力优化BP网络的权值和阈值.仿真试验表明,优化后的BP网络表现出良好的预测性能,缩短了训练时间,避免了BP算法陷入局部小,具有很高的预测精度.     

基于遗传算法的函数型小波网络

针对传统小波神经网络易陷入局部极小等缺陷,采用遗传算法对神经网络进行优化。提出了一种结合实数编码与二进制编码的多值编码遗传算法,上述算法在同一条染色体上同时使用实数编码与二进制编码,有机结合了两者的优点,并把遗传算法用于优化函数型小波网络的结构中,可获得具有更好泛化能力的小波网络。仿真实验结果表明,利用该遗传算法训练小波神经网络,能使网络具有简单的结构形式,较高的逼近精度和较强的泛化能力,并证实了网络的有效性和优越性能。     

基于遗传神经网络的VAV空调系统预测模型

针对单纯的机理建模方法难以准确预测变风量空调系统(VAV)的参数,利用BP神经网络构建了变风量空调系统的预测模型,并将遗传算法与BP网络相结合,提出运用遗传算法对神经网络的权值和阈值进行遗传搜索,寻优后再进行BP运算,以克服BP算法收敛速度慢、易陷入局部解的缺点;通过实验平台采集了大量数据对所建模型进行训练和验证,结果表明,模型对空调送风参数以及房间温湿度的预测结果与实测数据能很好拟合,精确度高,泛化能力强.     

一种基于自适应遗传算法的神经网络学习算法

结合遗传算法与梯度下降法优点,提出了一种训练神经网络权值的混合优化算法,同时能够优化网络的结构。首先利用全局搜索能力可靠的遗传算法,采用递阶编码方案和自适应变异概率,同时优化网络的权值和结构,在进化结束时,能够寻到全局最优点附近的点。在遗传算法搜索结果的基础上,利用局部寻优能力较强的梯度下降法,从此点出发,进行局部搜索,最终达到网络的训练目标。与单一的遗传算法或者梯度下降法比较而言,混合优化算法的收敛速度明显提高。     

基于融合算法的测试优化选择问题研究

测试优化选择是个集覆盖问题,而启发式算法是求解集覆盖问题的有效方法。文中将遗传算法、BP神经网络和模拟退火算法进行融合,提出了一种融合算法,该算法充分利用遗传算法全局搜索能力强、BP神经网络训练能力强和模拟退火算法搜索速度快的优点,既避免陷入局部最优的现象,又提高了搜索的效率和精度。该算法已应用于求解测试优化问题。实例证明,该算法能够快速有效地求得测试优化问题的最优解。     

基于遗传算法的软件质量预测

研究提高软件质量问题,软件质量是一种智力产品,质量度量属性较多,传统神经网络无法准确提取最优度量软件质量属性,预测准确率低。为了提高软件质量预测准确率,将遗传算法引入到软件质量度量属性选择中。首先采用遗传算法选择最优软件质量度量属性,然后将度量属性输入神经网络进行训练,建立软件质量预测模型。通过仿真对模型性能进行测试,结果表明,遗传神经网络对软件质量预测模型降低软件质量预测错误率,提高预测准确率,在理论和实际上都具有创新性。     

基于自适应递阶遗传算法的小波网络研究与应用

针对传统网络收敛速度慢、隐层节点数选取盲目的问题,提出了一种基于递阶结构的自适应遗传算法.该遗传算法采取基于递阶结构的编码方式和自适应调整遗传算子,以网络的复杂性和准确性为目标函数,同时优化小波网络的结构和网络参数,并将优化网络用于飞控系统舵机的故障诊断,通过与传统的BP算法比较,结果表明基于递阶结构的自适应遗传算法的网络结构优化能力很强,且网络的收敛性能和诊断能力都有了很大的改进.     

基于傅里叶描述子RBFNN有杆泵井故障诊断

在对有杆泵井进行故障诊断过程中,采用了具有很强轮廓形状识别能力的傅里叶描述子作为RBFNN（径向基函数神经网络）的输入向量特征提取,通过分析比较基于梯度下降法和遗传算法的RBF网络各自特点,提出了一种基于傅里叶描述子的分层循环学习RBFNN算法。通过对非线性函数逼近的仿真实验证明了所提算法是准确有效的,最后利用MATLAB神经网络工具箱,建立分层学习算法的网络模型实现对有杆泵井的故障诊断,通过仿真测试验证了所提出的故障诊断方法能够准确地判断出有杆泵井故障类型。     

竞争算法优化BP神经网络性能研究

针对诸多群智能算法容易陷入局部最优、收敛速度慢的特点，提出一种参数设置少，全局搜索能力强的竞争算法.通过10个基准函数与粒子群算法的比较，30次试验下竞争算法的平均值与最小值均优于粒子群算法，验证了该算法的有效性.用竞争算法优化BP神经网络，并对11个测试数据集进行分类，实验结果表明，用竞争算法优化后的BP神经网络在11个测试集上性能均优于原始算法，且在大部分测试集上性能优于用遗传算法优化的BP神经网络.该算法能有效提高分类正确率，增强鲁棒性.     

基于遗传算法和最小二乘支持向量机可靠性分配*

为了提高系统可靠性的精确快速分配,采用支持向量机对系统可靠性进行建模,采用逆向思维对系统可靠性进行分配;为了提高求解速度和鲁棒性,用最小二乘法对支持向量机进行算法优化,并用遗传算法对最小二乘支持向量机进行参数优化;为了提高分配精度,用三角模糊数进行模糊处理;最后针对某系统的可靠性,采用遗传算法优化和模糊处理的最小二乘支持向量机进行分配,并与神经网络和普通遗传算法优化的最小二乘支持向量机进行对比。结果表明,用遗传算法优化和模糊数处理的最小二乘支持向量机具有分配精度高,泛化能力强等优点。     

入侵检测的进化神经网络研究

针对传统入侵检测系统漏报率和误报率高的问题,提出基于遗传神经网络的入侵检测系统。该系统将遗传算法和BP算法有机结合,利用遗传算法较强的宏观搜索能力和全局寻优特点,优化BP网络的初始权值和阈值,并在此基础上进行神经网络学习,从而建立入侵检测系统的优化分析模型。实验结果表明,该算法可以有效地运用于入侵检测系统中。     

基于反时限混沌郊狼优化算法的BP神经网络参数优化

针对郊狼优化算法优化性能弱及多样性低等问题,提出一种基于反时限衰减算子的混沌郊狼优化算法(ICCOA).首先,在个体迭代更新过程加入反时限衰减权重因子,使得全局搜索与局部开发能力保持平衡的同时提高算法的搜索速度;其次,加入基于Tent混沌映射的混沌干扰机制,将种群中部分较差个体经过映射产生新个体,进而增大种群多样性;接着,为了验证ICCOA算法的优化能力,分别在10、30和100维度下进行函数优化测试,并与5种优化算法进行比较,其实验结果表明ICCOA算法具有良好的优化性能;最后,将ICCOA算法应用于BP神经网络参数优化,提出新的神经网络模型(ICCOABP),并与标准神经网络、基于遗传算法的BP神经网络参数优化方法一同应用于机器学习的分类任务进行性能比较,实验结果表明ICCOABP算法具有高效性.     

改进PSO优化神经网络算法的人体姿态识别

为了提高人体姿态的识别精度,提出一种基于改进的粒子群优化(PSO)神经网络的人体姿态识别算法.采用加速度传感器获取加速度信息,并在常用特征集的基础上,加入离散系数和曲线积分两种新特征作为神经网络的输入;在利用PSO神经网络参数的同时,通过控制概率,自适应地对粒子进行遗传操作,增强粒子跳出局部极小值的能力;采用训练后的神经网络对6种人体姿态进行识别.实验结果表明:该算法收敛速度和全局寻优能力得到了提高,与其他经典算法相比识别精度更高.     

神经网络基于粒子群优化的学习算法研究

研究神经网络基于粒子群优化的学习算法，将粒子群优化算法用于神经网络的学习训练，并与遗传算法进行了比较，结果表明，神经网络基于粒子群优化的学习算法简单容易实现，而且能更快地收敛于最优解。