基于遗传算法和神经网络的远程减速机故障诊断系统的设计

通过对减速机故障形式的分析,采用BP神经网络建立故障诊断模型,利用遗传算法优化神经网络权值、阈值、网络结构,将遗传神经网络模型应用到远程减速机的故障诊断的设计中,比较单一的神经网络和遗传神经网络的训练误差曲线,得出遗传神经网络在训练速度和准确性上远远高于神经网络训练模型.     

基于遗传算法和神经网络的远程减速机故障诊断系统的设计

通过对减速机故障形式的分析,采用BP神经网络建立故障诊断模型,利用遗传算法优化神经网络权值、阈值、网络结构,将遗传神经网络模型应用到远程减速机的故障诊断的设计中,比较单一的神经网络和遗传神经网络的训练误差曲线,得出遗传神经网络在训练速度和准确性上远远高于神经网络训练模型。     

遗传算法在神经网络权值优化中的应用

讨论了基于遗传算法的神经网络权值优化问题.并通过实验仿真将该算法与BP算法进行比校,从而验证了该算法的可行性与有效性.     

基于改进遗传算法的神经网络优化

针对在神经网络应用中,存在结构设计及权值训练算法的不足,提出一种新的基于混合编码方案的遗传算法.在算法中设计了用遗传算法全局优化神经网络拓扑结构和网络权值的新的编码方案,改进了适应度函数的设计和采用自适应的交叉和变异方法.试验结果表明本算法能有效地对神经网络的权值和结构同时优化,提高了训练效率.     

神经网络遗传算法在供热负荷预测中应用

针对BP算法收敛速度慢,存在易陷入局部极小值,不能有效地搜索到全局极小点等缺点.采用遗传算法优化神经网络权系值的方法,设计了神经网络供热负荷预测模型,并用实际数据进行了仿真检验,结果表明该模型不仅在一定程度上避免了学习中的局部极小问题、改进了网络性能、提高了学习的效率,而且对供热负荷预测具有较高的精度和可靠性.     

遗传算法和神经网络耦合的金融预测系统

神经网络具有强大处理非线性系统的能力和映射能力,在财务预警和金融预测中得到广泛应用.神经网络与遗传算法耦合的金融参数预测系统(GA-BP系统)是利用智能模拟算法,算法要点是遗传算法对神经网络预测金融系统拓扑结构层间权系值进行优胜劣汰演化,本文证明二者耦合能提高网络系统的效率和预测精度,实现了两种智能模拟方法的集成耦合.     

基于遗传算法神经网络集成股票市场预测研究

神经网络集成技术能有效地提高神经网络的学习能力和泛化能力,已经成为机器学习和神经计算领域的一个研究热点.本文利用不同的神经网络算法产生神经网络集成个体,以误差平方和最小为准则,用遗传算法动态求解集成个体的非负权重系数,进行最优组合集成建模研究,并以此建立股市预测模型.通过上证指数开盘价、收盘价进行实例分析,计算结果表明该方法相对传统的简单平均集成模型,具有预测精度高、稳定性好,易于操作的特点.     

基于遗传算法和神经网络的攻丝扭矩预测

针对振动攻丝工艺参数与攻丝扭矩之间的高度非线性关系问题,利用神经网络的基本原理,结合遗传算法理论建立了工艺参数和攻丝扭矩之间的关系模型.将网络模型的预测结果与实验结果进行了比较,显示出了GA-BP预测模型的可靠性.     

遗传算法在前馈神经网络中的应用

比较了遗传算法和神经网络的特点，对于将遗传算法用于前馈神经网络的可能性进行了研究，并给出了应用实例；同时提出了一种构造变长染色体用于神经网络演化的方法，并描述了作用于变长染色体上的遗传操作机制。     

遗传算法在BP网络权值学习中的应用

针对BP算法学习神经网络权值收敛速度慢、易陷入局部最优等缺点 ,采用遗传算法学习BP网络的权值 ;并给出了“异或”(XOR)问题的仿真示例 ,通过比较 ,发现遗传算法不会陷入局部最优 ,有效地改善了收敛速度     

基于遗传算法的人工神经网络负荷预测研究

针对BP神经网络的固有缺陷,如训练速度慢,易收敛于局部极小点及全局搜索能力弱等,改进了传统BP算法,并采用遗传算法设计和优化神经网络结构参数,在此基础上建立了基于遗传算法的人工神经网络负荷预测模型,预测仿真结果表明,本文所提出的方法在预测精度和收敛速度方面均得到了改进。     

遗传算法在BP神经网络学习中的应用

在遗传算法与BP神经网络结构模型相结合的基础上,设计了用遗传算法训练神经网络权重的新方法．     

遗传算法与神经网络在洪水预报中的应用

采用遗传学习算法对神经网络BP模型的初始权重进行优化,即先用遗传学习算法进行全局训练,再用BP算法进行精确训练,使网络收敛速度加快和避免局部极小。将该方法运用于洪水预报问题,并利用山西省文峪河水库的历史资料条件建立一个网络,以洪水预报的各种控制因素相关资料作为样本,对网络进行训练并用训练好的网络进行预报。网络的训练速度及预报结果表明,该算法收敛速度较快,预测精度很高,为洪水预报提供了一种新思路和新方法。     

遗传算法在神经网络设计中的应用

通过对正被广泛应用的、智能的、并行的全局优化方法—遗传算法的性能分析，并与其它算法比较，阐述了遗传算法在神经网络设计中的优越性.     

基因遗传算法用于人工神经网络的训练

根据基因遗传算法GA的基本原理,阐述了GA用于神经网络训练问题的适合度函数和编码方法,分析了标准GA的不足,提出了自适应浮动区间中心点、全局搜索和局部精确搜索等改进策略,发展了GENITOR算法.训练实例表明,GA不仅能代替BP算法,而且能完成神经元激发函数不可微的多层神经网络的训练.     

基于遗传神经网络的产品价格预测方法

应用遗传神经网络方法，建立了工业产品预测的神经网络预测模型，并运用遗传算法对建立的神经网络模型的结构和推理参数进行优化，使预测结果更加准确，为工业项目的投资评估提供了一种更为合理的预测方法．     

利用遗传算法辅助设计人工神经网络的权值和域值

利用遗传算法具有的全局随机搜索能力，设计了一个基于遗传算法的人工神经网络学习算法，利用MAT-LAB进行仿真计算。实验结果表明，该算法具有明显的优越性，可以避免BP算法的不足，极大地提高了网络的学习性能，具有一定的实用性。     

利用遗传算法优化人工神经网络权值

遗传算法是一种新的、基于自然选择和基因遗传学原理的随机搜索算法．针对神经网络中BP算法学习效率低且收敛速度慢以及容易陷入局部最优等不足，文章提出利用遗传算法对BP神经网络中的神经元间的连接权值进行优化的方法．试验结果表明，用遗传算法优化BP神经网络的连接权值后收敛速度快，并有效的解决了BP算法容易陷入局部最优的问题．     

基于遗传算法神经网络盲均衡算法的研究

将遗传算法引入神经网络盲均衡,利用其全局搜索能力强的特性来消除传统神经网络算法易陷入局部最优解、训练速度慢的缺点。采用两阶段寻优法,首先,通过遗传算法来为神经网络提供一个全局较优的局部搜索空间;其次,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。计算机仿真表明,该算法能达到更好的收敛特性和均衡效果。