基于小波神经网络的薄互储层参数预测

针对薄互储层沉积具有储层厚度薄且横向变化剧烈的特点,及油气藏所具有的复杂性,本文提出了一种新的薄互储层参数的预测方法--小波神经网络技术小波神经网络是基于小波分析理论所构造的一种新的神经网络模型,它充分利用小波变换良好的局部化性质,并结合神经网络的自学习功能,因而具有较强的逼近能力,从而提高薄互储层参数的预测精度.并通过实例验证了此方法的正确性.     

基于Elman神经网络和遗传算法的油田指标预测#

基于指标预测在油田实际开发中的应用,提出将神经网络和改进的遗传算法结合起来构建预测模型。神经网络采用具有动态反馈的Elman网络,充分发挥其动态预测的优势,同时借助遗传算法弥补其训练速度慢和容易陷入局部极小的缺点。对遗传算法的选择算子加以改进,不仅可以保存优良个体而且可以提高搜索效率。将神经网络和遗传算法进行有机结合,实现优势互补,以大庆葡北油田三断块的后续水驱含水率实测数据为例对模型进行论证,结果表明,该模型能达到很好的指标预测效果,本文提出的方法是有效可行的。     

改进PSO-BP神经网络对储层参数的动态预测研究

为提高BP神经网络的收敛速度和泛化能力,防止其陷入局部最优值,在前人工作基础上对传统粒子群算法进行了改进,具体包括：设定最大限制速度、改变惯性权重因子和改进适应度函数,并把改进粒子群算法应用于BP神经网络权值和阈值的优化。之后利用改进粒子群算法优化的BP神经网络实现对储层参数的动态预测,具体步骤为：确定神经网络的输入、输出神经元,定量化时间参数[T],利用训练样本构建神经网络模型并进行检验。最后通过平均训练误差对仿真过程进行分析,结果表明改进PSO-BP算法的收敛性与泛化能力均优于BP算法和PSO-BP算法。     

基于稀疏诱导特征选择神经网络的储层预测方法研究

常规储层预测方法对地震属性之间的隐含关系挖掘不充分、地震属性种类繁多难以选择.针对以上问题,为提高储层岩性的分类预测精度,提出一种结合特征选择与神经网络的储层预测方法.以DenseNet与SENet为基础,使用正则惩罚项进行网络输入层稀疏化,得到每个输入节点权重,进一步使用ReLU激活函数构建特征选择层,实现地震属性的...     

基于遗传算法和神经网络的股票价格预测

针对证券市场运作的复杂性,提出了一种改进的BP神经网络模型,并将其应用于金融街的股价预测。采用遗传算法对网络结构和权值进行了优化,提高了网络的预测精度,加快了收敛速度,克服了以往传统预测方法的缺点。实验结果表明,将改进的BP网络模型用于股市分析和股价预测具有一定的准确性和应用价值。     

基于遗传算法的模糊神经网络股市建模与预测

提出一种基于模糊神经网络的股票市场建模与预测方法，并采用遗传算法训练网络权值及模糊子集的划分，对于上证指数及个股的建模与预测结果表明，该方法具有很强的学习与泛化能力，在处理诸如股票市场上这种具有一定程度不确定性的非互性的建模与预测方面有很发的价值。     

基于Elman神经网络的装备状态组合预测方法

针对单一预测模型在利用多维状态特征信息进行状态预测时效果常常不够理想的情况,提出以灰色理论等模型作为单项预测模型,运用Elman神经网络进行变权组合预测的建模方法;考虑神经网络容易因过拟合导致预测时泛化能力变差的问题,运用遗传算法对神经网络隐层节点数和训练误差阈值进行优化求解,建立了完整的基于Elman神经网络的组合预测建模方法;最后,通过案例分析验证了该预测方法的有效性,结果表明组合预测能够将三步以内的预测相对误差控制在10%以内,大大优于定权组合预测模型。     

基于遗传算法优化小波神经网络的短期天然气负荷预测

天然气负荷预测对于燃气经营企业尤其重要,对保证天然气管网的用气量、优化管网的调度具有重要意义.传统的天然气预测模型预测精度低、模型泛化程度低.为了克服模型缺陷,提出了一种基于遗传算法优化小波神经网络的天然气负荷预测模型.通过遗传算法对小波神经网络的阈值以及网络连接权值等参数进行优化,从而建立预测效果最好的模型,通过企业提供的历史门站数据对预测模型进行验证.仿真结果表明,使用遗传算法优化网络参数的小波神经网络提高了模型的预测精度,具有一定的工程应用价值.     

遗传算法优化小波神经网络的网络流量预测

为了提高网络流量的预测精度,克服小波神经网络收敛速度慢、易陷入局部最优的缺点,提出一种遗传算法优化小波神经网络的网络流量预测模型.首先计算延迟时间和嵌入维数,构建小波神经网络的学习样本,然后采用小波神经网络对网络流训练集进行学习,并采用改进遗传算法对小波神经网络参数进行全局寻优,提高收敛速度和网络学习精度,最后采用网络流量数据对模型性能进行仿真分析.结果表明,相对于对比模型,本文模型的平均误差大幅度降低,训练次数急剧减,减小了二次优化训练的次数,具有更大的实际应用价值.     

基于混沌DNA遗传算法的模糊递归神经网络建模

本文受生物DNA分子遗传机制和混沌优化算法的启发,提出了一种混沌DNA遗传算法,用于优化T-S模糊递归神经网络（FRNN）.该方法使用碱基序列表示T-S模糊递归神经网络的前件部分参数,包括模糊规则数,隶属度函数中心点和宽度;设计更为复杂的遗传操作算子来改进遗传算法的寻优性能;利用混沌优化算法优化种群中的较差个体.同时使用递推最小二乘法（RLS）来辨识T-S模糊递归神经网络的后件部分参数.最后,采用基于混沌DNA遗传算法的T-S模糊递归神经网络对一种典型的pH中和过程进行建模。通过与其他建模方法的比较,仿真实验结果表明了所建模型的有效性.     

基于改进遗传算法的多示例神经网络优化

多示例神经网络是一类用于求解多示例学习问题的神经网络,但由于其中有不可微函数,使用反向传播训练方法时需要采用近似方法,因此多示例神经网络的预测准确性不高。〖BP）〗为了提高预测准确性,构造了一类优化多示例神经网络参数的改进遗传算法, 借助基于反向传播训练的局部搜索算子、排挤操作和适应性操作概率计算方式来提高收敛速度和防止早熟收敛。通过公认的数据集上实验结果的分析和对比,证实了这个改进的遗传算法能够明显地提高多示例神经网络的预测准确性,同时还具有比其他算法更快的收敛速度。     

Hybrid neural network and genetic algorithm based machining feature recognition

In this research, neural networks (NNs) and genetic algorithms (GAs) are used together in a hybrid approach to reduce the computational complexity of feature recognition problem. The proposed approach combines the characteristics of evolutionary technique and NN to overcome the shortcomings of feature recognition problem. Consideration is given to reduce the computational complexity of network with specific interest to design the optimum network architecture using GA input selection approach. In order to evaluate the performance of the proposed system, experimental results are compared with previous NN based feature recognition research.     

Optimising a production process by a neural network/genetic algorithm approach

An important aspect of production control is the quality of the resulting end product. The end product should have optimal product characteristics and minimal faults. In theory, both objectives can be realised using an optimisation algorithm. However, the complexity of a production process may be very high. In most cases no mathematical function can be found to represent the production process. In this paper a method is presented to simulate a complex production process using a neural network. The subsequent optimisation is done by means of a genetic algorithm. The method is applied to the case study of a spinning (fibre-yarn) production process. The neural network is used to model the process, with the machine settings and fibre quality parameters as input, and the yarn tenacity (yarn strength) and elongation as output. The genetic algorithm is then used to optimise the input parameters for obtaining the best yarns. Since it is a multiobjective optimisation, the genetic algorithm is enforced with a sharing function and a Pareto optimisation. The paper shows that simultaneous optimisation of yarn qualities is easily achieved as a function of the necessary (optimal) input parameters, and that the results are considerably better than current manual machine intervention. The paper concludes by indicating future research towards making an optimal mixture of available fibre qualities.     

遗传算法与BP神经网络相结合的说话人识别系统

基于BP神经网络的说话人识别系统是目前说话人识别中的一种主要模型,但BP神经网络通常难以确定隐含层单元的数目,且收敛速度慢。针对此缺点,提出了一种基于遗传算法（GA）的说话人识别BP神经网络优化方案,该方案利用混合编码的GA对神经网络的连接权和结构进行了优化,可以有效地剔除整个网络冗余节点和冗余连接权,方案利用了BP神经网络的并行性和GA的全局搜索能力,显著地改善了网络的处理能力。实验表明：基于混合编码GA的BP神经网络具有快速学习网络权重的能力,识别率高,是说话人识别的一种有效可行的新方案。     

基于神经网络-遗传算法的CT-191合成工艺优化

本文用锌粉还原N-亚硝基二苯胺的产物直接与2-甲基-4（N,N-二苄基）氨基苯甲醛缩合合成了空穴传输材料2-甲基-4（N,N-二苄基）氨基苯甲醛-1,1-二苯腙（CT-191）,采用均匀设计制定试验方案获取原始数据,应用BP人工神经网络对合成过程中工艺参数和一次产品收率的关系建立了模型,并用遗传算法进行优化得到最佳工艺条件：原料2-甲基-4-（N,N-二苄基）氨基苯甲醛：N-亚硝基二苯胺约为1：2．5,还原时间为1h,缩合时间为2h,预测收率为96．28％。验证实验的结果为95．98％．和预测值基本吻合。为化学生产工艺的优化探索了一条新途径。     

基于神经网络和遗传算法的组播路由算法

提出了一种基于神经网络和遗传算法的新颖的QoS组播路由算法, 该路由算法把神经网络和遗传算法结合起来,并给出了一种非常便于进行交叉、变异等遗传操作的新编码方式。从而克服了传统遗传算法中存在的早熟现象, 加快了收敛速度。仿真结果显示,算法在收敛速度方面要优于单纯的遗传算法和神经网络方法。     

改进遗传神经网络控制混沌运动的研究

用最大Lyapunov指数构造遗传算法中的适应度函数,通过遗传算法优化神经网络的权系数．根据所得到的适应度函数和权系数来构造遗传神经网络控制器,从而提高神经网络控制效果．对离散系统Logistic映射和连续系统Rossler方程、AFM（原子力显微镜）悬臂梁振动系统的混沌运动分别进行了仿真控制．数值实验结果表明本文改进的遗传神经网络控制方法对离散或者连续的混沌系统都能控制到低周期轨道上去,证明了算法的有效性．     

A hybrid neural network/genetic algorithm applied to breast cancer detection and recurrence

Genetic algorithms (GAs) and neural networks (NNs) are both inspired by computation in biological systems and many attempts have been made to combine the two methodologies to boost the NNs performance. This paper deals with the evolutionary training of a feedforward NN for both breast cancer detection and recurrence. A multi‐layer perceptron (MLP) has been designed for this purpose, using a GA routine to set weights, and a Java implementation of this hybrid model has been made. Four databases concerning cancer detection and recurrence have been used, two databases containing numerical attributes only, one database containing ordinal (categorical) attributes solely and one database with mixed attributes. In comparison to some standard NNs, the performance of this approach using the same databases is shown to be superior. Moreover, this hybrid MLP/GA model is very flexible in terms of providing accurate classification, even with different types of attributes, which is usually found in medical studies.     

基于遗传算法的人工神经网络

为克服和改进传统的BP算法的不足,发挥神经网络和遗传算法各自的优势,提出了一种基于遗传算法的神经网络二次训练方法,将遗传算法应用于神经网络的权值训练中,并用神经网络二次训练得到最终结果,降低了计算时间,是一种比较有效的方法。