基于遗传算法优化神经网络的藻类繁殖状态软测量方法

为了提高BP神经网络模型对海洋藻类生长状态软测量的准确性,提出了一种基于遗传优化算法优化BP神经网络的软测量方法.利用遗传算法优化BP神经网络的权值和阈值,然后训练BP神经网络预测模型以求得最优解,再将该预测结果与传统BP网络预测模型的预测结果进行对比.对仿真结果进行有效性验证后,结果表明,通过这种软测量方法,经遗传算法优化后的BP神经网络可以在更短的时间里创造更高的预测准确性,大大提高了对海洋藻类生长状态预测的效率.     

遗传算法优化BP神经网络的大功率LED结温预测

将遗传算法(GA)与BP神经网络相结合,对研发的120W LED双进双出的射流冲击水冷散热系统中LED阵列的结温进行预测。采用GA优化BP网络的权值和阈值,利用BP算法训练网络,改善了单独使用BP网络容易陷入局部极小值和收敛速度慢的缺点。并且在训练过程中为了使网络输出有足够长的空间,改进了GA的数据处理。结果表明,经GA优化的BP神经网络较使用Levenberg-Marquardt(LM)算法优化的BP神经网络的大功率LED结温预测精确度提高了14.14%,且预测效果较稳定。GA和BP神经网络相结合的结温预测模型较传统的结温测量方法更能掌握散热结构设计的主动性,对大功率LED寿命的延长有较高的实用价值。     

基于遗传神经网络成绩预测的研究与实现

针对BP神经网络固有的局限性和在应用于成绩预测时出现的问题,运用遗传算法对BP神经网络的权值和阈值进行优化,通过详细设计遗传算法的编码方式、适应度函数,遗传算子使二者结合后的遗传神经网络模型具有更快的学习训练收敛速度,为了提高优化效果,设计了自适应的遗传算法交叉算子和变异算子,并通过与基本BP神经网络和自适应BP神经网络的对比,显示了优化的有效性和可行性。运用Matlab实现了遗传神经网络模型,并完成了模型的训练,运用Java语言完成了模型的调用和成绩预测系统的实现。分析结果表明,该遗传神经网络模型在成绩预测方面具有较高的准确性,具有一定的实用价值。     

基于改进神经网络的无线网络流量预测

考虑到无线网络流量具有极强的分散性、随机性以及混沌等特性,使用传统的ARIMA预测模型和BP神经网络模型难以对其进行精确的预测等,该文使用粒子群优化算法对BP神经网络预测模型进行优化以解决BP神经网络容易陷入局部最小值以及训练收敛速率低等问题,引入遗传算法中的自适应变异因子来以一定概率初始化部分变量解决粒子群优化算法会出现陷入局部最优解以及早熟收敛等问题。最后使用经典的CRAWDAD数据库中的无线网络流量数据对该文预测方法性能进行测试,使用稳定小波变换方法将无线网络流量数据分解,得到由1个近似分量以及3个细节分量组成的数据流。测试结果表明,该预测算法在预测性能上要优于ARIMA预测模型和BP神经网络模型。     

基于GA-BP神经网络的股票收盘价预测

为提高BP神经网络预测股票收盘价的准确性和高效性,文章使用Python语言,通过遗传算法（GA）对BP神经网络算法中的权值和阈值进行优化（GA-BP）,并将优化后的系统用于股票预测当中。优化后的算法收敛速度更快,同时克服了BP算法容易陷入局部最优的缺陷,提高了整个系统的预测精度。最后对股票“千金药业”的仿真结果表明,该方法在股票收盘价的短期预测方面具有一定的应用价值。此外,在对股票收盘价预测过程中,添加输入参数盘口,能够有效降低GA-BP神经网络的预测误差。     

一种用于曲线预测的混合神经网络算法研究

为了克服标准BP神经网络在数据预测中存在的缺陷,提出了一种结合基因表达武编程和BP神经网络算法的混合算法.该算法分为两个阶段,第一阶段,利用GEP独特的编码方式来代替随机设定神经网络结构的选择和初始权阚值的设定;第二阶段,用梯度下降法在已经用基因表达式编程方法确定好的搜索空问中和网络结构中对网络进行进一步的精确训练.将此混合算法用于测井曲线的预测中,同时将结果和基因表达式编程方法、BP神经网络方法进行了比较,证明了该算法可以克服BP神经网络的缺陷,并且优化后的BP神经网络收敛速度快,预测精度高.     

基于遗传算法优化的BP神经网络研究应用

为提高BP神经网络预测模型对超市大米日销售预测的准确性,提出一种基于遗传算法优化的BP神经网络预测方法。介绍了BP神经网络和遗传算法的特点以及存在的缺陷,并进一步研究了BP神经网络和遗传算法相结合的有关技术,利用遗传算法优化BP神经网络的权值和阈值,然后训练BP神经网络预测模型获取最优解,充分发挥了BP神经网络的局部搜索能力和遗传算法的全局搜索能力的优势。仿真结果证明,该方法对超市大米日销售预测具有更高的精度和更好的非线性拟合能力。     

基于改进共轭梯度法的前馈网络快速监督学习算法

为了提高多层前馈神经网络的权参数的学习效率,通过引入改进的求解大规模线性方程组的共轭梯度法,提出一种新的基于LM的前馈网络学习算法.该算法不仅具有LM优化学习方法的快速收敛特性,而且降低了LM法的计算复杂度,可获得比其它标准算法更好的学习精度和推广预测能力.文中通过仿真结果证明了新算法在函数逼近和时间序列预测等问题环境下的有效性.     

基于量子自适应粒子群优化径向基函数神经网络的网络流量预测

该文提出一种量子自适应粒子群优化算法,该算法中,粒子位置的编码采用量子比特实现,利用粒子飞行轨迹信息动态更新量子比特的状态,并引入量子非门实现变异操作以避免陷入局部最优。用该算法训练神经网络,实现了径向基函数(RBF)神经网络参数优化,建立了基于量子自适应粒子群优化RBF神经网络算法的网络流量预测模型。对真实网络流量的预测结果表明,该方法的收敛速度和预测精度均要优于传统RBF神经网络法、粒子群-RBF 神经网络法、混合粒子群-RBF 神经网络法和自适应粒子群-RBF 神经网络法,并且预测效果不易受时间尺度变化的影响。     

基于粒子群优化和支持向量机的电力负荷预测

提出支持向量机的粒子群优化算法的用电量预测方法.其中,采用粒子群优化算法选取较优的支持向量机训练参数组合.以江西省2008年7月～10月的用电量数据以及相关特征数据作为实验数据,实验结果表明该算法电量负荷预测精度高于BP神经网络.