优化汽车故障诊断神经网络的改进遗传算法

为了优化汽车故障诊断神经网络的权值和网络结构,改进并设计了遗传算法.在保证种群多样性的条件下,将种群规模降低到最小;引入BP算子,与交叉和变异算子共同竞争,自适应调整运算概率;引入个体间的广义海明距离用于保持种群的多样性,引入连接权的敏感度用于优化网络结构.算法对比测试表明,改进后的遗传算法能够在优化权值的同时优化网络结构,减少了内存占用量,保证了种群的多样性,提高了算法的运行速度和收敛效果.     

基于改进免疫遗传算法的神经网络及其在股票预测中的应用

针对BP神经网络学习速度慢、容易陷入局部极小的缺点,提出了一种基于改进免疫遗传算法的多层前向神经网络,将该算法用于多层前向神经网络的权值优化,扩大了神经网络的权值搜索空间,提高了网络系统的学习效率和精度。将该神经网络用于上证指数的趋势预测,仿真结果表明:该神经网络比BP神经网络具有更好的全局收敛性、更高的学习效率和预测精度。     

基于遗传神经网络的工业股票指数预测

结合遗传算法与倒传递神经网络进行工业股票指数预测 ,使用 5个输入变量 :周成交额增减幅、周振荡幅度、周涨跌幅、5日EMA波动、DIF波动值 ,并将下周涨跌幅设为输出目标进行训练 ,以取得较理想的预测结果。对于传统上选择适合的神经网络拓扑结构效率较低的问题 ,本文对于遗传算法的引入大大提高了搜索到最优结构的速度。     

基于遗传算法和BP神经网络的信用风险测量模型

随着新巴赛尔协议的推出,信用风险测量问题越来越受到重视。在西方发达国家,商业银行的信用风险管理测量技术已比较成熟,继传统的比例分析、主观分析之后,统计方法得到广泛的应用,如判别分析和logit回归分析等。自从20世纪80年代末期以来,人工智能技术如神经网络、专家系统等也被应用于商业银行信用风险测量中。目前,该领域应用最多的就是BP神经网络,但其固有的一些缺点,如易陷入局部极小点,会影响预测效果。但可以利用改进的遗传算法对BP神经网络进行优化,实验证明效果非常好。     

用遗传算法优化神经网络权值

神经网络模拟大脑的生理机制,通过大量简单神经元的互连,实现信息的智能自动化处理,但是神经网络权值与结构的设计往往依靠经验获得.遗传算法具有全局搜索问题解的特性,用遗传算法优化神经网络权值,为神经网络的设计和训练提供了新的途径。实验表明,该方法是可行的、有效的.     

基于改进量子遗传算法的小波神经网络优化及其软测量应用

针对简单量子遗传算法在优化高维问题寻优速度慢、收敛率低的缺陷,提出一种改进的量子遗传算法,通过搜索各种群中最优染色体组成当前最优个体,并依此个体来确定量子门的全局最优搜索方向。将改进算法用于优化小波神经网络,藉此建立了4-CBA浓度的软测量模型。仿真结果表明:与简单量子遗传算法相比,改进算法对复杂优化问题具有全局快速寻优性能。     

基于神经网络和遗传算法的压力机调节螺杆优化设计

强度和质量是压力机调节螺杆主要性能指标。将神经网络和遗传算法结合起来,可以很好地对调节螺杆结构进行多目标优化设计。文章首先建立了调节螺杆有限元分析模型,然后应用正交试验方法对神经网络的训练样本进行试验安排,并建立出设计参数与最大应力、质量映射关系的神经网络模型。利用遗传算法对该神经网络模型进行全局寻优,得到调节螺杆的最优结构参数。     

遗传算法优化的神经网络熔深预测模型

依据熔化极气体保护焊(GMAW)焊接时对焊缝熔深的影响因素,结合遗传算法,建立以焊接电流、焊接电压、焊接速度和焊缝熔宽为输入、以熔深为输出的BP神经网络焊缝熔深预测模型。仿真试验和结果分析表明：使用遗传算法能得到神经网络较好的初始权值和阈值,能显著提高网络性能;所建模型符合已有的焊接熔深理论研究,并且预测误差较小,具有较好的泛比能力和较高的预测准确性,对工程实际具有一定的指导意义。     

基于遗传算法的神经网络结构设计

神经网络具有广泛的工程应用前景,但在实际应用中还存在一些困难,如何优化网络结构目前尚无理论指导,应用遗传算法与误差反向传播算法相结合的混合学习过程研究网络结构设计,实例表明通过遗传算法优化网络结构,能够有效地提高网络性能。     

遗传算法中交叉操作的两种改进方法

通过分析交叉算子，提出了分别与模拟退火算法以及神经网络相结合的改进型遗传算法，改进型遗传算法的收敛性能远远优于标准遗传算法。     

一种非线性神经网络自校正调节器

针对一类非线性动态系统,提出了一种新的应用多层神经网络的自校正调节器,分析了基于神经网络的非线性系统自校正调节机理,并利用一种基于同构网络的自适应预测方法解决可能存在于系统的大时延问题。计算机仿真表明,这种神经网络自校正调节器为解决一类复杂非线性系统的自校正调节问题提供了一条可行的途径。     

基于多层神经网络的非线性系统预测

针对一类非线性动态系统,提出了一种新的基于多层神经网络的自适应预测器,并对基于神经网络的预测机理进行了分析。该预测器由两个同构的多层神经网络实现,其中一个称为学习网络(LN),另一个称为预测网络(PN)。彷真结果表明,速种基于多层神经网络的预测嚣对于恒定参数的非线性系统是有效的,从而为解决非线性系统预测问题提供了一条可行的途径。     

用联想神经网络设计的信道均衡器

研究了联想神经网络在数字通信信道均衡器实现中的应用,讨论了其设计方法和设计步骤,给出了计算机模拟结果,并进行了性能比较。研究结果表明:Hopfield联想神经网络实现的信道均衡器具有比传统线性横向均衡器更优越的性能。     

大变形梁的模糊神经网络建模与预测

本文运用模糊神经网络原理．采用学习结合型FNN方法，针对两种不同材料梁的大变形进行了网络建模和预测的数值仿真．仿真结果表明，网落模型所具有的输入输出特性与所对应的实际力学系统的实验测量十分吻合实现了高精度预测．     

基于神经网络技术的房地产商业贷款风险分析

本文根据建筑行业项目给出了具体的商业风险评价指标,建立了模糊神经网络模型.旨在通过数据挖掘的方法对房地产行业的贷款客户进行贷款的风险评价,以便预测贷款的风险等级.     

基于神经网络的数控机床可靠性预计研究

本文提出了利用人工神经网络来辅助实现数控机床的可靠性预计的方法,建立了用于数控机床可靠性预测的三层BP神经网络模型,给出了具体的算法,并通过实例证明该方法比传统的数学模型预计方法更准确和可靠。     

神经元输入输出关系及网络计算特性研究

采用区别对待神经元输入变量空间和输出变量空间的新的研究方法探讨神经网络的计算特性。对于输入变量空间的特性,用微分方程定性理论进行研究;而对输出变量空间的特性,则用函数理论和优化理论进行研究,输入变量空间与输出变量空间由神经元的非线性特性所形成的空间映射关系来联系,文中给出了利用这一研究方法得到的神经网络计算理论的一些新结论。     

基于神经网络的六维力传感器静态标定方法研究

利用BP神经网络研究了六维力传感器的静态标定方法.良好的泛化能力是基于神经网络标定方法的关键,而现有基于神经网络的传感器标定方法对网络的泛化能力鲜有考虑.针对上述问题,以提高神经网络泛化能力为目的,对神经网络的训练样本、训练期望误差值和网络隐层单元数等的选取进行了研究.实验及计算机仿真表明,当选取样本数据具有遍历性时,利用神经网络标定后进行补偿计算可提高六维力传感器的测量精度.     

基于改进遗传算法的最大类别方差法

本文利用开放式遗传算法的理论对遗传算法进行改进,使种群在开放的环境中进化,增加了种群的多样性.并以最大类别方差法为例,将改进的遗传算法应用到图像的单阈值分割中.通过实验对比,表明改进的遗传算法比传统的最大类别方差法和基本遗传算法有明显的优势,说明了本算法的可行性.