优化设计求解的遗传-神经网络新算法研究

提出并研究了一种优化设计求解的遗传神经网络新算法,该算法综合了遗传算法的全局性和神经网络的并行快速性等特点,可克服遗传算法最终进化至最优解较慢和神经网络易陷入局部解的缺陷,具有较好的全局性和收敛速度     

Identification Simulation for Dynamical System Based on Genetic Algorithm and Recurrent Multilayer Neural Network

Introduction　　Inpracticalapplication ,thereexistmoreorlessnonlinearphenomenainamajorityofphysicalsystems .Inordertostudythesekindsofphysicialsystems ,anonlinearsystemmodelmustbesetupfirstofall,andthensomeparametersidentificationofthepredefinedmodelmustb…     

基于多智能体局部寻优的粒子群优化算法

为了提高粒子群算法的收敛速度和全局寻优能力,用多智能体遗传算法对粒子群算法当前搜索到的全局极值进行局部寻优．用搜索到的更好的解在下一次迭代中引导粒子进行搜索从而获得更快的收敛速度和更好的全局收敛性。对函数优化和神经网络训练的仿真实验表明．此算法能更快的收敛到全局最优解。     

遗传算法优化的模糊神经网络在故障诊断中的应用

本文针对船舶柴油机故障诊断系统提出了一种基于遗传算法优化训练的模糊神经网络诊断方法,介绍了这种模糊神经网络故障诊断系统的结构及其参数形式,通过遗传优化算法对它的权值和阈值进行了学习优化训练。这种方法可以有效地避免通常所选BP算法训练易陷于局部极值的问题,最后将该遗传算法优化训练的模糊神经网络系统应用到船舶柴油机的故障诊断中,通过仿真研究,说明了该方法的有效性。     

基于BP神经网络的起重船臂架结构优化设计

针对起重船臂架结构设计计算,采用BP神经网络算法模拟出臂架结构优化设计变量与臂架结构应力、位移之间的映射关系,并调用MATLAB优化工具箱中的最小化函数对臂架结构的约束条件以及目标函数进行优化处理,并将优化后的结果与优化之前的数值进行对比分析,充分地验证了BP神经网络优化算法的优越性.     

NEURAL NETWORK TRAINING WITH PARALLEL PARTICLE SWARM OPTIMIZER

Feed forward neural net works such as multi-layer perceptron,radial basis function neural net-works,have been widely applied to classification,function approxi mation and data mining.Evolu-tionary computation has been explored to train neu-ral net works as a very promising and competitive al-ternative learning method,because it has potentialto produce global mini mum in the weight space.Recently,an emerging evolutionary computationtechnique,Particle Swar m Opti mization(PSO)be-comes a hot to…     

基于神经网络技术的汽车齿轮分组研究与实践

针对基于具有相同工艺路线的齿轮分组问题,采用了神经网络技术解决方案.结合某汽车公司某子公司多品种齿轮的生产实际,通过对齿轮特征的分析,进行分类编码.就齿轮的自动分组问题进行神经网络设计,通过学习、训练网络,得到一个智能化的齿轮分组机制,从而确定了一种新齿轮的工艺路线.     

基于LabVIEW的BP算法及其在发动机故障诊断中的应用

介绍了虚拟仪器技术,应用LabVIEW软件编制了基于BP算法的训练网络和诊断网络,使之能更有效地、直观地了解BP神经网络的工作状态,从而为汽车信号系统的分析和发动机故障系统诊断提供了有效的方法。     

L-M神经网络算法在汽轮发电机组故障诊断中的应用

针对汽轮发电机组的故障诊断,采用Levenberg-Marquardt算法建立多层前向人工神经网络,采用改进算法训练网络,克服了传统BP算法收敛速度慢,易陷入局部最小的缺陷.就BP网络的不足,提出了一种改进的BP神经网络模型,并使用L-M算法用于汽轮发电机组故障的诊断.经理论和实践证明:该方法有效地提高了故障诊断的精度和可靠度,为旋转机械故障诊断提供了有效方法.     

一种新的多模式对模糊联想记忆自适应学习规则

本文给出了模糊联想记忆神经网络联想输出误差函数的一种梯度计算方法,成功地把误差逆传播梯度下降搜索技术应用于该网络的训练中,提出一种新的多模式对模糊联想记忆的学习规则,计算机模拟表明该规则是十分有效的。     

基于RBF神经网络的城市互通立交短时交通量预测

根据实测数据,分析了城市互通立交交通流运行特性,研究了城市互通立交主线总交通量、交织流量比和第2车道大型车比例3种因素对合流区端部交通量的影响,应用神经网络原理建立了输入层为3个神经元,输出层为1个神经元的RBF神经网络,研究了该RBF神经网络的训练算法,应用实测数据进行了网络训练,对训练后的网络进行了仿真.仿真输出结果与实测数据之间的误差很小,证明应用RBF神经网络对互通立交合流区的短时交通量进行预测是一种可行的方法.此研究为分析互通立交内各功能区之间的相互影响,为研究互通立交桥的预先控制和运行状态分析提供了理论参考.     

基于进化神经元算法的堡镇隧道软弱围岩施工弹塑性智能位移反分析

结合宜万铁路堡镇隧道的施工,将BP神经网络和遗传算法引入特长隧道软岩段的施工位移反分析,采用遗传算法自动搜索BP神经网络训练效果最优的参数,建立起反映围岩变形与岩体物理力学参数及初始地应力之间高度非线性、不确定的GA-BP智能模型,然后采用遗传算法在岩体物理力学参数和初始地应力取值范围内,搜索BP神经网络预测围岩变形与实测围岩变形最接近的参数组合,取得反演获得的岩体物理力学参数和初始地应力.从堡镇隧道应用结果来看,这种进化神经元算法反演结果可以满足隧道施工的需要,并为类似工程提供了借鉴.     

基于遗传算法与小波神经网络的客流预测研究

针对轨道交通短时客流具有动态性、非线性、不确定性的特点,提出一种基于遗传算法与小波神经网络的轨道交通短时客流预测方法.该方法利用具有全局搜索最优的遗传算法优化小波神经网络,有效的避免了神经网络易陷入局部最小值的缺陷.在分析轨道交通短时客流的特征上,利用实测数据对模型进行验证.结果表明,相比遗传算法优化的BP神经网络模型,单一的小波神经网络模型其预测精度更高,误差更小,能在实际中应用.     

����������Ľ���ڿɱ�����ģ�����Ʒ���

针对城市交叉口交通流的特点,提出了一种自适应可变相序的多相位控制算法。该算法依据绿灯相位车队长度和红灯相位车队长度的比较决定绿灯相位是否转移,在不需要绿灯相位转移时,利用模糊神经网络控制器控制绿灯延时长度。不但结合了模糊控制和神经网络控制的优点,而且所给出的算法相序可变,实现了道路交叉口多相位相序可变控制。仿真结果表明,本文设计的模糊神经网络控制器能够有效降低车辆平均延误,满足实时控制的要求。     

����Hession�����Ż���NDEKF�������ʶ����ֱ��ͬ���������Hession�����Ż���NDEKF�������ʶ����ֱ��ͬ�����

永磁直线同步电动机模型的建立对研究其稳态特性、动态特性和控制策略都是非常重要的。首先，将带外部输入的非线性自回归模型展成多项式形式，然后在此基础上用残差分析法导出真实的阶次所满足的条件。为了克服神经网络结构依靠人工试凑的不足，使用基于Hession矩阵的修剪法来优化其结构。考虑到BP算法的一些固有缺点，使用NDEKF(基于节点的解耦扩展Kalman滤波器算法)来训练网络。实验证明，网络的输出结果与试验样机(永磁直线同步电动机驱动的垂直运输系统)的实际输出十分接近；同时将NDEKF与BP算法进行对比，NDEKF算法具有收敛较快、泛化能力强、不易陷入局部极小等特点。     

基于RBF神经网络模型的板料成形变压边力优化

为了解决变压边力优化过程中RBF(radial basis function )神经网络隐层节点训练难的问题,利用人工智能算法的优越性,建立了基于人工免疫算法的RBF神经网络,并将其用于非线性函数的逼近中.结合分块压边圈与改变压边力控制技术,通过Dynaform软件进行数值模拟获得成形数据,建立了变压边力与成形质量之间的RBF神经网络近似模型.利用人工免疫智能算法对该近似模型进行优化,获得最优压边力参数.将该方法应用于S形梁冲压成形中,与优化前的结果进行比较,采用优化后最优变压边力可以抑制起皱,最大起皱量减少了89.53%.      

基于集成式神经网络的扁平箱梁颤振导数预测

扁平箱梁因具有较优的颤振性能,已被应用于绝大多数大跨径桥梁. 为便于桥梁设计者在大跨度桥梁初步设计阶段快速评估扁平箱梁的颤振性能,提出了一种基于集成学习的深度神经网络模型,用于快速预测扁平箱梁颤振导数. 首先采用强迫振动风洞试验获取了15种典型扁平箱梁的颤振导数,结合自由振动风洞试验和二维颤振计算验证了颤振导数的准确性;基于风洞试验数据,构建了大小为525的颤振导数数据集,以此数据集为基础,对所提出的集成式深度神经网络开展了模型训练和性能测试. 计算结果表明:所提出的集成式深度神经网络模型仅依靠扁平箱梁的气动外形特征即可准确且快速地预测不同折算风速下的8个颤振导数,且仅利用本文60%的数据集进行训练即可获取较高精度的预测结果;对比传统的多项式回归模型和单一人工神经网络模型,本文所提出的集成式深度神经网络模型预测精度更高,可直接应用到桥梁初步设计阶段的气动选型和颤振计算中.      

神经网络结合遗传算法用于航迹预测

研究利用遗传算法对BP神经网络进行优化设计,建立了基于遗传算法的BP神经网络机动目标航迹预测模型。该模型克服了普通神经网络算法在训练过程中容易陷入局部最优点的缺陷,得到了更高的学习精度和更快的收敛速度。最后,用实测数据进行了验证分析,结果表明,基于遗传算法的神经网络的预测模型比单神经网络预测模型预测精度高,可用于航迹的预测。     

基于改进 BP 神经网络的铁路货运量预测

在分析铁路货运量预测方法的基础上,针对标准BP神经网络的不足,提出改进的BP神经网络预测模型。首先,利用动态陡度因子来改变激励函数的陡峭程度,以此来得到更好的激励函数响应特征以及更好的非线性表达能力;其次,利用附加动量因子,通过对以前经验的积累,既降低了神经网络对误差曲面的局部细节敏感特性,又较好的遏制了神经网络易于限于局部最小的缺陷;最后,采取改变学习率的方法,给定一个较大的学习率初始值,在学习的过程中学习率不断减小,网络最终趋于稳定。改进BP算法既可以得到更优的解,还能够缩短训练时间。利用全国铁路货运量的相关数据对改进BP神经网络进行了验证。验证的结果表明,改进的BP神经网络预测模型在相对误差和迭代次数上有较大改善,对铁路的货运量预测很有效。     

基于贝叶斯正则化 BP 神经网络的 GPS 高程转换

为了改善BP神经网络在GPS高程转换过程中过拟合的现象,提出了用贝叶斯正则化算法的BP神经网络转换GPS高程的新方法,并利用区域GPS/水准数据,将新方法和未采用正则化算法的BP神经网络进行GPS高程转换的比较.结果表明:在较大区域和高程异常呈不规则的情况下,新方法不仅可以有效提高GPS高程转换的精度,而且通过贝叶斯正则化算法可以改善网络结构,抑制过拟合现象.在约10 km的GPS基线尺度上,新方法可以得到精度达0.050 m的正常高.