基于实数编码遗传算法的多层神经网络BP算法

提出用实数编码的遗传算法来优化多层神经网络的权值，并且将遗传算法与ＢＰ算法结合，能有效地避免ＢＰ算法陷入局部极小和遗传算法过早收敛，实验结果令人满意．     

一种基于重置的变结构前馈神经网络

基于GaussNewton法的前馈神经网络虽然可以达到局部二阶收敛速度．但网络结构中如果结点个数过多，会造成过模拟；网络结点过少。又会导致不收敛。为了优化神经网络结构，尝试引入重置算法(Early Restart Algofithm)，并将其应用于Gauss Newton前馈神经网络．提出基于重置的Gauss Newton变结构前馈神经网络。对比实验表明，重置算法的引入有效地解决神经网络的结构优化问题，优化后的神经网络具有良好的收敛性与稳定性。     

k-means-RBF集成神经网络在工业尾气检测中的应用

神经网络是工业尾气检测系统的一个重要组成部分. 为提高神经网络的预测精度和收敛速度, 建立k-means-RBF集成神经网络模型. 首先, 通过选取不同的径向基函数神经网络参数, 得到一组RBF神经网络; 然后, 利用k-means算法对生成的RBF神经网络进行聚类, 并筛选出各类中精度较高的神经网络; 最后, 通过简单平均法对筛选出的神经网络进行集成, 得到高性能的k-means-RBF集成神经网络模型. 为验证模型有效性, 搭建基于k-means-RBF集成神经网络模型的工业尾气检测系统进行验证. 结果表明, 与粒子群算法优化后的Back Propagation (PSO-BP)神经网络模型相比, k-means-RBF集成神经网络模型的平均预测精度提高78.27%, 收敛时间节省99.65%     

在多层神经网络中用Back-Propagation算法进行方位角估测

本文介绍了多层神经网络的基本结构和主要概念,并对训练多层神经网络的Back-Propagation学习算法(即后向传递误差算法,简称后向算法)的原理和实施步骤作了详尽的分析和推导。在多层神经网络中运用这一算法,提出了平面波方位角估测的新方法。计算机模拟结果显示,这一方法是可行     

模糊自适应算法的神经网络图像重建

在12电极ECT系统中,采用BP神经网络进行图像重建时以一定原则选取学习样本,并引入模糊自适应算法以加快训练的收敛速度,获得较满意的重建图像效果．     

基于粒子群优化的神经网络预测模型

传统的BP神经网络训练算法,导致训练时间长且易于陷入局部极小点.本文将粒子群优化算法用于神经网络预测模型的学习训练.实验结果表明,基于粒子群优化的神经网络学习算法更易于实现,且能更快地收敛于全局最优解.     

Hopf field网络解TSP的改进算法

本文提出用神经网络解旅行商问题(TSP>的改进算法。简化了Hopfield神经网络的能量函数并讨论了Euler法取大步长时的迭代性质.计算机模拟表明主要有两大优点:一是迅速收敛到一个解，二是易获得有效路径.     

BP神经网络模拟软件的设计和实现

本文介绍一个窗口系统下用Ｃ语言实现的后向传播神经网络（ＢＰ网络）模拟软件，该软件能够模拟多至四层的ＢＰ网络，多层神经元数及网络工作参数可以通过对话窗口输入，采用该模拟软件对三输入奇偶校验模式识别问题进行了处理，得到了满意的结果。     

基于多项式回归的自构形算法

自构形算法是BP神经网络提高泛化能力的一种方法,但自构形算法以线性回归理论为基础,在解决非线性问题时剪枝能力和收敛速度都存在不足,针对这一问题,提出基于多项式回归的自构形算法,并以风机故障诊断数据为例,对两种算法进行了详细的实验对比,实验表明基于多项式回归的自构形算法剪枝能力和收敛速度均优于线性自构形算法.     

用遗传BP网络求高聚物的ZWT非线性粘弹方程的力学参数

结合遗传算法及BP神经网络的特点，构建了一个新的有机体-遗传BP网络，并对遗传BP网络进行了测试。结果表明遗传BP网络在收敛速度及收敛稳定性方面都有很好的效果。最后给出了一个用遗传BP网络求高聚物的ZWT方程的力学参数的实例。     

求解二次规划问题的神经网络方法

根据人工神经网络的基本优化机理,提出了一种基于Lagrange函数的适合于求解二次规划问题的神经网络模型,研究了该神经网络的稳定性和收敛性,探讨了提高网络优化计算效率的神经优化策略,仿真结果证明了该神经网络能有效地求解二次规划问题。     

基于遗传操作的延迟和度约束的多播路由启发式算法

基于启发式思想的简单性和路径相似性原理，采用遗传算法的交叉和变异操作，提出了一种快速的满足延迟和度约束的最小费用多播路由树的生成算法(DDCMRA)，以解决直接修改延迟约束或者度约束多播路由算法时寻优时间长、并且可能导致部分目的节点因不能满足延迟或者度约束而不能加入多播的问题．仿真结果显示。该算法获得的多播路由树满足延迟和度约束，费用较少，运行时间接近CSPT和RA算法．该算法也为动态多播路由树生成和网络负载平衡提供了一种方法．     

混沌神经网络的延时反馈控制

提出了一种适合于混沌神经网络的混沌控制方法,延时反馈控制方法,其目的是将混沌神经网络的丰富动力学特性应用于联想记忆、信息检索、组合优化、模式识别、数据压缩等智能信息处理中.利用本文提出的控制方法,对混沌神经网络进行控制,被控网络能收敛于与初始状态相关的记忆模式和反相模式的二周期状态上,从而实现了记忆搜索、模式识别的功能.     

遗传BP神经网络在PID控制器中的应用

提出了一种基于遗传BP神经网络的自整定PID控制器的设计方法．利用遗传算法搜索出一组准优的PID参数,作为PID控制器参数的初值,在利用BP神经网络具有逼近任意非线形函数的能力,在线调整PID参数,以确保系统的响应具有最优的动态和稳态性能．计算机仿真结果表明,这种控制算法鲁棒性强,响应速度快,可用于控制不同的对象和过程．     

一种新的遗传算法最优保存策略

提出了一种新的遗传算法最优保存策略,该策略在最优个体保留的基础上,添加一个与最优个体相异因子较大,而适应值不过小的个体.这样做既利用了最优保存策略的全局收敛性,又通过新添加的个体来保持种群的多样性,以防止早熟现象的出现.对典型优化函数进行了测试,结果表明基于新的最优保存策略的遗传算法(DESGA)收敛性能显著好于一般简单遗传算法(SGA)和最优保存简单遗传算法(ESGA).该策略与最优保存策略一样具有一般通用性.     

基于影像组学与集成学习的脑胶质瘤分级预测

脑胶质瘤的术前分级对治疗决策和预后评估至关重要. 为了提高分级精度, 提出了一种基于影像组学和集成学习的无创胶质瘤术前分级方法. 首先, 从不同序列的感兴趣区域提取428个影像组学特征, 采用递归特征消除算法进行特征选择, 采用6种不同的机器学习算法对脑胶质瘤进行分级, 并对各自的性能进行评估; 然后, 根据评估结果, 选取逻辑回归、决策树和多层感知机3种分类器作为脑胶质瘤分级预测的机器学习算法; 最后, 将3种分类器的输出采用投票方式进行集成, 并评估硬投票机制与软投票机制的性能. 实验结果表明, 对于数据集BraTS2019, 基于硬投票机制的集成学习算法的性能较好, 受试者工作特性曲线下面积为0.933±0.031, 准确度为0.886±0.048, 敏感度为0.872±0.077, 特异度为0.905±0.105. 该方法不仅能增加胶质瘤分级模型的可解释性, 而且可以提高分级精度.     

通信网络性能评价的并行分析方法

应用控制科学理论离散事件动态系统摄动分析思想，提出了一种基于无时钟事件追踪法进行并行仿真的快速算法．根据被模拟网络在一组参数下的仿真样本轨迹，同时并行构造一簇不同参数集合下的网络系统样本轨迹．实验结果表明该算法大大提高了通信网随机模拟与性能评估的效率．     

自适应混合演化算法

为避免标准的演化算法演化速度慢，易收敛到局部极值的缺点，融合对梯度的随机模拟，免疫算子，模拟退火算法的思想，提出一种自适应混合演化算法，它在不同的演化阶段自适应的采用不同的演化算子，在演化初期具有较强的全局搜索性能，在演化中后期具有较强的精搜索性能，能迅速收敛于全局最优解；对标准测试函数的仿真结果表明，该算法具有精度高，收敛速度快，稳健性强的优点。     

基于多尺度学习与深度卷积神经网络的遥感图像土地利用分类

土地利用信息是国土资源管理的基础和重要依据,随着高分辨率遥感图像数据的日益增多,迫切需要快速准确的土地利用分类方法。目前应用较广的面向对象的分类方法对空间特征的利用尚不够充分,在特征选择上存在一定的局限性。为此,提出一种基于多尺度学习与深度卷积神经网络（deep convolutional neural network,DCNN）的多尺度神经网络（multi-scale neural network,MSNet）模型,基于残差网络构建了100层编码网络,通过并行输入实现输入图像的多尺度学习,利用膨胀卷积实现特征图像的多尺度学习,设计了一种端到端的分类网络。以浙江省0.5 m分辨率的光学航空遥感图像为数据源进行了实验,总体分类精度达91.97%,并将其与传统全卷积网络（fully convolutional networks,FCN）方法和基于支持向量机（support vector machine,SVM）的面向对象方法进行了对比,结果表明,本文所提方法分类精度更高,分类结果整体性更强。