一种遗传模糊神经网络数据挖掘算法

数据挖掘是近年来信息处理领域出现的新的研究方向。本文探讨了扩展型TS模糊神经网络和遗传算法在数据挖掘中的应用,并提出了一种把模糊神经网络与遗传算法相结合的数据挖掘方法。在该方法中由遗传算法自适应地构造和优化TS模型,TS模型完成预测,这种预测是建立在遗传算法的聚类结果之上的。二者的结合,提高数据挖掘的应用效果。文章最后给出该方法的应用实例。     

遗传算法在自动泊车辅助系统模糊控制中的应用

随着汽车工业的发展,自动泊车辅助系统已逐渐成为汽车的必备装置.对自动泊车控制过程进行了分析,设计了自动泊车辅助系统模糊控制器,并将遗传算法应用于模糊控制器参数寻优过程,较为有效的确定了模糊控制器的参数,使用遗传算法工具箱对模糊控制器的隶属度函数进行了优化.并在Matlab环境下,对自动泊车模糊控制进行了仿真研究,论述了遗传算法在改善模糊控制效果中的应用.     

不同优化方法的混沌-RBF神经网络模型对大白菜短期价格预测的结果比较

以2008年1月21日至2012年5月13日的大白菜日度零售价格为研究对象,结合混沌理论和神经网络技术在处理非线性问题上的优势,尝试构建了一般混沌-RBF神经网络模型、基于遗传算法优化的混沌-RBF神经网络模型和基于粒子群算法优化的混沌-RBF神经网络模型,并比较其不同的优化算法对于大白菜价格短期预测精度是否有提高.研究结论显示:基于粒子群算法优化的混沌-RBF神经网络模型在拟合效果和预测精度上均明显好于其他两种混沌-RBF模型.这也显示了混沌神经网络技术在大白菜价格短期预测领域中具有广泛的应用前景.     

混沌遗传算法对BP神经网络的改进研究

BP神经网络算法是目前应用最广泛的一种神经网络算法,但有收敛速度慢和易陷入局部极小值等缺陷.本文利用混沌遗传算法(CGA)具有混沌运动遍历性、遗传算法反演性的特性来改进BP神经网络算法.该算法的基本思想是用混沌遗传算法对BP神经网络算法的初始权值和初始阈值进行优化.把混沌变量加入遗传算法中,提高遗传算法的全局搜索能力和收敛速度;用混沌遗传算法优化后得到的最优解作为BP神经网络算法的初始权值和阈值.通过实验观察,改进后的结果与普通的BP神经网络算法的结果相比,具有更高的准确率.     

基于二次优化BP神经网络的期货价格预测

针对BP算法存在的不足,结合神经网络、遗传算法和主成分分析的优点,提出基于二次优化BP神经网络的期货价格预测算法.初次优化采用主成分分析法对网络结构进行优化,第二次优化采用自适应遗传算法对网络参数进行优化,将经过二次优化后建立的BP神经网络模型用于期货价格预测.经仿真检验,用新方法建立的模型对期货价格进行预测,在预测的精度和速度方面都优于单纯BP神经网络模型.     

BP-GA混合优化策略在人力资源战略规划中的应用

采用混合优化策略训练神经网络,进而实现地区人力资源数据的时间序列预测.神经网络,尤其是应用反向传播(back propagation,简称BP)算法训练的神经网络,被广泛应用于预测中.但是BP神经网络训练速度慢、容易陷入局部极值.遗传算法(genetic algorithm,简称GA)具有很好的全局寻优性.因而提出将BP和GA结合起来的混合优化策略训练神经网络,来实现人力资源数据预测.与BP算法相比,数值计算结果表明预测精度高、速度快,为地区人力资源数据的时间序列预测研究提供了一条新的途径.     

遗传算法优化神经网络的汛期降水模型

针对目前神经网络在实际应用中,网络结构难以确定以及网络极易陷入局部解问题,用遗传算法优化神经网络的连接权和网络结构,并在遗传进化过程中采取保留最佳个体的方法,建立基于遗传算法的神经网络模型,实例研究结果表明该方法可以取得较高的预测精度.     

遗传算法结合神经网络在油气产量预测中的应用

基于遗传算法的全局搜索能力和BP算法的局部精确搜索特性,通过采用遗传算法优化神经网络的方法,将遗传算法和BP算法有机结合,做到优势互补,在提高油气产量预测精度的研究中得到了很好的应用.在对国内某中小型气田油气产量的预测中,以历史产量资料进行检验,其结果表明,提出的预测方法,预测精度明显优于BP算法,证明了这种方法的有效性和可靠性.     

基于遗传算法的灰色Elman神经网络预测模型及其应用

针对少数据、贫信息、非线性、动态性的时间序列,采用遗传算法对Elman神经网络的初始权值进行优化以避免陷入局部最小值.建立灰色GM(1,n)模型对其进行预测,使用优化后的神经网络对预测结果进行修正.通过实例拟合、预测,对比灰色GM(1,n)模型、灰色神经网络模型和基于遗传算法的灰色神经网络模型结果,验证预测模型的有效性.结果表明,基于遗传算法的灰色Elman神经网络预测模型能够扩大搜索范围,稳定网络结构,提高解的精度.     

三种生成神经网络拓扑结构的方法在股票、商品价格预测中的应用及结果比较

对比了三种不同神经网络模型的生成方式:传统神经网络生成模型,遗传算法训练神经网络模型,以及在第二种方式训练参数的基础上,再使用传统神经网络优化生成模型.论文使用上述三种方法对代表性股票和商品价格进行拟合并预测,通过预测结果准确性和稳定性的比较发现:引入遗传算法后的神经网络在样本内的拟合误差有所降低,而第三种方法在样本外有最低的预测误差和最优稳定性.     

遗传算法与神经网络相结合的降水预报模型

针对目前BP神经网络在实际应用中,网络结构难以确定以及网络极易陷入局部解问题,用遗传算法优化神经网络的连接权和网络结构,在遗传进化过程中采取保留最佳个体的方法,建立基于遗传算法的BP网络模型,同时通过实例说明该模型在降水预测中的应用,计算结果表明该方法的预测精度较高。     

偏最小二乘回归的贝叶斯正则化神经网络集成模型在证券分析预测中的应用

神经网络集成技术能有效地提高神经网络的预测精度和泛化能力,已经成为机器学习和神经计算领域的一个研究热点.利用Bagging技术和不同的神经网络算法生成集成个体,并用偏最小二乘回归方法从中提取集成因子,再利用贝叶斯正则化神经网络对其集成,以此建立上证指数预测模型.通过上证指数开、收盘价进行实例分析,计算结果表明该方法预测精度高、稳定性好.     

关于DNA序列分类问题的模型

本文提出了一种将人工神经元网络用于 DNA分类的方法 .作者首先应用概率统计的方法对 2 0个已知类别的人工 DNA序列进行特征提取 ,形成 DNA序列的特征向量 ,并将之作为样本输入 BP神经网络进行学习 .作者应用了 MATLAB软件包中的 Neural Network Toolbox(神经网络工具箱 )中的反向传播 ( Backpropagation BP)算法来训练神经网络 .在本文中 ,作者构造了两个三层 BP神经网络 ,将提取的 DNA特征向量集作为样本分别输入这两个网络进行学习 .通过训练后 ,将 2 0个未分类的人工序列样本和 1 82个自然序列样本提取特征形成特征向量并输入两个网络进行分类 .结果表明 :本文中提出的分类方法能够以很高的正确率和精度对 DNA序列进行分类 ,将人工神经元网络用于 DNA序列分类是完全可行的     

基于遗传算法的同步优化算法

提出一种基于遗传算法的同步优化算法,该算法吸取了遗传算法和模拟退火算法的各自优点,将二进制编码和实数编码有机地结合起来,既能够快速收敛到全局最优解,又能够在优化神经网络结构的同时,得到较好的权值分布.     

基于GA-Chebyshev神经网络的分数阶Bagley-Torvik方程数值解法

本文基于现有的切比雪夫神经网络,提出了一种利用遗传算法优化切比雪夫神经网络求解分数阶Bagley-Torvik方程数值解的新方法,结合多点处的泰勒公式原理,给出数值解的一般形式,将原问题转化为求解无约束最小化问题.与现有数值方法的数值结果进行比较表明了本文方法的可行性和有效性,为分数阶微分方程中类似问题的求解提供了新的思路.     

基于遗传算法的上市公司财务危机预测模型研究

本文以我国沪深A股上市公司为研究对象,选取制造业公司376家,其中被特别处理的ST公司188家,与其配对的健康公司188家,使用遗传算法和21个财务比率建立了财务危机预测模型,并与Logistic回归和BP神经网络模型进行了比较,结果表明,使用遗传算法可以获得不受统计约束且预测准确率更高的模型。