基于经验知识遗传算法优化的神经网络模型实现时间反演信道预测

人工神经网络由于具有较强的非线性拟合能力,可用来建立终端位置与接收信号之间的映射关系,从而获得不同位置的信道特性.神经网络建模的精度一般由所使用的训练样本数量决定,训练样本数目越多,模型往往越精确.但大量的训练数据的获取,耗时较多.本文将经验知识融入遗传算法,对人工神经网络模型进行优化,实现了时间反演电磁信道的快速建模.通过提取时间反演信号的传播参数,并将其作为经验知识用于遗传算法的适应度函数,来优化神经网络模型的权值和阈值.在保证训练样本数量不变的情况下,相比直接利用神经网络建模,提高了建模的精度.以一种简单的室内时间反演场景为例,验证了方法的有效性.     

基于遗传神经网络的耙吸挖泥船泥泵转速预测

耙吸挖泥船泥泵管线模型是一个复杂的、非线性的动态模型,影响模型准确性的参数较多。为了根据当前施工条件和流量的优化值准确地预测转速,为施工人员提供参考,提高疏浚效率,采用了遗传算法改进的BP神经网络对泥泵转速进行预测。首先,遗传算法对BP神经网络的初始权值和阈值进行优化。然后,BP神经网络根据优化值对网络进行训练并对转速进行预测。为了验证该方法的有效性,将遗传BP神经网络的预测输出和实测泥泵转速进行对比。仿真结果表明：遗传BP神经网络具有很强的非线性拟合能力和全局搜索能力,能够准确地预测泥泵转速。该预测输出可为施工人员提供参考,以便改变泥泵转速,提高疏浚效率。     

基于灰色关联神经网络的主机热力参数监测研究

为了对船舶主动力系统的热力性能参数进行监测研究,以确保故障预警的可靠性,针对主机热力参数间的非线性关系,建立了基于灰色关联分析的BP神经网络监测模型(GRA-BP),通过灰色关联分析和信息熵加权对网络输入量进行预处理,并利用遗传算法优化网络的初始权值和阈值,提高模型监测精度。最后,以实船主机排气温度为待监测对象,验证了该监测模型的准确性,平均相对误差为0.549℃,优于传统网络的监测结果。     

基于遗传小波神经网络的机器人腕力传感器动态建模研究

提出一种基于改进遗传算法进化小波神经网络用于机器人腕力传感器动态建模的新方法,介绍了该算法原理.该方法利用腕力传感器的动态标定数据,用改进的遗传算法来优化小波神经网络结构和参数,建立腕力传感器的动态模型.结果表明,采用遗传小波神经网络进行腕力传感器动态建模,能克服误差反向传播算法存在易陷入局部极小点的缺点,网络的复杂度、收敛性和泛化能力得到了好的综合,建模的速度和精度得到提高. 关键词： 腕力传感器 动态建模 小波神经网络 遗传算法     

基于遗传神经网络的伺服机构健康状态预测

为了及时把握伺服机构的健康状态,为装备的管理维护与任务执行提供必要的决策支持,从装备的自然退化趋势出发,提出了一种基于遗传算法优化BP神经网络的预测模型。利用BP神经网络优秀的非线性映射能力构造预测模型,将神经网络初始权值阈值编码,利用改进的自适应遗传算法确定最优解。将该模型应用到伺服机构的健康状态预测上,并与标准BP神经网络及径向基神经网络做比较。结果表明该模型有更好的预测精度及收敛速度,从而验证了模型的有效性。     

基于GA特征选择和BP神经网络的模拟电路故障检测

针对模拟电路故障检测中存在测试节点数较多的问题,提出遗传算法与BP神经网络相结合的方法;利用遗传算法的全局、并行寻优能力对模拟电路的系统特征进行优化选择,从而减少BP神经网络输入层节点数;用MATLAB软件对仿真实例数据进行编程实验,直接使用BP神经网络,检测率为66.7%,采用遗传算法与BP神经网络结合的方法,检测率可为100%;结果表明,相对于传统的BP神经网络方法,该方法提高了模拟电路故障检测的平均正确率。     

AGA-BP模型在遥感影像分类中的应用研究

作为遥感研究的关键技术,遥感影像分类一直是遥感研究热点;针对目前采用BP神经网络模型进行遥感影像分类时存在的对初始权阈值敏感、易陷入局部极值和收敛速度慢的问题,为了提高BP模型遥感影像分类精度,将自适应遗传算法引入到BP网络模型参数选择中;首先运用自适应遗传算法对BP模型权阈值参数进行初始寻优,再用改进BP算法对优化的网络模型权阈值进一步精确优化,随后建立基于自适应遗传算法的BP网络分类模型,并将其应用到遥感影像数据分类研究中;仿真结果表明,新模型有效提高了遥感影像分类准确性,为遥感影像分类提出了一种新的方法,具有广泛研究价值。     

遗传算法在鱼粉中肉骨粉近红外光谱检测中的应用

为了研究近红外光谱模型的优化方法,提高模型的精度.利用遗传算法对64个掺加了肉骨粉的位粉样品近红外光谱进行变量筛选,采用偏最小二乘法回归建模.并用21个样品进行外部验证.遗传算法共选取310个波长变量,相对于全谱的1556个变壁减少了80%,与全谱范围的偏最小二乘法相比,交互验证相关系数(Rcv)从0.80提高剑0.90,交.巨验证均方根误差从5.22%降低到3.62%,预测相关系数(Rv)从0.91提高到0.96,预测均方根误差从3.85%降低到2.95%.模型的稳健性和预测精度都显著提高.试验结果表明遗传算法可以改善近红外光谱法预测鱼粉中肉骨粉含量的效果.     

基于三维荧光与GA-RBF神经网络对茶叶中氯菊酯农药残留的检测

采用FS920稳态荧光光谱仪对绿茶和铁观音这两种不同品种茶叶的氯菊酯溶液的荧光光谱特性进行了分析,发现这两种茶叶的荧光峰均位于λ_(ex)/λ_(em)=(390~410)/675 nm,氯菊酯的荧光峰λ_(ex)/λ_(em)=300/330nm。为了准确测定这两种茶叶中氯菊酯农药残留的含量,采用遗传算法优化的径向基函数神经网络对其进行了分析,当训练到74次时,均方差精度达到10~(-3),绿茶、铁观音的氯菊酯溶液预测样本的平均回收率分别为99.35%和98.89%,平均相对标准偏差分别为1.25%和1.21%。与建立的径向基函数神经网络模型进行了对比,结果表明三维荧光分析技术与遗传算法优化的径向基函数神经网络相结合能够较好地检测出茶叶中氯菊酯农药残留的含量,检测灵敏度大大提高,检出限范围广,可达0.004 8~24 mg/kg,远低于欧盟规定的茶叶中氯菊酯最高残留限量0.1 mg/kg,为检测农药残留提供了一种快速简便的新方法。     

基于Hadoop的GA-BP网络在山洪预测中的研究

研究了山洪灾害监测预警系统中雨情数据的分布式存储和分布式预测。针对采集到的水文数据急剧增长和对预测精度和预报时效的要求不断提高,分别应用Hadoop分布式文件系统对数据进行分布式存储和 MapReduce框架结合遗传算法优化神经网络的权值和阈值进行分布式预测。采用基于BP神经网络的多因子山洪灾害雨量预测模型,结合遗传算法能够实现全局优化特点来优化神经网络的权值和阈值,并在数据并行处理过程中,采用了批处理和MapReduce工作流的方式,以误差和准确率来评估预测模型,解决了神经网络在处理海量数据时训练时间长等问题。实验表明,该方法可以在不影响准确度的前提下,大大缩短运行时间,提高预测效率。     

混合算法优化的乘用车舱内噪声感知烦恼度神经网络建模

针对传统乘用车舱内噪声感知烦恼度量化模型精度低的问题,提出了一种利用混合算法优化的神经网络模型预测舱内噪声感知烦恼度的评价方法。此混合算法融合麻雀搜索算法(SSA)和遗传算法(GA),对反向传播(BP)神经网络进行优化,根据声品质主客观评价数据,建立SSA-GA-BP网络的乘用车舱内噪声感知烦恼度客观量化模型,与BP模型、GA-BP模型、SSA-BP模型进行对比分析。结果表明, SSA-GA-BP模型能够实现更高的预测精度,更接近主观评价数值,泛化能力更强,可替代传统的声品质主观评价实验。     

基于多适应度量子遗传算法的X射线荧光重叠峰分解

智能算法在对谱峰重叠严重的复杂地质样品进行分析时,往往存在计算量过大、弱峰误差较大、收敛于局部极小值或不收敛等问题。量子遗传算法因其具有良好的收敛性,可用于X射线荧光光谱重叠峰的分解。针对X射线荧光分析过程中经常遇到的谱峰重叠问题,提出了一种基于元素关联高斯混合模型（GMM-ER）和多适应度量子遗传算法的重叠峰分解方法。首先介绍了基于元素K系和L系特征X射线的重叠峰GMM-EB模型。然后基于X射线荧光光谱的物理特性,对传统量子遗传算法进行了改进,引入了多适应度函数。由锰、铁、钴和镍的特征X射线产生一段谱峰严重重叠的模拟光谱,然后基于GMM-EB模型,分别用传统量子遗传算法和改进的多适应度量子遗传算法对模拟光谱进行了10次解析。实验结果显示,改进后的量子遗传算法的重叠峰分解精度平均提高了32.1%,最佳分解精度提高了73.9%。应用改进量子遗传算法进行分解时,含量比例低的元素分解精度得到较大改善,最佳情况下元素分解的相对误差范围缩小了64.5%。并且,改进算法收敛速度快于传统算法。该方法适合严重重叠谱峰的分解,且对弱峰有较高的分解精度。     

基于大脑情感学习模型和自适应遗传算法的混沌时间序列预测

针对传统神经网络预测精度不高、收敛速度慢的问题,提出一种基于大脑情感学习模型和自适应遗传算法的混沌时间序列预测方法.大脑情感学习模型模拟了哺乳动物大脑中杏仁体和眶额皮质之间的情感学习机制,具有计算复杂度低、运算速度快的特点,因此可以大大提高混沌预测的快速性.为了进一步提高大脑情感学习模型的预测精度,采用自适应遗传算法优化其参数,将待优化的权值与阈值分布在染色体基因序列上,用适应度函数选出最佳参数,从而增强了模型的逼近能力.基于Lorenz混沌时间序列和实际地磁Dst指数序列的预测结果表明,本文方法较其他传统方法在预测精度、运算速度和稳定性上均具有明显优势.     

粒子群算法优化相空间重构参数的网络流量预测模型

在网络流量预测过程中,相空间重构参数是影响预测性能的重要方面,传统参数分开优化,为了提高网络流量的预测精度,提出一种粒子群算法优化相空间重构参数的网络流量预测模型(PSO-BPNN);首先将BP神经网络作为学习算法,然后采用粒子群算法对相空间重构参数—延迟时间和嵌入维进行联合优化,并重构网络流量序列,最后以小波BP神经网络建立最优络流量预测模型,并采用仿真实验对模型性能进行分析,结果表明,PSO-BPNN提高了网络流量的预测精度。     

砂梨糖度近红外光谱波段遗传算法优化

遗传算法不受搜索空间限制性假设的约束,利用简单的编码技术和繁殖机制来解决复杂近红外光谱数据的优化问题。文章采用遗传算法的波段选择法(R-SGA)对砂梨近红外光谱进行了波段优化,得到丰水、圆黄、黄金三种梨的R-SGA最佳因子数分别为10, 12和16,并分别建立了单一品种GA-PLS模型;丰水梨和黄金梨的GA-PLS模型精度高于全谱PLS模型,其模型的RMSEP分别为0.608/0.632和0.524/0.540;圆黄梨GA-PLS模型精度(RMSEP=0.610)与全谱PLS模型(RMSEP=0.595)相当。经波段优化分析表明,使用552个数据点建立多品种砂梨混合模型,具有较高稳健性和预测性(RMSEC=0.627,RMSEP=0.641)。结果表明:基于遗传算法进行波段优化可以提高砂梨糖度模型精度,提高建模效率,同时说明建立多品种砂梨糖度通用模型是可行的。     

基于智能算法的冷水机组优化运行研究

以南方某机场航站楼冷源系统为研究对象,采用深度神经网络建立了两种不同类型冷水机组的运行能效模型,并将冷却水出水温度模型与冷水机组能效模型进行耦合,以冷源系统能耗最低为目标,采用布谷鸟搜索算法优化了冷源系统的运行参数、冷水机组与冷却塔的组合方式。研究结果表明：采用深度神经网络建立的冷水机组模型具有较高的精度和泛化能力,与原运行方式对比,采用布谷鸟搜索算法优化的方法在夏季典型日最高节能19.6%,具有较高的节能效果。     

基于禁忌算法优化神经网络的海洋船舶流量预测

为了有效缓解船舶交通拥堵和提高通航效率,对海洋港口和航道管理提供一个更可靠的数据,设计了一种基于禁忌算法优化神经网络的海洋船舶流量预测的方法。首先,建立了基于禁忌算法优化神经网络的海洋船舶流量预测模型。然后,设计了三层的脊波神经网络结构,提出了采用禁忌算法优化脊波神经网络结构参数的具体方法,从而得到一个初始化的脊波神经网络流量预测模型。然后,采用有标签的训练样本数据集对网络进行训练,将满足误差阈值的训练模型作为最终的预测模型。以某港口为例进行仿真实验,结果表明文中得到的预测结果与真实值较为接近,且与其它方法相比,具有更好的预测效果。     

用于混沌时间序列预测的组合核函数最小二乘支持向量机

针对混沌时间序列的预测问题,考虑到单一核函数的最小二乘支持向量机无法明显提高预测精度,提出了一种组合核函数的最小二乘支持向量机预测模型,模型中采用多项式函数与径向基函数组合构建核函数.同时,还对遗传算法进行了改进,使之具有更快的收敛速度和更高的精度,改进的遗传算法适用于解决预测模型中的参数优化问题.通过典型的Lorenz时间序列、Mackey-Glass时间序列、太阳黑子数时间序列以及具有混沌特性的网络流量时间序列对该模型进行了验证.仿真结果表明所提出的模型是有效的.     

基于优化神经网络算法的光纤布拉格光栅电流传感器的温度补偿

应变和温度的改变能够使光纤布拉格光栅(FBG)反射波的中心波长产生漂移,FBG与超磁致伸缩材料的结合可以用于测量电流,但是温度和应变的交叉敏感严重影响测量电流的精度。神经网络具有强大的非线性映射能力,能够自适应地发现传感器的内部规律,从而对温度进行有效补偿。针对神经网络容易陷入局部极小值的问题,采用遗传算法优化神经网络的权值和阈值,以在全局范围内更快速、准确地找到权值和阈值的最优解。针对样本较少的问题,采取K折交叉验证的方法提高网络预测的可靠性。经实验验证,优化的神经网络对电流预测的均方误差为0.0038,提高了FBG电流传感器的测量精度。     

基于改进BP神经网络的中央空调冷负荷预测研究

针对中央空调系统冷负荷预测中BP神经网络预测收敛慢,易陷入局部最优,精度相对低的缺点,采用了收敛速度快,全部搜索能力强的粒子群优化算法进行改进,同时对BP结构中的输入参数,添加控制误差反馈参数,形成了基于粒子群与控制误差回馈的BP神经网络预测技术;其预测精度较BP神经网络和粒子群BP神经网络分别提高5.94%和0.82%。