梯级水电短期调度模型及其求解的蝗虫视觉进化神经网络

融合梯级水电站短期调度中电网调峰与发电量相互制约的因素,探讨水电调度模型的设计及求解的改进型蝗虫视觉进化神经网络。调度模型设计中,依据水量平衡方程,在充分考虑机组出力限制、不规则震动区等与水头相关的复杂约束及尾水顶托影响下,构建以调峰效果与发电效益为性能指标的厂网协调短期调度模型。神经网络设计中,在已有蝗虫视觉神经网络基础上引入视觉残留机制、半波整流机制,以及在兴奋层引入局部均值滤波,获得能输出全局和局部学习率的改进型蝗虫视觉神经网络,进而借助混沌映射及山瞪羚优化算法设计状态更新策略,随后顺次连接此视觉神经网络及更新策略,获得能自适应调节参数的改进型蝗虫视觉进化神经网络。比较性的数值实验显示,该神经网络求解13个基准事例中7~13个事例及应用于贵州北盘江梯级电站的3种场景中至少2种场景下具有显著优势。

基于特征选择和进化神经网络的网络异常入侵检测方法

由于网络信息数量庞大,内部存在大量冗余特征信息,异常检测时容易受其影响,导致检测效率降低,无法保障网络运行安全。为此提出基于特征选择和进化神经网络的网络异常入侵检测方法。应用主成分分析法选择合适的网络运行数据特征,基于进化神经网络构建异常入侵检测模型,阐述网络异常入侵检测过程,并制定特征数据提取模式与异常入侵判定规则,从而获取最终网络异常入侵检测结果。实验数据显示,提出方法获得异常入侵检测特征数量与最佳特征数量相同,网络异常入侵检测相对准确率最大值为98%,以此证明所提方法检测异常入侵精准性高。

基于进化神经网络的入侵检测方法

将神经网络与遗传算法结合 ,提出入侵检测的进化神经网络方法 ,它是个高效并行非线性动态处理系统 ,可以满足实时处理要求·首先用遗传算法优化神经网络结构 ,然后用优化的神经网络进行入侵检测预测、预警·用进化神经网络方法不断演化 ,寻找最优的网络结构·当进化神经网络学会系统正常工作模式后 ,能够对偏离系统正常工作的事件做出反应 。

基于进化神经网络的磨削粗糙度预测模型

针对外圆磨削中表面粗糙度的影响因素多、监测困难的问题,构建了表面粗糙度预测模型的开放式实验系统,在分析反向传播神经网络收敛速度慢、易陷入局部最小值等缺点的基础上,提出遗传算法与反向传播神经网络结合的表面粗糙度预测模型,利用遗传算法的全局搜索能力对反向传播神经网络的初始权值和阈值进行优化,详细说明了遗传算法和反向传播网络各参数的确定方法,并对比了相同网络结构下的反向传播预测模型和遗传算法-反向传播模型的预测性能。根据隐层节点计算经验公式,建立了四种基于遗传算法-反向传播网络结构的外圆纵向磨削表面粗糙度预测模型,通过对四种模型样本的预测精度检验,最终确定一种最优的预测模型结构。试验证明,遗传算法和反向传播网络的结合可以提高表面粗糙度预测模型的收敛速度和预测精度,满足智能磨削对表面粗糙度预测高效性、准确性的需求。

基于进化神经网络的刀具寿命预测

为预测道具寿命,引入人工神经网络技术,建立了刀具寿命预测神经网络模型,同时对切削参数进行优化选择。在刀具寿命预测中,针对反向传播算法存在收敛速度慢、容易陷入局部极小值及全局搜索能力弱等缺陷,采用遗传算法训练反向传播神经网络,设计了进化神经网络的学习算法。实验和仿真结果表明:基于进化计算的反向传播神经网络可以克服单纯使用反向传播网络易陷入局部极小值等难题,刀具寿命的预测精度较高,从而为刀具需求计划制定、刀具成本核算,以及切削参数制定提供理论依据,节约了制造执行系统中的生产成本。

基于进化神经网络的曲面磨削表面粗糙度预测

将人工神经网络技术引入曲面磨削加工领域,介绍了利用BP算法建立的曲面磨削表面粗糙度随磨削用量变化的进化神经网络预测模型.针对BP算法存在收敛速度慢、容易陷入局部极小值及全局搜索能力弱等缺陷,采用遗传算法训练BP神经网络,取代了一些传统的学习算法,设计了基于进化神经网络的学习算法.实验和仿真结果表明,基于进化计算的BP神经网络不仅可以克服单纯使用BP网络易陷入局部极小等问题,而且预测精度较高.

考虑环境变量作用的滑坡变形动态灰色-进化神经网络预测研究

滑坡变形预测对于指导灾害的预防工作、保护人民的生命和财产安全具有重大实用价值。从系统论观点出发,结合岩土体流变理论和时序分析原理,在深入研究影响滑坡变形的主控环境变量基础上,将位移时序分解为趋势项和偏离项。采用灰色系统模型提取位移时序趋势项,结合遗传算法和人工神经网络建立起进化神经网络模型,逼近主控环境变量与位移偏离项之间的非线性关系。根据蠕变阶段和变形对环境变量响应情况,实时调整模型,建立起滑坡变形预测的动态灰色-进化神经网络(GM-ENN)模型。将此预测思路和方法应用于三峡库区某滑坡变形预测研究中,证实了模型的有效性和实用性,显示了动态预测的重要性。

基于进化神经网络外圆纵向磨削表面粗糙度的在线预测

将人工神经网络引入磨削加工领域。针对BP算法存在收敛速度慢,容易陷入局部极小值以及全局搜索能力弱等缺陷,采用遗传算法训练 BP神经网络,设计了基于进化神经网络的学习算法,建立了外圆纵向磨削表面粗糙度的进化神经网络预测模型。实验和仿真结果表明,基于进化计算的 BP神经网络可以克服单纯使用 BP神经网络易陷入局部极小值等问题,预测精度较高,对提高外圆纵向磨削加工的自动化程度具有重要的意义。通过在线监测磨削参数,所提供的预测方法可以实现对工件表面粗糙度的在线预测。

进化神经网络研究综述

进化算法(EAs)与神经网络(NN)的结合已形成了一个新的领域—进化神经网络,在神经网络的研究中举足轻重。本文通过讨论和总结进化神经网络中的关键技术和现状,概述了其设计与构造的趋势。所讨论的是:(1)进化神经网络的研究方法;(2)进化模型;(3)应用实例及关键技术;(4)研究方向。

一种基于进化神经网络的入侵检测实验系统

参照MITLincoln实验室的入侵检测实验方案,建立了一个基于Linux主机的入侵检测实验环境,提出了相应的入侵特征选择方案,并应用进化神经网络检测入侵,实现了对多种攻击的实时特征抽取及检测。实验表明:系统设计合理,特征抽取及检测方法有效,能较好地检测已知和未知入侵。

进化神经网络研究进展

进化神经网络是将进化算法应用于神经网络的构造、学习而得到的神经网络，具有很强的鲁棒适应性。综述了进化神经网络方法及其应用研究新进展，对研究中出现的一些问题进行了讨论与展望。

隧道围岩破坏模式的进化神经网络识别

隧道围岩破坏受很多因素的影响,其破坏模式的识别是一个复杂的非线性系统辨识问题,采用一般方法很难得到好的解答。基于作者提出的免疫进化规划,并把它同神经网络(NN)相结合,提出了一种全新的结构及权值同时进化的进化神经网络(ENN)模型,用于围岩破坏模式的识别研究,用一个试验算例证明了进化神经网络具有解决此问题的良好性能。

基于进化神经网络的电火花铣削加工电极损耗预测

针对电火花铣削加工的时变非线性特性,提出基于神经网络的电火花铣削加工电极损耗预测模型,利用该网络预测加工速度和工具的相对损耗,从而可在加工中实时计算出工具实际损耗量,为实现电极损耗的在线动态补偿打下基础。针对神经网络传统训练算法-BP算法的不足,提出了一种自适应调节变异率和变异量的进化算法来优化网络权值和网络结构,提高了网络的逼近精度和进化速度。

基于灰色—进化神经网络的滑坡变形预测研究

滑坡变形位移预测对滑坡灾害治理具有重要的意义。考虑到滑坡位移单调增长的特殊性,根据位移分解原理,采用灰色系统提取位移趋势,用基于免疫进化规划的新型进化神经网络模型逼近位移偏差,从而提出了1种滑坡位移预测的新型智能方法。并用新滩滑坡的实测位移预测研究证明了所提智能预测方法的有效性及可行性。

用基于实数编码的自适应遗传算法进化神经网络

为了提高进化神经网络的速度，文章提出了一种基于实数编码方案的的遗传算法，该算法中采用了自适应变异算子。用于求解ＸＯＲ问题，结果表明该算法具有很好的收敛性能。

基于进化神经网络的无监督的指标重要度判定方法在体育计量中的应用

体育计量中无监督的指标重要度判定是一项基础性难题。针对传统方法受主观因素和随机模糊性影响等问题,提出一种基于进化神经网络的无监督的指标重要度判定方法。首先对样本数据集利用DB准则和模糊C均值聚类算法确定其最佳聚类数及聚类结果,将其作为神经网络的训练集;为了提高神经网络性能和获得理想的连接权值,利用遗传算法优化神经网络连接权;最后从训练好的神经网络中提取权值并转换为指标体系相对重要度信息。实验结果表明,该方法能准确反映体育计量中指标的相对重要度大小,同时具有很强的操作性。

进化神经网络在矿山入选品位优化中的应用

在矿山入选品位指标研究中,正确建立有关因素之间的数学模型是实施优化的关键。其中选矿子系统的入选品位、混岩率与选比之间呈复杂非线性关系。为克服一般神经网络收敛慢和过学习的问题,采用改进遗传算法的进化神经网络模型映射混岩率、入选品位与选比之间的复杂非线性的对应关系,并将建立的选比神经网络模型用于金山店铁矿入选品位的优化决策支持系统中,取得每年多回收铁精矿16.23万t的良好效果。

灰色-进化神经网络模型在深埋隧道围岩变形预测中的应用

由于深埋隧道围岩的变形受到构造、应力场、地下水、开挖方式等复杂因素的综合影响,具有位移时间序列的单调增长的特殊性和非线性,运用响应成分模型将隧道围岩位移量分解成具有确定性的趋势项和具有不确定性的随机项。建立灰色–进化神经网络模型对趋势项和随机项进行预测,既结合GM(1,1)模型较好预测序列增长趋势的特点,又结合神经网络利用自适应实现网络总体误差最小的特点,进而解决了单一利用GM(1,1)模型时预测值的随机偏离量较大的问题,保证了预测的精度。将该模型应用于基于实测位移资料的堡镇隧道围岩水平收敛位移短期预测,较好地揭示了隧道围岩收敛位移演化的规律,为合理选取二次衬砌时机提供了参考。

一种基于进化神经网络的混合入侵检测模型

为了提高入侵检测系统的检测率并降低误报率,将误用检测技术和异常检测技术进行结合,以克服采用单一技术的缺陷。采用改进的进化神经网络作为检测引擎,首先,通过对遗传算法进行改进,弥补实数编码全局寻优能力差的缺陷,且降低计算的复杂度,提高进化收敛速度;然后,将改进的遗传算法和BP神经网络的LM算法进行结合,进一步克服神经网络学习阶段训练速度慢和易陷入局部最优的缺点,进而提高神经网络的分类能力和模式识别能力。采用KDDCUP99数据集作为训练与测试数据集进行实验,结果表明,基于改进的进化神经网络建立的混合入侵检测模型在数据特征规则的提取速度、检测精度以及识别新的攻击类型方面有明显改善。

软土盾构施工地表变形的小样本进化神经网络预测

上海地区软土具有高压缩性和易塑流等特性,在盾构机的挤压和不当施工扰动下将会引起较大的土层移动和地表隆陷。以盾构施工实测位移资料为学习样本,通过遗传算法搜索具有最优预测效果的神经网络结构及学习参数。利用获得的进化神经网络在小样本训练情况下建立模型,对下一步施工的地表变形进行合理的预测。对上海市某盾构隧道的施工地表变形预测表明该模型可获得较高预测精度。