基于神经网络的全局寻优自适应BP学习算法

根据梯度算法中网络权值的演化规律,并基于终端吸引子,提出一种能全局寻优自适应的快速BP算法,该算法的基本思想是最小二乘算法,采用梯度搜索技术,以期使网络的实际输出值与期望值的误差的均方值为最小.同时,进行BP学习算法的稳定性和快速收敛问题分析研究.并进一步给出改善BP算法学习率修正、假饱和现象消除等训练结果的措施.

一种优化权初值的综合全局寻优快速BP算法

文章在大量实验的基础上 ,对 BP算法中存在学习收敛速度慢的问题进行了广泛的研究 ,提出了在优化权初值的基础上 ,将变步长法与模拟退火法相结合 ,实现一种快速的综合全局寻优的前馈神经网络学习算法。通过在系统建模中的应用 。

遗传算法的全局快速寻优

分析了遗传算法的全局快速搜索能力 ,指出“前t代群体”中包含至少一个位置等价非重叠模式完全集是可靠地进行全局搜索的保证 ;而生成适应度值差别大的完全集是缩小搜索范围的起点 ,这些模式的阶数越低 ,就能越早开始缩小搜索范围 ,对算法全局快速寻优也就越有利 .

一种用于特征层融合识别的回弹全局自适应动量BP算法

针对特征层融合识别中全局自适应BP算法存在的收敛速度慢、学习不稳定等问题,基于对动量BP算法的详细分析,提出了一种新的全局自适应BP算法——回弹全局自适应动量BP算法(RGMOBP),该算法具有在误差增大时进行权值回弹并减小学习步长以保证权值的调节功能、使误差减小的特点。仿真结果表明:RGMOBP在学习性能上优于其它已有经典全局算法,是一种简单有效的神经网络特征层融合识别算法。

具有快速收敛和自适应逃逸功能的粒子群优化算法

为了克服标准粒子群优化算法(PSO)后期收敛速度慢、容易陷入局部最优等缺点,借鉴人工蜂群算法的思想,提出了一种提高收敛速度并且带有自适应逃逸功能的粒子群优化算法(FAPSO)。算法中每进化一次粒子搜索两次:一次全局搜索,一次局部搜索。当粒子陷入局部最优时,通过逃逸功能使粒子重新搜索。8个经典基准测试函数仿真结果表明,改进的粒子群优化算法在收敛速度和寻优精度上均有提高,相对于目前常用的改进粒子群优化算法如CLPSO等,t检验结果说明,新算法具有明显的优势。

BP网络局部学习速率自适应SA算法的改进

Silva-Almeida(SA)算法是最好的局部学习速率自适应算法之一,在对SA算法进行研究分析的基础上,提出 两项改进措施,使改进后的SA算法较原SA算法震荡现象大大减弱,训练速率有较大加快,训练精度有较大提高。在仿 真实验中,改进的SA算法在一定程度上优于RPROP算法。

基于自适应遗传算法改进的BP神经网络卡钻事故预测

由地质环境、作业人员技术水平和钻井技术限制引起的卡钻事故,严重影响钻井作业的效率,给石油生产单位带来巨大的经济损失。理论上,BP神经网络对卡钻事故的预测具有良好的效果,但是传统的BP神经网络模型有易陷入局部极小值而导致模型失效的风险。文中根据西北某地区钻井历史数据,筛选影响卡钻发生的输入参数,建立了一种BP神经网络卡钻预测模型。利用遗传算法对BP神经网络的权值和阈值进行寻优操作,提高了模型的稳定性和预测能力。同时为解决遗传算法易陷入局部最优的缺陷,设计了具有自适应交叉概率和自适应变异概率的遗传优化算法。通过寻优运算,将得到的最优权值阈值代入BP神经网络卡钻预测模型,训练后得到一种基于自适应遗传算法改进的BP神经网络卡钻事故预测模型。经实验验证,模型较未优化前具有更高的准确度和泛化能力,能够实现对卡钻事故的良好预测,对提高钻时、确保井身质量和保护作业人员人身安全具有指导意义。

基于自适应人工鱼群FCM的异常检测算法

异常检测算法在诸多领域都发挥着重要的作用.基于模糊C-均值(fuzzy C-means, FCM)的异常检测是其代表方法之一.FCM对初始值的选取很敏感,而且容易陷入局部极值.基于此的异常检测算法检测效果也不甚理想.因此,引入具有较强全局搜索能力的人工鱼群算法,对其加入自适应机制,自适应调整Visual取值范围,从而提高AFSA局部和全局寻优能力,减少算法迭代的次数.然后将其应用于FCM中,利用自适应人工鱼群算法得到的最优解进行FCM聚类分析,从而解决以上FCM存在的种种问题.最后,设计基于自适应人工鱼群FCM的异常检测算法,充分利用自适应人工鱼群的优势来提高异常检测算法的检测性能.实验表明:该算法在提高对数据的检测效率的基础上,检测性能也表现出了很好的水平,为解决异常检测模型中的检测率和虚警率相关问题提供了一种有效解决方案.

改进差分进化算法优化BP神经网络用于入侵检测

为解决BP神经网络应用于入侵检测时检测率较低、训练时间过长的问题,对改进差分进化算法(SAMDE)优化BP神经网络并用于入侵检测的可行性进行研究。该算法引入模拟退火算法(SA)和一种融合DE/rand/1与DE/best/1的变异算子对差分进化算法进行改进以提高其全局寻优能力。用改进后的算法优化BP神经网络权值阈值。通过逐次的迭代训练使BP神经网络收敛,将优化过的BP神经网络用于入侵检测。仿真实验结果显示,优化的BP网络在收敛速度和精度方面有明显提升,用于入侵检测时提高了检测准确率,缩短了训练时间。

基于Lévy飞行的自适应差分进化算法

针对目前差分进化算法存在全局搜索与局部寻优的矛盾、搜索停滞、收敛速度慢的问题,提出一种改进算法:基于Lévy飞行的自适应差分进化算法。该算法鉴于Lévy飞行步长符合重尾分布的特点,在变异过程中结合差分进化算法的基本变异和Lévy飞行变异两种模式,并通过引入自适应缩放因子和交叉概率算子,改善种群在交叉与变异过程中的不足。通过理论分析与Benchmark函数的数值验证,并与其他6种算法进行比较。结果表明,所提新算法能够在全局搜索与局部寻优之间进行较好的平衡,而且收敛速度更快,种群多样性得到了很好的保存,一定程度上避免了搜索停滞的出现。

双变异率自适应遗传算法研究及其应用

针对标准遗传算法的不收敛性 ,提出一种双变异自适应遗传算法 ,即通过全局变异算子和局部变异算子共同作用 ,增加种群的多样性 ,提高算法的全局收敛能力。实例证明

非常快速模拟退火算法在相关声纳测速中的应用

尽管传统的模拟退火算法是一种全局寻优算法，但是存在收敛速度较慢的缺陷。本文提出了采用非常快速模拟退火算法实现相关声纳测速的方法，该算法采用依赖于温度的似Cauchy分布产生新的扰动模型，通过改变模型扰动、接收概率和降温方式来加快模拟退火算法的收敛速度，仿真结果证明了该算法的有效性。

基于遗传算法优化下棉花的产量预测模型研究

棉花是我国重要的经济作物与棉纺织业发展的主要原材料之一,是我国经济发展的支柱产业。在棉花种植过程中,农田措施、气象环境等都会对棉花生产产生影响。对棉花生长因子进行分析,建立棉花预测模型,预测我国棉花产量,对于指导棉花生产和促进我国经济发展具有重要意义。为此,针对传统BP神经网络在预测中存在测试精度低、鲁棒性差等问题,利用遗传算法(Genetic Algorithm, GA)对BP神经网络模型进行优化,构建GA-BP神经网络模型;同时,基于湖北省2011-2021年棉花播种面积、气象因子、自然灾害和棉花产量,构建BP神经网络、GA-BP神经网络模型,对湖北地区棉花产量进行预测。研究结果表明:GA-BP神经网络模型精度明显高于BP神经网络模型,R2达到0.991。因此,通过GA-BP预测能够更加科学、合理地进行棉花产量预测,对棉花生产及管理措施的调整具有重要的指导意义。

基于改进天牛群算法优化的BP神经网络的入侵检测

针对传统BP神经网络在入侵检测中,BP神经网络模型存在容易陷入局部最优、收敛速度慢、初始值随机性较大等缺点,提出改进天牛群算法(beetle swarm optimization,BSO)用于优化BP神经网络的权值与阈值,并采用可变的感知因子及导向性的学习策略,以增强算法跳出局部最优的能力,提升算法全局寻优能力。利用天牛群算法群体智能的特点,提高BP神经网络的收敛速度。并将天牛群优化的BP神经网络模型应用于入侵检测。仿真实验结果表明,优化后的BP神经网络模型能够显著提高模型的收敛速率和对入侵数据的检测率,降低误报率。

参数动态调整的自适应布谷鸟算法

为提高布谷鸟算法的收敛速度和求解精度,提出了一种基于自适应机制的改进布谷鸟算法。该算法在迭代初期和末期分别使用两种自适应策略来动态调整步长和发现概率,提高了算法的局部和全局寻优能力。利用10个标准测试函数对基本布谷鸟算法、所提出的改进算法以及其他智能优化方法进行了仿真对比验证,结果表明所提出的改进布谷鸟算法在求解精度、稳定性以及收敛速度上都具有一定优势。

基于IGA优化BP神经网络的双目视觉定位研究

针对基于传统遗传算法(GA)优化BP神经网络的双目视觉定位存在迭代时间过长和精度偏低的问题,设计了一种基于改进遗传算法(IGA)优化BP神经网络的模型,从而完成双目视觉定位计算。该模型可提高BP网络的全局寻优效果和收敛性,提升网络的处理效能与准确性,最终使相机实现更高的定位准确度和更迅速的运算速率。详细介绍了IGA优化BP神经网络的双目视觉定位算法流程,并进行了相应的实验验证。验证结果表明:(1)在未优化情况下,坐标预测值的误差均值为0.66 mm,而经过IGA优化后,坐标误差均值减小至0.08 mm。(2)BP神经网络经优化后,其定位精度达到了0.12 mm,定位误差减小了近0.01。(3)在双目视觉定位方面,BP神经网络的平均精度为0.12 mm,与采用OpenCV进行定位比较,基于IGA优化BP神经网络的定位方法精度接近0.08 mm,定位精度能够满足要求。

基于改进GA-RS的火焰图像特征自适应选择

针对已有固定火焰图像特征模式识别算法泛化能力较差,且误报率较高的问题,提出一种新的火焰图像特征自适应选择算法。根据特征约简的2大基本准则,将遗传优化引入到粗糙集的属性约简,使交叉和变异概率随个体的适应度值自适应调整,以保护较优并淘汰适应度值低的个体。通过动态修剪并补充新个体增加种群的多样性,从而提高遗传算法的全局寻优能力。实验结果表明,与基于支持向量机的图像型火灾探测算法相比,改进算法在降低特征空间维数的同时,火焰的平均识别率提高了16%。

多层前向神经网络的自适应禁忌搜索训练

针对BP算法属于局部优化算法的不足,提出了一种新的全局优化算法——自适应禁忌搜索作为前向神经网络的训练算法。该算法通过邻域和候选集的相互配合,动态地调整候选集中分别用于集中性搜索与多样性搜索的元素个数,提高了算法运行的质量和效率。以经典的异或问题(XOR)为例,进行了对比研究。实验结果表明,该算法与BP算法相比明显提高了网络的收敛概率和收敛精度。

一种通用的全局寻优演化算法——自适应进化规划

This paper develops a self-adaptive mutation operator, based on the general evolutionary programming, and presents a new algorithm, called self-adaptive evolutionary programming. Numerical results demonstrate the strong self-adaptive and versatility of the new algorithm.

改进萤火虫优化算法的Renyi熵污油图像分割

针对传统Renyi熵方法在分割污油图像时存在图片差距大、无法根据不同图片进行最优分割的问题,提出改进萤火虫算法对二维Renyi熵分割算法中的α值进行寻优来解决上述问题。分析了采集的污油图片特点以及对污油图片进行分割的必要性;针对多目标寻优精度不高和后期收敛速度较慢的问题,对萤火虫算法进行了改进,并对初始萤火虫位置进行混沌优化处理,使结果达到全局最优;利用基于改进萤火虫算法的Renyi熵图像分割算法对采集的污油图片进行阈值分割实验,并与二维Renyi熵分割、粒子群算法(PSO)Renyi熵分割方法进行比较。实验结果表明:本文提出的算法可以有效地对污油区域进行分割,能够快速地实现复杂图像的精确处理。