共生进化免疫神经网络在电力系统短期负荷预测中的应用

为了克服传统BP神经网络在结构设计和学习算法中存在的缺陷 ,提出了一种共生进化免疫神经网络来预测电力系统短期负荷。其中利用共生进化原理设计神经网络 ,通过对神经元群体进行优化设计 ,显著地减轻了计算量。在进化过程中 ,结合免疫算法中的浓度机制和个体多样性保持策略进行免疫调节 ,有效地克服了未成熟收敛现象 ,提高了群体的多样性 ,加快了网络设计速度。算例计算表明 。

一种基于免疫调节和共生进化的神经网络优化设计方法

利用共生进化原理设计人工神经网络 ,创造性地融入了免疫调节原理中的浓度抑制调节机制以保持个体的多样性 ,提出了基于免疫调节的共生进化网络设计方法 .通过对神经元群体而不是神经网络群体进行进化设计 ,显著地减轻了计算量 ,同时利用生物免疫原理中的浓度机制和个体多样性保持策略进行免疫调节 ,有效地克服了未成熟收敛现象 ,提高了群体的多样性 ,从而加快优化设计速度 .实验结果表明该方法可高效、准确地设计鲁棒性很强的神经网络 .

基于免疫进化神经网络的机械手逆运动控制

将免疫进化算法用于机械手逆运动神经网络控制,基于生物免疫系统的细胞克隆选择学说和生物进化过程中的变异思想构造了自适应变异算子,使系统能够根据环境条件自适应地确定各抗体的变异强度;通过亲和力抑制相似抗体生存并动态地产生新的抗体,以维持抗体种群的多样性。通过对机械手进行仿真试验,并与快速BP算法及标准遗传算法训练的结果进行比较,表明用免疫算法训练的神经网络具有良好的泛化能力,可大大提高机械手逆运动学求解精度。

基于免疫进化算法的小波神经网络的混沌优化设计

针对进化算法中的"退化"问题和小波神经网络的"维数灾"问题,将免疫算法和进化算法相结合,在引入混沌机制的基础上,提出了一种基于免疫进化算法的小波神经网络混沌优化设计方法。该方法既充分发挥了小波神经网络的快速性,又充分利用了免疫算法的全局性、适应性等特点。仿真结果表明了该算法的有效性。

基于免疫进化策略的神经网络优化方法

对神经网络的研究多年来主要集中于网络权值优化或结构优化上,却忽略了神经网络结构与权值之间密不可分的联系.针对上述问题,将免疫系统中的浓度机制和记忆机制引入进化策略,提出了一种基于免疫进化策略的神经进化算法,在优化网络拓扑结构的同时优化网络的连接权值.进一步地,用Cauchy变异算子代替传统的Gauss变异算子,以获得更为理想的全局收敛效果.理论分析和仿真结果表明,免疫进化策略能够很好地保持种群多样性,避免未成熟收敛,采用免疫进化策略设计神经网络具有良好的全局收敛性能和快速学习网络结构和网络权值的能力.

免疫进化神经网络中交叉策略的改进

提出了免疫算法交叉策略的一种改进方法,采用新的交叉策略决定算法中子代个体的位置,可以使子代快速地向更高适应度的区域移动。仿真实验表明,基于新策略的改进免疫算法在进化神经网络时,比传统的进化算法具有更强的逃逸局部最小的能力和更快的收敛速度。

免疫进化算法和神经网络在建立财政收入预测模型中的应用

通过对历史数据的数学处理,采用人工神经网络的方法建立财政收入预测模型。针对前向网络BP(Baek-propagation Algorithm)算法——梯度下降搜索方法的不足,提出用免疫进化算法来训练BP模型网络参数。利用福建省1990-2004年的财政收入数据建立神经网络预测模型,并用2005、2006年的数据进行预测预报检验。结果表明:采用免疫进化算法建立的神经网络财政收入预测模型,模拟和预测精度高,具有实际应用价值。

基于免疫算法的前馈神经网络权值设计

提出了一种基于免疫算法的前馈神经网络设计方法(ImmuneFeed-forwardNeuralNetwork,INN),用于实现前馈神经网络权值空间的搜索。初步实验结果显示免疫算法具有快速学习网络权值的和脱离局部极小点的能力。

基于免疫神经网络的雷达天线扫描方式的识别

采用了免疫RBF网络进行雷达天线扫描方式的识别.计算机仿真结果表明,对目前常见的几种简单的雷达 天线扫描方式,免疫RBF网络系统在输入信噪比为4dB时的识别率已经达到99.13％,而它的网络训练步数仅需99 步,具有非常优越的性能.

新型进化神经网络模型

目前的进化神经网络模型大多采用遗传算法进行网络进化设计 .而研究表明 ,这种进化神经网络存在遗传编码、遗传操作及网络结构限制等很多问题 ;而采用进化规划是一种很好的途径 .鉴于此 ,为了克服传统进化规划算法的不足 ,结合作者提出的快速免疫进化规划提出了一种网络连接权值及其拓扑结构同时进化优化的新型进化神经网络模型 .最后 ,通过典型的异或分类问题 (XOR)比较了该模型同BP神经网络及传统进化神经网络的计算性能 ,发现它不但计算精度好 ,而且计算效率高 .

一种基于人工免疫原理的最优模糊神经网络控制器

提出了一种基于人工免疫原理的最优RBF模糊神经网络控制器设计方案.首先给出了控制器结构,其次将免疫进化算法用于控制器参数的优化,设计了一种满足二次型性能指标的最优RBF模糊神经网络控制器.将该控制器用于控制实际倒立摆系统,并采用状态变量合成方法以大大减少模糊规则的数目,实验结果验证了该控制器的有效性.

免疫神经网络用于侦察测向的技术

利用神经网络适合于做模式分类的特点 ,将测向问题转化为模式识别 ,建立了两级免疫径向基函数 ( RBF)网络进行测向 .基于圆形阵列天线测向的仿真结果表明 ,对于四天线元的情况 ,在信噪比为 1 2 d B时 ,免疫 RBF网络系统的测向误差小于 1°;对于八天线元的情况 ,在信噪比为 8d B时 ,免疫 RBF网络系统的测向误差小于 0 .8°.说明这种免疫 RBF网络测向系统达到了相当高的测向精度 .

基于IMSE的神经网络优化设计方法在板厚板形控制中的应用

提出基于免疫调节的共生进化算法 (IMSE)的神经网络优化设计方法 ,融入了免疫调节原理中的浓度抑制调节机制以保持个体的多样性 ,有效地克服了未成熟收敛现象 .在应用于二机架冷连轧板厚板形综合控制系统中的仿真实验表明 ,该方法能很好地适应复杂环境 。

基于新型RBF神经网络的中速磨煤机建模

提出了一种结合免疫聚类和免疫进化规划的径向基函数(RBF)神经网络设计方法,该方法采用人工免疫聚类机制根据输入数据集合自适应确定RBF神经网络隐节点的数量和数据中心位置,并通过提取核函数宽度作为疫苗和免疫选择操作确定网络输出层的权值。利用RBF神经网络设计方法建立了中速磨煤机出口温度和入口空气流量的RBF神经网络模型,仿真结果表明该模型具有较高的精度。

用概率神经网络对水电边坡稳定性预测

概率神经网络(PNN)是一种训练速度快、结构简洁明了、应用广泛的人工神经网络,该方法采用贝叶斯分类决策理论建立系统的数学模型,以高斯函数作为激励函数,具有非线性处理和抗干扰能力强等特点。阐述了PNN的基本结构及其训练算法,提出了基于PNN的水电边坡稳定性预测方法,并采用免疫进化算法(IEA)对高斯型函数的标准偏差σ进行参数优化。理论分析和实例结果验证了基于IEA-PNN的水电边坡稳定性预测方法的正确性和有效性。

基于RBF神经网络多用户检测方法的设计

基于免疫算法和免疫进化网络,提出了一种训练RBF网络的混合算法.该算法采用了一种可以实现数据聚类的免疫进化网络,根据输入数据集合自适应地确定RBF网络隐层中心的数量和初始位置;采用免疫算法训练RBF网络,使优化过程趋于全局最优.通过计算机仿真证明,将该方法应用于多用户检测中获得了比传统检测器和其他方法训练的RBF网络多用户检测器更好的误码率检测性能.

杉木人工林神经网络密度效应模型

基于人工神经网络具有逼近任意非线性映射的特性,将其应用于建立杉木人工林密度效应模型,并用免疫进化算法优化求解人工神经网络参数。结果表明:基于人工神经网络及免疫进化算法的杉木人工林密度效应模型,建模方法科学合理,林分蓄积量和平均胸径预测误差小,一定程度上优于以往传统的林分密度效应模型,在林分密度控制中有推广应用价值。

基于混沌免疫进化网络的电池荷电状态预测

在电动汽车运行过程中,常规方法难以准确预测电池的荷电状态,提出利用偏最小二乘回归分析影响电池荷电状态的诸多因素,选择端电压、电压一阶导数、电压二阶导数、放电电流以及电池温度作为神经网络的输入,以荷电状态作为输出,然后采用混沌免疫进化规划算法训练前馈神经网络预测电池荷电状态。在变功率运行工况下,通过仿真试验对比镍氢电池组实际荷电状态的和预测的荷电状态,验证神经网络预测的精度在5%以内。

免疫进化子波网络及其学习算法

本文首次对子波神经网络的分类机理进行了详细地研究 ,在此基础上将免疫进化算法与子波神经网络相集成 ,并提出了免疫进化子波网络模型及其学习算法 .其中 ,免疫进化算法是一种集免疫机制和进化机制于一体的一种新的全局并行算法 ,它可以通过对进化环境的自适应和自学习 ,有针对性地抑制由原进化算子操作的盲目性而引起的退化现象 .理论分析和用于双螺旋线分类的仿真结果表明 ,免疫进化子波网络不仅是可行的 ,也是十分有效的 .由于免疫进化算法本身所固有的并行运算规则、智能搜索方式和概率判断准则 ,从而有利于弱化子波网络的应用条件 。

基于微分进化免疫的RBF网络学习算法研究

该文提出一种微分进化算法与免疫算法相结合的方法,将该方法用于优化RBF网络隐节点参数,以改进RBF网络的性能,仿真结果表明收敛速度较快,训练精度较高,有效地改进网络的泛化能力.