神经网络与压缩映射遗传算法耦合技术研究

多层神经网络的 BP算法的学习过程与网络中的连接权值、传输函数类型的选择以及 BP所用的梯度优化算法密度相关 ,网络可能会出现收敛于局部次优或不收敛的现象。将压缩映射遗传算法应用于 BP神经网络的数学模型 ,构建一种新型的压缩映射神经网络 ,这种神经网络收敛于全局最优解。

一种改进的自适应遗传算法的收敛性分析

针对目前遗传算法缺乏有效的分析工具,理论分析困难较大的问题,提出了一种基于压缩映射原理的收敛性分析方法。首先,讨论了遗传算法收敛性的2种定义。然后介绍了一种基于精英保留策略的改进的自适应遗传算法,作为收敛性分析的对象。介绍了压缩映射原理,作为收敛性分析工具。最后,应用该定理对改进的自适应遗传算法进行了收敛性分析,验证了该算法是收敛的,证明压缩映射原理是遗传算法收敛性分析的一种有效工具。

基于KPCA-CMGANN算法的瓦斯涌出量预测研究

为了精准预测瓦斯涌出量,针对绝对瓦斯涌出量非线性、时变性、复杂性等特点,提出采用核主成分分析法(KPCA)对影响因素进行降维处理;针对BP神经网络(BPNN)中存在的收敛速度慢和易陷入局部最优解的问题,采用压缩映射遗传算法(CMGA)优化BPNN;构建CMGA与BPNN的耦合算法(CMGANN),计算分析某低瓦斯矿井监测历史数据形成的样本集,建立KPCA-CMGANN预测模型;用KPCA-CMGANN预测模型和其他3种网络模型分别对煤矿现场数据进行预测。结果表明:KPCA-CMGANN预测模型在379个时间步长里达到收敛,4个回采工作面的瓦斯涌出量预测相对误差分别为0.58%、0.63%、0.57%和0.45%,平均相对误差仅为0.56%,预测精度和收敛速度均优于对比模型,可实现瓦斯涌出量的快速精准预测。

基于改进CMGA模糊规则优化及应用

针对压缩映射遗传算法(CMGA)操作效率太低,收敛至最优解迭代次数太多的问题,采用了近亲交叉回避策略改进压缩映射遗传算法,不但保证收敛到全局最优解,而且提高了算法的收敛速度和操作效率。为了能对具体被控对象的性能进行有选择性的控制,分析了ITAE积分性能指标作为目标函数的缺点,在目标函数中增加了超调量、控制量和上升时间等综合因素,得到了性能更好的目标函数,应用于改进压缩映射遗传算法的适应度函数,并把以上改进算法的模糊规则优化应用于地板采暖系统,与模糊控制、未改进的压缩映射遗传算法优化模糊控制进行比较,提高了系统的控制效率,简化了模糊控制器的设计难度。仿真结果证明该方法在地板采暖系统中的有效性。

移动荷载下基于RBF神经网络的地基土参数识别

研究了移动荷载作用下径向基神经网络在地基土的参数识别中的应用。针对径向基神经网络的不足,采用压缩映射递阶遗传算法来确定网络参数(连接权、隐节点中心和宽度),改进算法的收敛性。基于频率响应,采用主元分析方法,有效减少了网络的输入节点。结果表明该方法是可行的。

神经网络与若干智能方法的融合研究

人工神经网络作为人工智能领域中的一个重要分支,一直以来都是人们的研究热点。介绍了人工神经网络技术与几种智能方法融合的应用发展,归纳了BP神经网络学习算法的基本思想,着重论述了目前有关神经网络融合方面的研究热点,即神经网络与专家系统、模糊逻辑、压缩映射遗传算法、粒子群优化算法的融合思想与方法。

网络控制系统的神经网络PID控制优化研究

对PID控制器参数优化的研究,在网络控制系统中传统的PID控制方法由于被控对象的非线性、时延和系统扰动等因素降低控制器的效果,从而影响系统的稳定性。用实时性要求较高的直流电机作为被控对象进行matlab仿真,仿真结果表明采用压缩映射遗传算法神经网络的PID控制器系统响应速度快和控制精度高,网络控制系统具有鲁棒性和抗干扰能力。