基于BP-GA混合学习算法的神经网络短期负荷预测

本文提出了修正的遗传算法和 BP算法相结合的短期负荷预测方法 ,与传统神经网络方法相比 ,该方法可以加快网络学习速度和提高学习精度 .我们用遗传算法来训练网络参数 ,直到误差趋于一稳定值 ,然后用优化的权值进行 BP算法 ,实现短期负荷预测 .在构建网络模型时 ,我们考虑了气候因素的影响 ,并把它作为网络的一组输入点 .实验结果表明基于这一方法的负荷预测系统较高的精度和实时性 .

模糊逻辑系统的GA+BP混合学习算法

提出一种在GA中融入BP算法的混合学习算法以实现模糊逻辑系统的自学习 .利用遗传算法的全局最优性在大范围内搜索可能的极值 ,而用BP算法的误差梯度下降特性在极值点附近快速搜索 ,从而达到了全局最优与快速搜索的有机结合 .仿真结果表明 。

基于Levenberg-Marquardt算法和最小二乘方法的小波网络混合学习算法

本文针对小波网络现有学习算法的不足 ,把 L evenberg- Marquardt算法 (简称 L M算法 )和最小二乘算法有机地结合在一起 ,提出了一种新的小波网络混合学习算法 .在该混合算法中 L M算法用来训练小波网络的非线性参数 ,而最小二乘算法用来训练线性参数 .最后以辩识一个混沌系统为例进行了数值仿真 ,并与改进的 BP算法和单纯 L M算法进行了比较 。

基于混合学习算法的RBF神经网络主蒸汽温度控制

针对火电厂主蒸汽温度的大迟延、模型不确定性特点,提出一种使用径向基(RBF)神经网络整定PID串级主蒸汽温度控制策略。采用一种最近邻聚类法和梯度下降法相结合的混合学习算法构造RBF神经网络,在线辨识被控对象并对PID主控制器参数进行在线调整。仿真结果表明,基于混合学习算法的RBF神经网络PID控制器具有控制精度高、响应速度快的优点,系统动态品质优于常规算法的RBF神经网络PID控制。

模糊CMAC神经网络控制系统及混合学习算法

针对CMAC神经网络和模糊控制的特性,给出了一种能反映人脑认知的模糊性和连续性的模糊CMAC神经网络控制器,该控制器采用高斯函数作为模糊隶属函数,利用神经网络实现模糊推理并可对隶属函数进行实时调整,从而使其具有学习和自适应能力。讨论了这种控制器的混合学习算法,即先采用混沌算法离线优化,再采用BP梯度算法在线调整,并推导了变形Elmam网络的系统辨识算法。对电厂锅炉主蒸汽温度控制的仿真结果表明了此控制器及其学习算法的可行性和有效性。

基于混合学习算法IHMCAP的故障诊断模型

在故障集和差错属性集的基础上 ,通过结合了基于概率论的符号学习与神经网络学习的增量式混合型多概念获取算法 IHMCAP寻找属性值与故障类型之间的对应关系 ,由此建立一个故障诊断模型 .实验表明 ,该模型不仅精度高、速度快、学习能力强 。

B样条基函数模糊神经网络控制系统及其混合学习算法

介绍了一种基于模糊B样条基函数神经网络的控制器，该控制器将模糊控制的定性知识表达能力、神经网络的定量学习能力和B样条基函数优异的局部控制性能相结合，采用B样条基函数作为模糊隶属函数。还提出了模糊神经网络控制器的混合学习算法，即先采用免疫遗传算法离线优化，再采用BP梯度算法在线调整。对锅炉主蒸汽温度控制的仿真结果表明了此法的可行性和有效性。

自组织径向基网络及其混合学习算法

提出了一种自组织径向基人工神经元网络，并赋予该网络非监督子组织和监督续习混合学习算法．该网络既具有非监督自组织功能，又具有监督学习功能．给出了自组织径向基网络应用示例，验证了自组织径向基网络应用示例和自组织径向基网络的函数实现功能及模式分类功能．

前馈神经网络混合学习算法研究

提出了一种前馈神经网络混合学习算法。该算法综合考虑了影响神经网络性能的３个主要因素：权值、激励函数和拓扑结构。该算法以参数神经网络和结构学习为基础，并采用了学习速率矩阵。对双螺旋问题的仿真实验结果表明，该算法具有较快的收敛速度。

Agent仿真中具有先验知识的混合学习算法与混合结构模型

强化学习是一种有效的机器学习方法,是无监督学习,通过不断地和环境交互得到外部环境评价信号,选择合适的动作.Q学习是一种典型的强化学习,其学习效率较低,尤其是当状态空间和决策空间较大时.为提高Q学习学习效率和收敛速度,采用具有先验知识的Q学习算法,利用模糊综合决策方法处理专家经验和环境信息得到Q学习的先验知识,对Q学习的初始状态进行优化;针对Agent个体学习与群体学习各自的不足,提出了采用混合学习算法,将个体学习与群体学习有效结合起来,提高了Agent的个体性能及系统整体的智能水平;同时为满足复杂适应性需求,采用Agent混合结构模型,在该模型中构造了基于知识的协调控制器,通过它来协调慎思式过程和反应式过程.

带混合学习算法的多阶段神经模糊系统模型

提出一种基于演绎模糊推理的多阶段神经模糊系统模型,对于给定的学习样本,通过结构学习(采用遗传算法)与参数学习(采用误差逆传播神经网络方法)过程,能够生成适当的演绎模糊规则集,并通过与单阶段神经模糊系统模型求解Benchmark问题的实验对比,讨论和分析了该模型的有效性和健壮性.

B样条基函数模糊神经网络控制系统及其混合学习算法

介绍了一种基于模糊B样条基函数神经网络的控制器,该控制器将模糊控制的定性知识表达能力、神经网络的定量学习能力和B样条基函数优异的局部控制性能相结合,采用B样条基函数作为模糊隶属函数。还提出了模糊神经网络控制器的混合学习算法,即先采用免疫遗传算法离线优化,再采用BP梯度算法在线调整。对锅炉主蒸汽温度控制的仿真结果表明了此法的可行性和有效性。

前馈神经网络以概率1全局收敛的新型混合学习算法NHLA

首先提出变形的ＢＰ算法ＩＢＰ，然后将它与Ｓｏｌｉｓ和Ｗｅｔｓ的随机优化算法相结合，提出了新型混合学习算法ＮＨＬＡ。算法具有能以概率１全局收敛于误差函数最小值的性质。

一种基于混合学习算法的模糊神经网络控制

针对ＢＰ算法容易陷入局部极小的缺点，利用遗传算法极强的全局搜索能力对模糊神经网络控制器参数进行离线优化，并对遗传操作进行了改进，使其最终搜索到全局最优或近似全局最优的附近．再利用ＢＰ算法较强的局部搜索能力和对对象的适应能力进一步进行参数的在线调整．仿真结果表明：该方案的综合性能优于常规模糊控制器．

一种获取与优化模糊规则基的混合学习算法

提出了一种二层学习算法来优化模糊规则基。利用TakagiSugeno模糊神经网络对一个模糊规则基进行参数学习,学习方法为梯度下降法,然后利用遗传算法对规则基进行结构调整,采用二进制编码方法,一条规则对应于一个基因位,一个规则基对应于一条染色体。这种二层优化方法能较好地减少模糊规则基的冗余度,化简模糊规则基。

TSK模糊逻辑系统混合学习算法的进一步研究

对TSK模糊逻辑系统的混合学习算法作了进一步研究。根据结论参数总可由前提参数通过最小二乘法确定的特点,提出将其看作是只依赖于前提参数的一个系统,学习也因此可看作是只以前提参数为变量的一个优化问题。这降低了问题的维数,有利于减少计算量,改善收敛性。对这一问题应用梯度优化,等价于采用一次BP迭代与最小二乘的混合学习算法;应用拟牛顿优化,可导出有效的拟牛顿学习算法。对应用各种高级优化技术的学习算法,这一观点也是有指导意义的。

椭球基函数神经网络的混合学习算法

提出一种训练椭球基函数神经网络(EBFNN)的混合学习算法.此算法首先使用期望最大化算法初始化EBFNN中椭球基函数节点的参数,而网络的连接权重和偏差项则用线性最小二乘方法进行初始化.然后用梯度下降法对EBFNN中所有参数同时进行优化.与其他3个相关的模型相比,用混合学习方法训练的梯度下降椭球基函数神经网络(GDEBFNN)能够取得更优的分类性能.此外,与支持向量机对比表明,GDEBFNN取得与之接近的泛化能力.与基于Adaboost的决策树模型比较表明,GDEBFNN可以取得更优的泛化性能.

基于RBFNN自适应混合学习算法的航天测控系统任务可靠性分配

为解决执行航天测控任务的各设备存在复杂的时空关联、可视与信息关联等动态约束关系,使得航天测控系统任务可靠性分配建模和分析极其困难,同时模型求解效率低的问题,提出了自适应混合学习算法的径向基神经网络建模方法.算法通过训练样本相关性矩阵的主成分分析确定网络隐含层初始节点数;在此基础上,利用梯度信息衰减因子改进了迭代过程中网络参数的梯度信息计算方式,避免了学习过程早熟的不足,且加快了迭代收敛速度.最后,通过采集航天测控系统输入-输出数据,将自适应混合学习算法应用于参数训练,并给出了具体实现步骤.通过算例仿真,表明算法在解决航天测控系统任务可靠性分配问题时具有较高泛化能力和分配结果稳定等优点.

基于BP-GA混合学习算法的电梯群神经网络控制

一种将BP算法与遗传算法有机结合的学习算法应用于电梯群神经网络控制中。先用遗传算法来训练网络参数，直到误差趋于一稳定值，然后用优化的权值进行BP算法，实现最佳派梯控制。动态模拟运行结果表明了本方法的可行性，效果良好。

学习型混合差分进化算法优化月台调度问题

为提高配送中心的管理水平,减少物流园区中等待作业的配送车辆的排队时间,研究了配送中心中的月台调度问题。首先,考虑月台—车辆兼容性约束和车辆作业时间窗约束,建立了以最小化总加权提前、拖后惩罚为目标的数学模型;然后,提出一种学习型混合差分进化算法,根据问题特征设计了月台调度问题的编解码方法,设计了一种学习型算子选择机制为算法在线选择交叉、变异算子,采用变邻域搜索算法作为局部搜索算法增强算法的搜索能力;最后,通过正交试验,确定了算法参数水平,进行对比实验,证明了所提模型和算法能够有效求解月台调度问题,从而帮助配送中心更好地进行月台调度管理。