基于径向基函数神经网络与改进遗传算法的黄河流域需水预测

针对遗传算法的不足 ,利用改进的遗传算法 ,结合性能优于 BP网络的径向基函数神经网络 ,并进行网络优化 ,建立了黄河流域需水预测模型 ,拟合预测结果表明 ,该模型能有效提高预测精度。

基于遗传算法和径向基函数神经网络的转炉炼钢模型

针对转炉传统模型的弱点 ,本文在转炉建模过程中引入了遗传算法和径向基函数神经网络 ,由遗传算法辨识转炉过程的脱碳与升温模型 ,并利用径向基函数神经网络及时补偿辨识模型的误差。实际结果表明这一方法效果明显。

基于径向基函数神经网络和多岛遗传算法的注射成型质量控制与预测

针对现有多参数、多目标注塑工艺优化应用的遗传算法、粒子群算法等寻优算法存在的实施难度大、求解时间长等缺点,提出基于最优拉丁超立方试验设计方法并结合径向基函数(RBF)神经网络模型和多岛遗传算法(MIGA)对注射成型质量进行控制与预测。以充电宝下盖塑件的体积收缩率和缩痕指数为优化控制目标,以模具温度、熔体温度、保压时间、保压压力、冷却时间为试验因素,应用最优拉丁超立方试验设计方法获得试验样本,基于模流分析获得试验结果,构建试验因素与优化控制目标之间的RBF神经网络模型,基于MIGA在试验因素给定的水平范围内获得了一组最优注塑工艺参数组合并给出了优化控制目标的预测值。模拟试验结果证明,预测值与模拟试验结果基本吻合,提出的方法能实现注塑成型质量的控制与预测,减少了寻找最优工艺参数组合的时间,提高了塑件的生产效率。

基于改进排序遗传算法的径向基函数神经网络色谱峰解析

构造了以塔板模型为基函数的径向基函数神经网络 (P_RBFNN) ,为了使P_RBFNN具有结构重组能力 ,又在网络学习算法中引入了鲁棒 (Rubust)和随机全局最优的两阶段排序遗传算法 :结构学习和进化。P_RBFNN结合改进的排序遗传算法很适合组分数未知的色谱 (含重叠 )峰解析。

遗传算法-模糊径向基神经网络模型预测自润滑镀层耐磨性

针对传统神经网络模型存在的缺陷,引入遗传算法和模糊运算建立遗传算法-模糊径向基神经网络模型(GA-FRBFNNM),介绍了模型结构和仿真思路。以自润滑镀层耐磨性为研究主题开展正交实验,在正交实验结果中任取10组数据作为训练样本用于模型训练,其余6组数据作为测试样本用于模型性能测试。结果表明:GAFRBFNNM的预测值更接近于真实值,其预测精度明显高于相同结构的径向基神经网络模型,验证了该模型是有效的,能够更准确预测自润滑镀层耐磨性。主要归因于引入模糊运算使得径向基神经网络全部节点都具备特定意义,另外引入遗传算法优化了训练算法,避免了模型陷入局部极小点等问题,使得模型性能得到有效提升。

基于混合双层自组织径向基函数神经网络的优化学习算法

针对传统方法采用先训练后测试两阶段学习机制极易导致的过拟合或欠拟合问题,提出一种基于混合双层自组织径向基函数神经网络的优化学习(hybrid bilevel self-organizing radial basis function neural network optimization learning,Hb-SRBFNN-OL)算法。首先,将训练过程和测试过程集成到一个统一的框架中,规避过拟合或欠拟合问题。其次,基于进化学习机制,提出上下2层的交互式优化学习算法,上层基于网络复杂度和测试误差自组织调整网络结构,下层采用列文伯格-马夸尔特(Levenberg Marquardt,LM)算法作为优化器对自组织径向基函数神经网络(self-organizing radial basis function neural network,SO-RBFNN)的连接权值进行优化。最后,利用来自多个子网络的综合信息生成模型的最终输出,加速网络全局收敛。为验证所提方法的可行性,分别在多个分类和预测任务中进行了测试实验。结果表明,在与传统神经网络结构相似甚至更好的测试和分类精度下,该方法不仅能实现更快的训练收敛,而且能进化成更精简紧凑的径向基函数神经网络(radial basis function neural network,RBFNN)模型。尤其在污水处理过程中总磷的质量浓度预测实验中,测试集中均方根误差(root mean squared error,RMSE)最高可降低48.90%,实际场景实验结果验证了所提算法的精确性更佳且泛化能力更强。

基于数字钻进技术和量子遗传-径向基函数神经网络的围岩类别超前识别技术研究

围岩类别超前分类是隧道施工过程中必须开展的一项工作,其直接关系到后续的开挖及施工支护方案。为有效地进行隧道围岩类别超前分类,提出了基于数字钻进技术和量子遗传(QGA)-径向基函数(RBF)神经网络的围岩类别超前分类方法。以数字钻进技术为基础,从钻进参数中提取有用信息,构建围岩类别超前分类指标体系。采用量子计算原理对遗传算法进行改进,通过量子位编码和量子旋转门更新种群,以此来确定RBF神经网络的参数,建立了基于QGA-RBF神经网络的围岩类别超前识别系统。最后将该方法应用于青岛胶州湾海底隧道的围岩类别超前识别中,结果表明,该方法具有较高的准确性,其结果为围岩类别超前分类提供了一种新思路。

最大绝对误差结合微遗传算法优化径向基概率神经网络

使用最大绝对误差算法 (MAEA)优选径向基概率神经网络 (RBPNN )隐中心矢量 ,将MAEA与求解RBPNN最优核函数控制参数的微遗传算法 (μGA)相结合 (MAE μGA)来共同实现RBPNN的全结构优化 实验结果显示 ,对比其他几种算法 ,MAE μGA优化后的RBPNN结构最简 ,而且在推广能力方面略好于其他几种优化方法 另外 ,MAE

一种基于改进遗传算法的径向基小波神经网络

为了提高神经网络进行函数拟合的精度,首先在三层径向基神经网络基础上通过增加网络层次和改变激励函数提出了一种四层径向基小波神经网络,并采用遗传算法来确定初始网络参数;其次针对遗传算法中容易早熟的缺点,在遗传算法中引入动态平衡策略,根据适应度的变化来动态改变遗传算法中交叉和变异概率,从而增加算法全局探索和局部开发的平衡能力;最后通过对函数拟合试验并与其他方法相比较表明了算法的有效性。

基于广义生长-剪枝径向基函数神经网络的谐波源建模

采用广义生长-剪枝RBF神经网络建立稳态频域的谐波源模型。在该模型中,各次谐波电流的幅值和相角与各次谐波电压的幅值和相角以及负荷特征参数的非线性映射关系通过一种新颖的广义生长?剪枝RBF网络进行建模。该网络的学习算法是串行的,可以进行动态建模。算例计算表明,该模型具有训练时间少、精度高、可动态建模等优点。

基于遗传算法的工程车辆自动变速神经网络控制

为了提高工程车辆传动系统效率,保持液力变矩器工作在高效区,提出了基于径向基函数神经网络的工程车辆自动变速控制方法,利用车辆传动试验台换挡控制试验的数据作为学习样本,采用遗传算法对径向基网络进行训练,并进行了验证性的仿真试验。仿真结果表明:该算法收敛速度快,能够满足工程车辆对换挡实时性的要求,可以根据车辆运行状态确定最佳挡位,并能够保证液力变矩器经常工作在高效区。

基于混合递阶遗传算法和RBF神经网络的超声波电动机自适应速度控制

超声波电动机(USM)是近年发展起来的一种新型微特电机,与传统的电磁驱动型电动机的工作原理截然不同。由于USM具有小型轻量、无电磁干扰、响应速度快、低速大转矩、高保持力矩、高功率密度等诸多优点,因而在光学仪器、办公自动化、汽车专用电器、智能机器人、航空航天等领域具有良好的应用前景。但USM的高度非线性、时变性和强耦合增加了它的控制难度。本文提出一种新的USM自适应控制策略,系统采用双闭环控制,内环用来补偿定子环机械谐振频率的漂移;外环利用径向基函数神经网络(RBFNN)控制器调节USM的驱动频率,实现速度的自适应控制。根据RBF神经网络的结构特点,对其参数采用混合递阶遗传算法进行训练。经实验证明,该控制系统具有响应迅速、适应性强等优点,具有较高的控制精度和较好的稳定性。

一种基于遗传算法的RBF神经网络优化方法

提出了一种新的RBF神经网络的训练方法,采用遗传算法对RBF神经网络的隐层中心值和宽度进行了优化,用递推最小二乘法训练隐层和输出层之间的权值。在对非线性函数进行逼近的仿真中,验证了该算法的有效性。

基于遗传算法和梯度下降的RBF神经网络组合训练方法

在使用基于梯度下降的径向基函数(RBF)神经网络学习方法时,由于网络目标函数误差曲面极其复杂,因而产生了网络收敛速度慢,且容易陷入局部极小,网络初始值的设置对网络训练结果影响很大等问题。基于遗传算法的训练方法能够摆脱陷入局部最优的困扰,但遗传算法的局部搜索能力不够,从而影响网络的训练效果。为了解决上述问题,在研究两种算法特点的基础上,提出一种组合训练方法,用提出的训练方法对UCI中的部分数据集进行了仿真实验,并将实验结果与传统方法下的结果进行了比较,实验结果表明新方法是有效的。

基于ε-不敏感准则和结构风险的鲁棒径向基函数神经网络学习

该文提出一种新的基于ε-不敏感准则和结构风险的径向基神经网络(RBF-NN)建模方法。通过引入ε-不敏感准则和结构风险项,把RBF-NN训练转化为线性回归和经典的二次规划优化问题。和传统的基于最小平方误差准则的RBF-NN训练算法相比,提出的新方法对小样本数据集和噪声数据显示出较好的鲁棒性,具有较好的泛化能力。通过模拟和真实数据集进行仿真试验,上述优点得到了有效验证。

基于遗传算法的前向神经网络结构优化

对近几年应用遗传算法(Genetic Algorithm,GA)优化设计前向神经网络结构的研究进行了评述。指出了神经网络结构优化设计的重要性和目前各种方法存在的不足。介绍了神经网络结构设计原理和应用GA优化设计神经网络应着重考虑的两个问题:即结构表达策略和适应度函数设计。分别对近来应用GA优化设计多层感知器、径向基函数神经网络和径向基概率神经网络结构的研究进行了细致介绍和分析。指出了目前研究工作的不足和未来研究工作的发展方向。

基于径向基函数神经网络的两步核磁共振头部组织电阻抗成像算法

目的基于径向基函数(radial basic function,RBF)神经网络的两步核磁共振电阻抗成像(mag-netic resonance electrical impedance tomography,MREIT)算法,对人体头部进行MREIT。方法首先利用高分辨率的核磁共振成像(magnetic resonance imaging,MRI)系统对成像物体进行三维构建和不同组织的边界区分;然后利用RBF MREIT方法对物体内不同组织的均匀电阻抗分布进行估计,并采用基于径向基函数-遗传算法的MREIT技术对每种组织有限元模型中每个单元的电阻抗值进行估计。结果在三层球头模型(scalp skull brain,SSB)上进行的仿真实验证明了利用两步MREIT算法进行头部组织三维电阻抗图像重构的合理性与可行性。结论该两步MREIT算法可以用于头部组织三维电阻抗图像重构,具有潜在的应用价值。

基于改进递阶遗传算法的RBF神经网络分类器

针对通信信号调制类型识别,应用递阶遗传算法动态确定径向基神经网络分类器结构。建立了新的适应度函数,该函数简单直观,待定参数少;同时结合相关联赛选择方法对选择算子进行了改进,增加了种群进化的多样性,避免了早熟收敛。仿真结果表明改进算法能更好地确定分类器结构,分类准确率更高。

基于神经网络模型和改进最优保留遗传算法的非线性系统多步预测控制

针对复杂工业过程中存在的时滞、慢时变、强干扰等非线性控制对象提出一种利用径向基函数神经网络 (RBFNN)作为预测模型 ,改进最优保留遗传算法 (MEGA)作为滚动优化策略的非线性预测控制算法。仿真结果表明该算法具有较强的鲁棒性和抗时变性能。

基于RBF神经网络混合遗传算法的多用户检测

提出了一种混合递阶遗传算法来同时训练RBF神经网络的结构和参数,引入了改进的染色体编码方案,用基于奇异值分解的最小二乘法计算网络输出层权值,提高了遗传搜索的效率,精简了网络结构。并用变学习速率梯度下降法优化遗传训练出的最优网络,应用到多用户检测中。仿真结果表明,新混合学习算法训练出的网络结构优于其它算法训练的网络结构,并且性能良好。