采用遗传网络算法实现非线性系统的神经网络控制(英文)

提出一种对于非线性系统遗传算法的神经网络控制模型 ,并给出了新的神经网络训练模型 .该模型的主要优点是 ,优化网络连接权重 。

基于遗传算法-反向传播神经网络优化高压-超声-酶解法提取羊皮胶原蛋白工艺

采用高压-超声-酶解法提取羊皮胶原蛋白,对比遗传算法-反向传播(genetic algorithm-back propagation,GA-BP)神经网络模型和响应面模型的优化效果,确定最佳工艺参数。结果表明:GA-BP神经网络在模型拟合和预测方面表现优于响应面模型;最佳提取参数为高压时间23 min、超声时间22 min、酶添加量3.2%、酶解时间222 min,羊皮胶原蛋白提取率达到(80.5±1.6)%,较传统的木瓜蛋白酶法提高40%;紫外-可见吸收光谱和傅里叶变换红外光谱结果显示,此条件下提取的羊皮胶原蛋白结构完整,高压-超声-酶解法对胶原蛋白的破坏较小。

基于遗传神经网络算法的纺织生产过程参数反演

针对纺织工艺中部分参数不易获得却又对加工工艺产生重要影响的情况,基于BP(back propagation)神经网络算法建立纺织工艺参数正演模型,用遗传算法优化了网络的初始阈值和权值,使得网络预测精度大大提高,在此基础上,通过改进的遗传算法对反演参数进行求解.以实例验证了该算法的可行性和有效性,对纺织企业提高工艺开发的针对性、降低生产成本有一定的借鉴作用.

基于正则化网络-遗传算法的属性筛选及其在化学模式识别中的应用

采用贝叶斯正则化方法训练 ,以得到推广性优良的神经网络 ,并提出启发性的遗传算法。通过灵敏度分析对正则化网络实施剪枝 ,从而在高维模式中筛选出能代表其分类特性的最小最优属性特征子集。此方法应用于高维留兰香模式的属性筛选与模式分类 ,效果良好 ,明显优于其它方法。

基于人工神经网络和遗传算法的大跨连续梁桥参数相关分析

主要论述了如何采用改进的BP神经网络和遗传算法进行现场施工参数的识别。为解决混凝土的容重、弹性模量所引起的误差,在丹江口二桥的施工控制过程中,采用3层BP神经网络进行混凝土的容重、弹性模量的识别;为确定预应力损失引起的标高偏差,引入了遗传算法对其建模分析,取40个初始染色体群,以5个世代繁衍不再出现更优的染色体作为终止GA计算的条件。文章以这两种方法在丹江口二桥施工过程的预测控制分析中的成功运用为实例,证实了神经网络控制理论和遗传算法在连续梁桥的施工过程的预测与控制中的实用性和有效性。

基于遗传神经网络算法的发动机性能预测

设计了遗传神经网络预测系统,通过融合分析废气成分的含量、发动机转速、氧传感器等信息预测发动机的工作性能。应用遗传算法的复制、交换、变异过程代替原BP网络的反向传播过程,并针对遗传算法的缺点进行了改进研究。实践证明这种遗传神经网络预测系统收敛速度快、推广性强,具有较高的实际应用价值。

基于神经网络-遗传算法的功能性沥青路面材料优选

根据功能性沥青路面中全面性能的要求,采用GA-ANN法对沥青路面中的矿料配比进行优化,综合考察沥青混合料矿料类型、沥青类型和填加剂等因素。以动稳定度作为评价指标,综合考究其残留稳定度、蠕变速率、摩擦因数、渗水系数以及空隙率等因素,从而提出了功能性沥青路面矿料配比的最佳优化方案。综合评价结果显示方案是可行且有效的,在一定程度上能够满足我国公路运输事业对功能性沥青路面材料配比的要求。

基于网络遗传算法的全局优化

本文在分析当前全局优化方法研究现状的基础上,提出了一种改进的遗传算法――网络遗传算法,应用简单实例说明了网络遗传算法的具体操作,同时应用大量数值实例证明了网络遗传算法解决全局优化问题的可行性、正确性、有效性。

基于遗传算法-BP神经网络的煤层注水效果分析

为了提高BP神经网络预测煤层注水效果的精度,采用遗传算法优化BP神经网络的权值和阈值,建立了遗传算法-BP神经网络模型,并采用该模型对煤层注水湿润半径进行模拟预测。Matlab模拟结果表明,遗传算法-BP神经网络模型的预测结果比BP神经网络模型更准确,平均相对误差降低了40.29%,训练步数减少了1 665步,收敛速度快,稳定性好。

神经网络和遗传算法相结合实现非线性传感特性的线性化

对测量系统非线性传感特性的线性化常用最小二乘回归、几何逼近或一次近似的方法 ,易引入较大的非线性误差 ,为此 ,提出了利用神经网络和遗传算法相结合实现非线性传感特性线性化的方法 ,该方法将测量系统的非线性模型改造成为与实际物理过程相一致的不失真的线性模型 ,从而减小非线性误差 .通过应用实验 。

基于改进遗传神经网络算法的农业土壤测土分类研究

为解决化肥施用利用率低的问题,需要对土壤等级进行精准定位。传统的神经网络存在不适用于土壤等级精确判定的一些缺陷,构建了基于改进自适应遗传算法的SFAM模型,将其应用于测土分类中,取得了较好的效果。

遗传算法设计神经网络的一种新方法

提出了一种基于平均风险误差准则的遗传算法优化设计前向神经网络的方法，遗传算法的适应度函数并不采用基于传统的最小均方误差准则，而是由最小平均风险误差准则所决定，这种方法在计算神经网络输出与期望输出之间误差的同时，还要考虑神经网络对每一类训练样本产生的这种误差所引起的风险损失．这种方法优化得到的神经网络不但可以准确地再现训练样本集合的期望输出，对训练样本集合外样本的预测能力也有明显的提高．

基于神经网络遗传算法的电阻点焊电流控制

为了实现电阻点焊电流控制的稳定性,提出基于神经网络遗传算法的电阻点焊电流控制方法。建立电阻点焊电流控制对象模型,并进行约束参量分析。采用功率输出饱和调节方法进行电阻点焊电流输出装置的输出稳定性调节,通过增加功率反馈增益进行电阻点焊电流输出装置的电阻点焊电流控制,在神经网络遗传算法寻优下进行电流控制优化。仿真结果表明,采用该方法进行电阻点焊电流控制的输出稳定性好,失真抑制能力较强,具有很好的电阻点焊电流调节能力。

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。

基于神经网络遗传算法函数寻优与回弹补偿技术的某型汽车前幅拉延成形优化

为有效改善某型汽车前幅在拉延成形过程中出现的严重的回弹质量缺陷,将神经网络遗传算法函数寻优和回弹补偿技术相结合,对某型汽车前幅进行拉延成形优化。基于极差分析确定影响回弹量的两个关键因素,即冲压速度和压边力;运用拉丁超立方抽样,将抽样结果作为神经网络遗传算法函数寻优模型的数据基础,以两个关键因素作为输入量,最大回弹量作为输出量,构建非线性映射关系。然后,计算预测结果的个体适应度值,求出最大回弹量的最小值以及对应的冲压速度和压边力。最后,基于优化结果进行3次回弹补偿优化,将回弹量降低至0.5 mm以下,达到生产要求。

基于神经网络遗传算法的冲压件拉深工艺参数优化

目前,工业领域对冲压件提出了更高的要求,只有满足相应的要求,才能使零件在实际工作中发挥出最大的作用。要生产出高质量的冲压件,可采用神经网络遗传算法对拉伸工艺参数予以优化。文章以深腔型零件为研究对象,通过有限元分析,结合神经网络遗传算法对该零件冲压拉伸工艺的参数进行了优化,为设计出更加良好的冲压件提供技术支持。

遗传算法结合人工神经网络模拟药物在超临界流体中溶解度

为更精确地关联预测药物在超临界流体中的溶解度,提出了遗传算法(GA)与LM-反向传播人工神经网络相结合(GA-LM-BPANN)的模型,并设计了该模型的计算过程,讨论了模型参数的设置。用该模型计算了温度(308～348K)和压力(122～355bar)条件下药物(非那吡啶)在超临界CO2中溶解度。结果表明,计算值与实测值的平均相对误差(AARD)为1.53%,测试集的AARD为3.32%。用Bartle半经验方程得到的计算值与实测值的AARD为14.6%。可见,与Bartle半经验方程相比,GA-LM-BPANN模型的关联和预测精度高,关联范围广。

基于BP神经网络遗传算法的药型罩优化

线性聚能装药爆破效果的影响因素有很多,且各因素的影响多是非线性的,而且非常复杂,其中药型罩结构的优化设计一直是重点。为了探索有效的药型罩优化方法,本研究对楔形罩运用正交试验法设计方案,利用ANSYS/LS-DYNA进行数值模拟获得结果,再以结构参数和最大射流速度分别作为BP神经网络的输入和输出进行训练,并将预测值作为适应度,结合遗传算法对药型罩进行最优结构药型罩参数和最优最大射流速度搜索。结果表明,该方法能够结合正交试验法和BP神经网络遗传算法的优点,快速精确地进行药型罩结构优化。

人工神经网络-遗传算法优化刺糖低聚糖提取工艺的研究

目的:选取乙醇超声提取与乙醇浸提两种方法,用正交实验结果进行对比选取最优提取方法,利用人工神经网络遗传算法优化得到刺糖低聚糖最佳提取工艺。方法:以乙醇超声波辅助提取与乙醇浸提两种方法单因素实验为基本依据,浸出液中低聚糖含量为指标,采用L;(3;)正交表进行正交实验筛选出待选提取方法及工艺参数,在此基础上建立人工神经网络(artificial neural network)模型,结合遗传算法(genetic algorithm)进行极值寻优,以期获得刺糖低聚糖最佳的提取工艺。结果:所得刺糖低聚糖最佳提取条件为提取温度为85℃、提取时间为3h、液料比1∶40、乙醇浓度为15%,提取率为26.17%。结论:通过人工神经网络-遗传算法得到的提取工艺显著提高了刺糖低聚糖的提取率,本研究为刺糖低聚糖的高效提取提供一定的理论基础与指导意义。

BP神经网络算法多指标优化酸枣仁汤提取工艺

为了优化酸枣仁汤的提取工艺,以提取时间、提取次数、料液比为考察因素,以总黄酮、总皂苷、总酚、多糖的提取率为评价指标,采用熵权法进行综合评价。在单因素试验的基础上,运用Box-Behnken响应面设计和BP神经网络算法,优化酸枣仁汤化学成分的提取工艺,并进行工艺验证。结果表明,BP神经网络算法预测的最优提取工艺综合评分为149.11,优于Box-Behnken响应面法的综合评分137.16。确定BP神经网络验证的工艺为最优工艺,即提取时间80 min,提取次数2次,料液比1:7 g/mL,该条件下获得的总黄酮、总皂苷、总酚、多糖含量分别为(10.73±0.63)mg/g,(73.34±1.77)mg/g,(16.73±0.56)mg/g,(413.08±8.34)mg/g。研究为酸枣仁汤的提取工艺优化提供依据。