基于混合采样和CAWOA-BP的变压器故障诊断

为提高变压器故障诊断准确率,提出了基于混合采样技术的数据处理方法和改进鲸鱼算法优化BP神经网络的故障诊断模型。首先通过Tomek links和SMOTE对原始数据进行去噪处理及少数类数据样本合成,然后采用Cubic map混沌映射及自适应权重调整策略改进鲸鱼算法(WOA),利用改进后的鲸鱼算法优化BP神经网络参数;最后,利用混合采样前后的数据对传统BP神经网络、WOA-BP、CAWOA-BP三种模型进行对比仿真试验。结果表明,使用混合采样后的数据训练模型会使模型故障诊断准确率提高,且CAWOA-BP模型的表现优于传统BP神经网络和WOA-BP模型。

基于BP神经网络的英语语音识别混合算法

随着计算机科学与技术的发展以及语言教学和学习方法的进步,计算机辅助语言学习技术使这一难题有了得以解决的可能。计算机辅助语言学习的核心是语音识别与评价技术,而语音识别技术又是关键所在。本文主要研究了基于BP神经网络的英语语音识别混合算法。本文首先介绍了BP神经网络的原理,并分析了BP神经网络在语音识别中的应用,根据英语语音识别的要求,通过对动量因子的优化,调整自适应速率,改进了BP神经网络模型。通过仿真实验结果可以得知,本文提出的IBPNN语音识别模型的识别率达到了97.2%,为语音识别的改进和优化提供了新的思路。

基于GA-BP模型的混合制冷剂天然气液化装置运行参数优化分析

天然气液化装置的制造及施工通常无法与设计参数保持完全一致,这些偏差的累积可能导致装置实际运行状态偏离于设计的最优工况。本文根据混合制冷剂天然气液化装置的实际历史运行数据,通过选择合理的节点,建立了基于BP神经网络的天然气液化装置比功耗预测模型;为了提高模型预测的准确性,利用遗传算法(GA)对神经网络的初始权值进行优化,形成了GA-BP模型。根据GA-BP模型,以天然气液化装置的比功耗最小化为目标,对该装置的主要操作参数进行了优化。结果表明,与原设计最优工况下的实测结果相比,采用优化后参数运行的混合制冷剂天然气液化装置比功耗比减小了4.3%,提高了整个装置的运行效率。本文研究的基于GA-BP模型的优化方法可为天然气液化装置的工艺设计与高效运行提供参考。

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 。

基于遗传与BP混合算法神经网络预测模型及应用

提出用遗传学习算法和权重调整 BP算法相结合的混合算法来训练模糊模式识别神经网络预测模型 ;即先通过遗传学习算法进行全局训练 ,再用权重调整 BP算法进行精确训练 ,使网络收敛速度加快和避免局部极小 .作为实例 ,以新疆雅马渡站的实测径流资料和相应的前期 4个预报因子实测数据作为样本进行训练并用以预测雅马渡站的年径流量 .结果表明 。

混合粒子群算法优化BPNN在模拟电路故障诊断中的应用

针对模拟电路的软故障,提出一种基于混合粒子群算法的BP网络方法来诊断模拟电路中的故障。该方法是把遗传算法和粒子群算法结合起来优化BP网络的权值和阈值,试图解决传统的BP网络在模拟电路故障诊断过程中易陷入局部最小的问题。详细阐述了该算法的实现,给出了该算法的详细流程图,并通过仿真实例比较了传统BP网络与混合粒子群算法优化下的BP网络在故障诊断中的表现,给出了实验实例仿真结果的图形和数据表格。由仿真图形和数据表格,形象直观地看出了两种算法运用在模拟电路故障诊断中的差别,验证了混合粒子群算法优化BP网络在模拟电路故障诊断中的有效性及可行性。

神经网络中克服局部最小的BP-EP混合算法

人工神经网络在很多领域有着成功的应用 .神经网络有许多学习算法 ,BP算法是前向多层神经网络的典型算法 ,但 BP算法有时会陷入局部最小解 .进化规划 (EP)是一种随机优化技术 ,它可以发现全局最优解 .当网络学习过程陷入局部最小时 ,利用 EP确定 BP算法中的学习速率 ,使学习过程逸出局部最小 .

基于粒子群与BP混合算法的神经网络学习方法

针对标准BP算法收敛速度慢及易陷入局部极值等问题,提出一种基于粒子群优化与BP混合算法的神经网络学习方法。该方法在网络的训练过程中,同时利用粒子群算法与BP算法进行最优网络权值的搜索,从而既充分利用了粒子群算法的全局搜索性又较好地保持了BP算法本身的反向传播特点。将该混合学习算法应用于复杂函数的拟合仿真,并与标准BP算法以及传统的粒子群优化BP神经网络学习算法进行比较。实验结果表明所提的混合学习算法具有较高的收敛精度,且收敛速度更快。

基于粒子群BP网络混合算法的边坡稳定性评价

边坡稳定性评价与预测具有高度非线性和不确定性特征,难以用准确的数学模型表达。选取多个边坡工程实例构成学习样本集,以土体重度、内摩擦角、黏聚力、坡角、坡高、孔隙压力比6个主要影响因素作为土坡稳定性的评价判别指标;然后采用粒子群算法优化BP神经网络模型,实现混合算法,在保持BP网络算法误差反向传播修正权值特点的同时,将网络权值和阈值粒子化,利用粒子群算法的全局搜索性实现网络权值和阈值的更新,从而加快收敛速度和提高收敛精度,避免传统粒子群结合BP网络算法的"早熟"现象;通过与其他算法进行边坡稳定性评价的比较分析,表明了本文研究算法的可行性与合理性。

基于遗传算法及BP神经网络的混合孤岛检测方法

文章提出一种基于遗传算法及BP神经网络的混合光伏孤岛检测方法,该方法通过遗传算法优化了BP神经网络的初始权值和阈值,有效改进了BP神经网络局部最优的缺点。通过对其检测机理和在Matlab/Simulink实验结果的分析,该方法检测盲区更小,不影响系统电能质量,检测速度更快,误判率低。在DSP中进行了该算法的软硬件实现,实验结果验证了这种方法的正确性和有效性。

基于种群熵的GA-BP混合优化算法及其应用

文章通过引入种群熵的概念把遗传算法和神经网络的BP算法有机结合起来,提出了一种新的混合算法GA-BP混合优化算法,从而充分利用了遗传算法和神经网络的BP算法各自具有的优点,并把GA-BP混合优化算法应用到机器人坐标逆变换中去。实验表明,GA-BP混合优化算法能较好地实现机器手端坐标到关节角的变换。

基于GA-BP混合算法的煤与瓦斯突出强度预测研究

在以往对煤与瓦斯突出预测的研究中,较多地关注突出动力类型的预测,对于突出强度预测很少涉及。基于影响煤与瓦斯突出的各个因素与突出强度之间存在的复杂非线性映射关系,建立了突出强度预测的神经网络模型。根据遗传算法(GA)和BP算法的特点,将二者结合起来,利用遗传算法优化BP网络权重和阈值,形成GA-BP混合算法。该算法提高了网络性能,在煤与瓦斯突出强度预测中取得良好效果。

一种基于GA-BP混合算法的模糊神经网络控制器

提出一种用于优化模糊神经网络控制器参数的 GA-BP 混合算法,该算法一方面由遗传算法保证学习的全局收敛性,克服梯度法对初始值的依赖性和局部收敛问题;另一方面,与"精确的"梯度学习算法的结合也克服了单纯遗传算法所带有的随机性和概率性问题,有助于提高它的搜索效率。仿真结果证明了算法的有效性。

基于蚁群优化算法的BP神经网络的RPROP混合算法仿真的研究

针对无线网络传感器中如何处理信息服务点中大量的冗余数据、网络运行速度等相关问题;在基于蚁群优化算法的基础上,提出一种BP神经网络的RPROP混合算法;该方法通过在建立系统构架及信息服务点基础上,能够延长BP神经网络的生命周期,加快BP神经网络的收缩速度,能够将网络中信息服务点的重复数据进行有效的合并处理,并及时过滤掉非正常信息服务点的数据,减少数据服务点的能量消耗;仿真结果显示,与普通的蚁群算法相比,该混合算法在训练过程中迭代次数改善明显,解决了BP神经网络的学习、训练时间冗余等问题,同时具有较强的计算、寻优等能力,提高了网络分类正确率和运行的效率;具有一定的实用价值,从而完全能够满足日益增长的无线互联网终端的运行需要。

基于IGA-BP算法的船舶航向智能自适应控制系统设计

在深入研究基于BP学习算法的前向神经网络以及模糊神经网络控制器的基础上,针对模糊神经网络控制器难以设计以及传统BP学习算法易于陷入局部收敛的不足,结合免疫遗传算法的全局收敛特性以及BP学习算法局部收敛的快速性,提出了一种基于混合计算智能方法的IGA-BP算法的神经网络参数的优化设计方法.将设计的控制器用于建立船舶航向控制系统模型,仿真结果表明,在船舶无干扰和存在随机干扰的情况下,基于IGA-BP算法设计的船舶航向控制系统均能使船舶转向控制无超调,跟踪快,比BP学习算法的控制效果更理想.

短期电力负荷预测的自适应混合遗传优化BP算法

基于遗传算法具有很强的全局搜索能力和BP神经网络具有精确的局部搜索能力的特点,提出对电力短期负荷预测的自适应的混合算法。将训练样本随机地分为训练集和测试集。应用该算法对澳大利亚悉尼的短期电力负荷进行了预测。仿真计算表明,该算法达到了提高预测精度和改善网络性能的要求。

基于混合遗传算法优化的制导炸弹BP网络PID控制器

经典的PID控制方法虽然其物理意义明确、参数调整简便,但是面对现代的过程控制对象所具有的非线性、时变和多种不确定干扰等特性,使得基于精确线性数学模型的设计思路很难直接获得满意的动静态控制效果。在BP神经网络控制的基础上,采用混合遗传算法优化BP反向传播权系数值,推导了算法过程,设计了基于混合遗传算法优化的制导炸弹BP网络PID控制器。最后,以某制导炸弹纵向通道设计为例,仿真结果表明控制器能使得制导炸弹准确命中目标,并且具有较好的鲁棒性能。

基于多值编码GA-BP混合算法的板形板厚综合预测控制

为克服BP神经网络存在的收敛速度慢、易于陷入局部极值等不足,提出了可以同时优化BP神经网络的结构和参数的基于多值编码方式的嵌入梯度下降算子的混合遗传算法(GA-BP).并在此基础上针对板形板厚综合系统(AFC-AGC)具有强非线性、强耦合而难以建立精确的数学模型的问题,设计了基于BP网络板形板厚综合预测模型,引入了反馈校正的方法来提高板形板厚控制系统的抗干扰能力.仿真结果表明,该模型可以实现板形板厚的精确控制,为热连轧板形板厚综合控制提供了一个新的有效的方法.

混合遗传BP算法在图象识别中的应用

介绍了传统的遗传算法与BP算法 ,分析了它们各自的不足 .提出了一种将BP算法与遗传算法有机结合的混合智能计算方法 ,并且给出了具体的算法实现流程 .将该方法应用于数字图象识别 ,实验表明混合算法优于传统BP算法 .

基于粒子群和BP混合算法的土壤有毒重金属含量预测

利用当前重金属的含量去预测未来有毒重金属的含量,就可以采取有效的措施预防,对人们的健康有着重大意义。该文主要应用粒子群和BP混合算法的神经网络对甘肃某地区的土壤进行了预测,得到的预测数据和实际的基本相符,因此,该预测算法应用到土壤的预测中具有良好的效果,有良好的应用和推广前景。