基于遗传神经网络的渔业养殖疾病预测

简要介绍了神经网络和遗传算法的基本原理,针对神经网络算法易陷入局部极小的缺点,将具有全局寻优特点的遗传算法融入其中,使用遗传算法对神经网络的权值优化,并将该算法运用到渔业养殖疾病预测中,得到了收敛速度快、精度较高的预测模型。这种模型具有较好的客观性和实用性,可以为科学养鱼、处理养殖疾病提供依据。     

基于遗传算法的BP网络在小流域侵蚀量预测中的应用

人工神经网络可用于流域水土流失的预测.针对BP神经网络收敛速度慢及容易陷入局部最优解的缺点,设计了基于遗传算法(GA)的优化BP神经网络.利用遗传算法特有优势,为BP网络的初始权值和阈值搜索全局最优解空间,经过BP算法迭代训练,进行预测.依据黄土高原沟壑区杨家沟小流域多年径流与泥沙的实测数据,对创建的侵蚀量模型进行训练和预测,取得了较高的预测精度和较快的收敛速度.     

开关磁阻电动机的神经网络建模及算法研究

针对标准BP算法存在收敛速度慢,容易陷入局部最小值和前向网络拓扑结构中,隐节点选取困难的问题,采用一种由Levenberg-Marquardt算法与改进自构形算法相结合而成的快速自构形算法训练BP神经网络,建立了训练收敛快,泛化能力强,网络规模小,便于实时控制的开关磁阻电机非线性BP神经网络模型.经与样机实测数据对比,验证了该模型的准确性.该模型有助于进一步优化能量转换,减小转矩脉动.     

集成GASA混合学习策略的BP神经网络优化研究

针对BP算法易于陷入局部极小值且收敛速度慢的缺陷,在BP神经网络训练过程中集合GA并行化群体搜索的特点和SA在局部极小处发生概率突跳的特性,基于GASA混合学习策略对BP神经网络进行优化.优化后的BP神经网络被应用在农作物虫情预测中,实验结果表明能够较大幅度提高网络学习的收敛性能和收敛速度,并一定程度上减少了算法的复杂性.     

集成GASA混合学习策略的BP神经网络优化研究

针对BP算法易于陷入局部极小值且收敛速度慢的缺陷,在BP神经网络训练过程中集合GA并行化群体搜索的特点和SA在局部极小处发生概率突跳的特性.基于GASA混合学习策略对BP神经网络进行优化.优化后的BP神经网络被应用在农作物虫情预测中,实验结果表明能够较大幅度提高网络学习的收敛性能和收敛速度,并一定程度上减少了算法的复杂性.     

基于GA-BP算法的土壤墒情预测

利用遗传算法的全局寻优能力优化BP神经网络连接权值,建立基于GA-BP算法的土壤墒情预测模型具有绝对误差小和收敛速度快的优点,且避免了BP算法易陷入局部极小值的缺点,该模型预测的平均绝对误差为1.11%,具有较好的预测精度。     

基于混合算法优化神经网络的混沌时间序列预测

提出了一种混合算法优化神经网络的混沌时间序列预测模型.将粒子群优化算法与模拟退火算法过程中概率突跳的思想相结合形成一种新的混合算法,并用此混合算法优化神经网络建立预测模型.该模型克服了传统的神经网络收敛慢、易陷入局部最优等不足.利用该模型对Mackey-Glass混沌时间序列和Henon映射进行实验仿真,结果表明,该模型收敛速度快,稳定性能好,预测精度高.     

基于PLS_GA_Elman算法的病虫害预测

针对农业中虫害受多种复杂因素的影响及发生量预测问题非线性、样本少、特征变量多的特点,结合偏最小二乘回归（PLS）、遗传算法（GA）与Elman神经网络,建立了虫害发生量的PLS_GA_Elman预测模型。通过PLS回归算法对影响因素进行特征提取后,将降维变量输入Elman模型,并运用GA对Elman建模中的权值和阀值进行优化。通过实例分析表明该模型预测准确性高,能有效地预测虫害的发生量。同时为验证算法的有效性,与PLS算法、Elman神经网络算法、基于GA的Elman神经网络算法（GA_Elman）、基于GA的BP神经网络算法(GA_BP)进行比较。     

不动点原理在时滞 BAM 神经网络稳定性分析中的一个应用

不动点原理很难运用于BAM神经网络的稳定性分析,据了解,没有文章涉及用不动点方法解决BAM神经网络的稳定性判别问题.构造了一个乘积空间上的压缩映射,第一次用压缩映像原理获得了BAM神经网络的全局指数型稳定性的判据.不同于很多已知文献,该研究所得的稳定性判据可以运用计算机LMI工具箱进行判断.数值实例证实了所述方法的有效性.     

自适应进化模型下的土壤重金属含量预测

针对Elman神经网络在土壤重金属含量预测时出现预测精度低、模型收敛速度慢等问题,提出一种自适应进化模型(AEM)。该模型以Elman神经网络为基础,运用贝叶斯正则化优化Elman神经网络的目标函数,提高网络模型预测精度;为解决网络模型收敛速度慢和易陷入局部极值等缺陷,采用自适应灰狼算法(AGWA)对网络模型初始参数进行优化;采用基于熵权距离的离群点检测法剔除数据中的离群点,以降低离群点对预测结果的干扰。以武汉市农业科学院采集的农田土壤重金属含量数据进行预测试验,AEM模型预测重金属含量的平均绝对误差和平均绝对百分比误差分别为1.623和17.48%,其决定系数比Elman的提高了0.394。AEM、自调整反距离加权插值模型(SIDIM)、小波神经网络模型(CBSA–WNN)、双向门控循环神经网络模型(SBGRNN)及Elman神经网络模型等5种不同预测模型进行对比试验表明,AEM模型在土壤重金属含量预测上具有更高的准确性。消融试验结果表明,贝叶斯正则化优化、自适应灰狼算法优化和基于熵权距离的离群点检测的离群点数据剔除等3个改进点对于提升土壤重金属含量预测精度均有一定的贡献。