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。     

BP神经网络和遗传算法相结合在洞庭湖氨氮浓度预测中的应用

BP算法具有寻优精确的特点,而遗传算法具有很强的宏观搜索能力和良好的全局优化性能。因此将遗传算法与BP神经网络相结合,训练时先用遗传算法进行寻优,将搜索范围缩小后,再利用BP神经网络来进行精确求解,可以达到全局寻优和快速高效的目的。设计了一种利用遗传算法优化BP神经网络权重的预测方法,并对洞庭湖氨氮浓度的预测进行了研究。结果表明,丰水期(9月份)数据分布比较均匀,遗传算法优化BP神经网络权重的预测方法的3种学习算法计算值与实际值接近,并优于BP神经网络的计算结果,说明该方法具有较好的预测效果。     

基于混合学习算法的模糊小波神经网络控制

采用小波函数作为模糊隶属函数,将模糊控制与神经网络相结合,利用神经网络实现模糊推理.针对BP算法易陷入局部极值点的缺点和简单遗传算法局部搜索能力差的不足,提出了一种混合学习算法,即首先利用遗传算法全局搜索的特点来离线优化神经网络的参数,再利用BP算法较强的局部搜索能力对网络参数进行在线调整.仿真结果表明,该网络能对不同的对象实施有效控制,且具有快速、适应性强等特点.     

基于改进BP网络模型的洪水预报研究

针对目前神经网络应用于洪水预报时存在的不足,引入遗传算法、模糊神经网络对BP网络模型进行了改进,建立了基于改进BP网络模型的洪水预报模型,并将改进的BP网络模型应用于文峪河洪水过程的预报。预测结果表明,过程预报合格率达93．54%。达到了水文预报规范的要求;与传统BP网络相比,改进算法可提高洪峰的预报精度。     

基于改进免疫遗传算法的汽车零件排样

为提高汽车零件排样的板材利用率,对汽车零件的排样技术进行研究.汽车零件大多是不规则零件,因此其排样属于二维不规则排样问题范畴.在智能优化算法求解二维不规则排样领域,遗传算法容易产生早熟现象,并且局部寻优能力较差,而免疫算法具有很强的局部寻优能力.结合遗传算法与免疫算法的全局与局部寻优能力,提出一种改进的免疫遗传算法.该算法的遗传选择操作加入个体浓度计算,操作步骤和变异概率可以自适应调整,从而有效避免早熟现象.自适应计算免疫选择个体数以及免疫克隆个体数以提高算法的收敛性能.分别使用ESICUP网站提供的公开数据和实际汽车零件专用数据对提出的免疫遗传算法的性能进行测试,实验结果表明,和现有的几种算法相比,本研究提出的免疫遗传算法能获得更高的材料利用率.     

改进BP神经网络在管道腐蚀速率预测中的应用

针对影响管道腐蚀速率预测精度出现的BP算法易陷入局部最小值、收敛速度慢和引起振荡效应等问题,根据改进自适应遗传算法在广泛的空间搜索和向最优解的方向尽快收敛于最优目标的特点,提出了使用改进自适应遗传算法优化BP神经网络,构建了优化的混合算法神经网络模型.实际应用表明,该模型将大大提高网络的学习效率和预测评判的准确率.     

基于GA-BP算法的玉米品种识别系统研究

介绍一种基于GA-BP学习算法的人工神经网络,利用神经网络具有的自适应性、并行性、鲁棒性以及分类能力强等优势,构造玉米品种学习和识别系统。选用3层BP网络自动识别玉米品种,遗传算法进行粗精度的学习以选取网络权值,用BP算法完成给定精度的学习,克服了传统BP算法收敛速度慢、易陷入局部极小等缺陷。结果表明,提出的GA-BP学习算法有效提高了BP算法的收敛速度。     

一种基于PSO-RBF神经网的入侵检测方法

针对传统基于K-均值聚类的RBF神经网络训练方法中,隐层参数训练结果易受初始值影响而陷入局部极小解,最终导致整个网络收敛速度慢、性能下降等问题,提出了基于粒子群算法(PSO)和K-均值相结合的径向基神经网络(RBF)训练算法.该算法利用PSO的全局搜索能力形成最优解邻域,K-均值算法在该邻域进行局部搜索,这样既利用了PSO算法的全局最优解搜索能力,同时也利用了K-均值算法收敛速度快的优点.试验结果表明该算法有效地解决了基于K-均值训练算法易陷入局部极小解的不足.文中将基于上述训练方法的RBF神经网应用到入侵检测系统中,试验结果同基于传统K-均值、遗传算法和RPCL算法训练的RBF方法进行比较,结果表明本文建议的方法在检测性能和训练时间上都有明显提高.     

遗传算法优化BP网络的汛期降水预测模型

针对BP算法易陷入局部极小、收敛速度慢等缺点,遗传算法是全局优化算法和具有很强的全局搜索能力,遗传算法优化BP神经网络初始连接权值和阈值形成混合算法。以安徽宣城市为例,将汛期降水量作为预测对象,前期74项大气环流特征量、500 hPa、100 hPa月平均高度场、月平均海平面气压场和月平均海温场资料中选取预测因子,建立汛期降水短期气候预测模型。结果表明,该方法计算稳定,预报误差小,具有实用价值。     

基于GA-BP神经网络的耕地自然质量计算模型研究

在常规耕地分等的方法中由于人为因素会干扰评价因子的权重及BP神经网络模型自身优化过程中容易陷入局部极小值的情况,通过遗传算法全局搜索最优权值的能力对BP神经网络进行优化,建立耕地自然质量计算的遗传算法优化的BP神经网络模型(GA-BP网络模型)。以黑龙江省绥化市明水县进行实证研究,结果证明,GA-BP网络模型能有效地避免常规方法评价因子确定权重时的人为干扰,同时具有较高的优化效率及泛化能力,能够更加快速智能地计算耕地的自然质量分,从而确定耕地的自然等别,应用效果相对较好。     

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.     

基于BP神经网络对苹果呼吸强度的预测

应用BP神经网络,通过苹果贮藏期间多维数据与呼吸强度的相关分析确定网络的拓扑结构,建立苹果呼吸强度的人工神经网络模型.仿真结果表明,该神经网络能很好地拟合不同贮藏条件下的呼吸强度,模型预测精度达到90%以上.同时,通过遗传算法优化BP神经网络的初始权值和阈值矩阵,使神经网络的预测精度进一步提高.     

基于BP神经网络的油松人工林树高模型研究

通过分析比较不同算法以及不同输入层因子,构建出最佳的黄龙山区油松人工林树高预测BP神经网络模型。以陕西省延安市黄龙县44块油松人工林样地实测数据为数据源,通过对6种BP神经网络的训练方法进行训练,经过反复筛选找出最优模型并与传统胸径-树高模型作比较;最后将BP神经网络中的输入因子从2个增加到6个后,经过反复训练筛选出最优模型与2因子的BP神经网络模型作比较。结果表明:1）贝叶斯归一化（BR）算法在6种算法中表现最佳,R²和MSE分别为0.963 0和1.168;2）不同隐含层节点数的选取会对BP神经网络模型的建立产生一定的影响,BP神经网络模型的决定系数（R²）随着隐含层节点数的增加呈现先上升后下降的趋势;均方误差（MSE）呈现先下降后上升的趋势,两者都在节点数为10时有极值,此时的模型为最优模型;3）当输入因子为胸径和优势树高时,油松人工林的最优模型结构为（输入层节点数:隐含层节点数:输出层节点数为2∶10∶1）,此时BP神经网络模型对树高预测的决定系数（R²）和均方误差（MSE）分别为0.761 0和1.984 7;当输入因子为胸径、优势树高、林分密度、竞争指数、坡度和坡向时,最优模型结构为6∶10∶1,此时BP神经网络模型对树高预测的决定系数（R²）和均方误差（MSE）分别为0.844 7和1.955 7。由此得出,在建立油松人工林树高BP神经网络模型方面优化类算法要优于启发式下降算法;BP神经网络模型与传统模型相比,BP神经网络模型不需要目标方程结构,并且模拟和预测的精度均要优于传统模型;在原有BP神经网络模型的基础上再引入林分密度、竞争指数、坡度、坡向这些输入因子后所得到的新的BP神经网络模型对树高模型的建立和预测要优于原有BP神经网络模型。     

遗传算法优化BP网络的汛期降水预测模型

针对BP算法易陷入局部极小、收敛速度慢等缺点,遗传算法是全局优化算法和具有很强的全局搜索能力,遗传算法优化BP神经网络初始连接权值和阈值形成混合算法.以安徽宣城市为例,将汛期降水量作为预测对象,前期74项大气环流特征量、500 hPa、100 hPa月平均高度场、月平均海平面气压场和月平均海温场资料中选取预测因子,建立汛期降水短期气候预测模型.结果表明,该方法计算稳定,预报误差小,具有实用价值.     

基于相空间遗传BP神经网络的径流预测研究

基于混沌时间序列的重构相空间、遗传算法的良好全局搜索和神经网络精确的局部搜索特性,以重构相空间中的饱和嵌入维数作为神经网络输入层节点数,通过采用遗传算法优化神经网络初始权重,将重构相空间、遗传算法、神经网络三者有机地结合,提出并建立了相空间遗传BP神经网络预测模型。将该模型用于黄河上游月径流预测,结果表明,该模型应用在水文时间序列的预测中是合理、可行的,并具有较高的精度。     

改进PSO神经网络的白水苹果树腐烂病预测

准确预测苹果树腐烂病的流行程度,可以科学合理地预防苹果树腐烂病。利用陕西白水县的气象历史数据,将其提取主成分后作为预测因子,采用粒子群(PSO)神经网络建立苹果树腐烂病预测模型。与传统BP神经网络相比,改进PSO神经网络预测结果更接近于实际值,同时避免陷入局部极小的缺点,达到了很好的预测效果。可见,该方法用于预测苹果树腐烂病远优于BP算法,可作为一种新方法预测苹果树腐烂病。     

基于生态适宜性评价的耕地生态系统服务价值变化研究—以山东省章丘市为例

目的尝试在BP神经网络的基础上引入遗传算法进行耕地生态安全评价,以解决BP神经网络在进行土地生态安全评价中收敛速度慢及局部极小值等局限性问题。方法依据玉溪市耕地现状,建立由生态压力与生态支持两个子系统组成共计18个指标的评价指标体系,利用综合指数法和基于遗传算法的BP神经网络相结合的方法,对玉溪市2001—2015年的耕地生态安全进行分析评价。同时对BP神经网络及GA-BP神经网络的评价结果进行对比分析。结果(1) 2001—2015年,玉溪市耕地生态安全指数由0.772 7下降到0.280 2,由较安全(II)下降到较不安全(IV)。(2) GA-BP神经网络模型较传统BP神经网络模型训练及预测误差小,收敛速度快,评价结果准确程度高。结论GA-BP神经网络模型可用于耕地生态安全评价,并且由于其网络性能的改进,具有较强的应用价值。     

基于遗传算法优化的BP神经网络进行水稻氮素营养诊断

应用遗传算法优化BP神经网络进行水稻氮素营养诊断,为水稻的合理施氮提供理论指导。水稻田间试验供试品种为‘两优培九’,设置4个施氮水平（0、210、300、390 kg·hm-2）。在水稻幼穗分化期,扫描获取水稻顶部第三完全展开叶图像,并通过图像处理技术获取19维水稻图像中的颜色和几何形态特征,采用归一化处理、离散小波变换及主成分分析对原始数据进行预处理,并应用遗传算法优化的BP神经网络进行水稻氮素营养诊断。该方法建立的水稻氮素营养诊断模型较单一BP神经网络模型和传统遗传算法优化BP神经网络模型好,模型测试所得4个施氮水平的平均识别率分别为100.000%、99.000%、97.000%、100.000%,测试集样本平均总识别率达到99.000%。基于遗传算法优化的BP神经网络所建立的水稻氮素营养诊断模型具有较强的学习能力和泛化能力,能够很好地识别出水稻氮素营养的缺失,表明运用该方法能够很好地进行水稻氮素营养诊断识别。     

Near-infrared Spectral Detection of the Content of Soybean Fat Acids Based on Genetic Multilayer Feed forward Neural Network

In the paper, a method of building mathematic model employing genetic multilayer feed forward neural network is presented, and the quantitative relationship of chemical measured values and near-infrared spectral data is established. In the paper, quantitative mathematic model related chemical assayed values and near-infrared spectral data is established by means of genetic multilayer feed forward neural network, acquired near-infrared spectral data are taken as input of network with the content of five kinds of fat acids tested from chemical method as output,weight values of multilayer feed forward neural network are trained by genetic algorithms and detection model of neural network of soybean is built. A kind of multilayer feed forward neural network trained by genetic algorithms is designed in the paper. Through experiments, all the related coefficients of five fat acids can approach 0.9 which satisfies the preliminary test of soybean breeding.