导读:本文包含了遗传算法和神经网络论文开题报告文献综述及选题提纲参考文献，主要关键词:公路隧道,电力线载波,照明系统,节能
遗传算法和神经网络论文文献综述
李斌,胡芳,张朋,董威,邵强[1]（2019）在《基于改进遗传算法优化神经网络的隧道照明控制系统研究》一文中研究指出针对传统的公路隧道照明中存在的节能效果和调光准确效果均不足,给出了一种基于改进遗传算法优化神经网络的隧道照明控制方案,在实现准确调光的同时,改善了隧道照明控制系统的照明节能效果。通过传感器实时采集隧道外部部环境的亮度、行驶车辆的车流量和车速信息,实时准确调节隧道的照明亮度。采用电力线载波通信技术实现照明灯具的控制,减少系统布线难度。仿真结果表明,改进遗传算法优化神经网络算法的均方误差较神经网络算法提高了29.1%,算法仿真时间减少了63.7%,有效的提高了照明调光准确性。最后通过实验证明在隧道照明中使用该算法实现节能效果。(本文来源于《电子设计工程》期刊2019年23期）
李彬,张云,王立平,李学昆[2]（2019）在《基于遗传算法优化小波神经网络数控机床热误差建模》一文中研究指出数控机床的热误差已经成为影响其加工精度的一个关键因素,为最大限度提高数控机床热误差补偿的精度和效率,结合遗传算法自适应全局优化搜索能力和小波神经网络良好的时频局部特性的优点,提出一种基于遗传算法优化小波神经网络的机床热误差补偿模型。以某型号五轴摆动卧式加工中心为试验对象,以机床温度变量和热误差为数据输入样本,建立小波神经网络模型热误差预测模型,然后用遗传算法优化小波神经网络权值、阈值,最终建立热误差预测模型。通过与传统人工神经网络和普通小波神经网络进行对比分析及试验论证表明,该补偿模型具有精度高、抗扰动能力和鲁棒性强等优点,有望在实际加工场合的数控机床的热误差预测和补偿研究中得到更大的推广应用。(本文来源于《机械工程学报》期刊2019年21期）
黄丽娟[3]（2019）在《遗传算法与人工神经网络的应用》一文中研究指出本文介绍了遗传算法和人工神经网络算法在文本检索中的识别原理,并以人工神经网络的深度学习过程为例介绍了其训练过程。阐述了遗传算法与人工神经网络相结合的必要性。(本文来源于《电子技术与软件工程》期刊2019年22期）
邵孟良,于颖敏[4]（2019）在《基于遗传算法的BP神经网络气液两相流持液率预测模型优化》一文中研究指出基于遗传算法(Genetic Algorithm,GA)对BP(Back Propagation)神经网络模型的初始阈值及权值进行优化,弥补了单一BP网络模型预测气液两相流持液率时收敛速度慢随机性大等问题。为了对优化后的BP网络模型进行可行性验证,以倾斜管道为研究对象,对倾斜管道内气液两相流的持液率进行预测,并与前人获得的预测结果进行对比。结果显示:基于GA优化后的BP神经网络模型预测倾斜管道内气液两相流的持液率精度较高,且收敛速度较快。通过与倾斜管道气液两相流持液率的实际值对比得出,与传统的持液率预测公式相比,优化后的BP神经网络模型预测结果与实际值偏差较小,验证了本文优化模型的准确性及可行性。(本文来源于《西安石油大学学报(自然科学版)》期刊2019年06期）
王晓晖,刘月刚,孟婥,孙以泽[5]（2019）在《基于遗传算法和神经网络的3D增材印花工艺参数优化》一文中研究指出针对3D增材印花工艺中刮刀压力、刮印速度、刮刀角度和油墨黏度等参数的组合对印花质量存在较大影响,但实际生产中各工艺参数组合无法实现最优这一问题,利用附加动量法改进下的BP神经网络构建3D增材印花工艺模型,通过实验参数对模型进行训练,确定工艺参数和印花质量间的非线性关系。利用遗传算法对该非线性函数进行极值寻优,从而得到3D增材印花工艺的最优参数组合:印花压力为4 800N,刮印角度为18°,刮印速度为400 mm/s,油墨黏度为170.5 Pa·s,该模型预测误差基本稳定在0.01范围之内。利用优化前后的参数进行对比实验,结果证明该算法可以实现3D增材印花工艺的质量预测和参数寻优,从而提升印花质量,缩短产品开发时间。(本文来源于《纺织学报》期刊2019年11期）
郑丽[6]（2019）在《建筑设计中神经网络技术与遗传算法探究》一文中研究指出通过使用遗传算法来优化建筑项目的设计过程,是对于建筑设计行业未来发展的重要趋势。但是当利用遗传算法来获取建筑设计中的某个最优值时,需要对于所有的个体进行适应程度函数的测算,这需要耗费掉很多计算时间。为了能够有效地节约计算时间,将神经网络技术与遗传算法相结合,从而更好地完成建筑设计优化过程。通过实践证明,这样的结合不但能够减少计算时间,同时也能够提升建筑设计优化的质量和效率。(本文来源于《湖北农机化》期刊2019年21期）
刘永勋,赵敬云[7]（2019）在《基于神经网络和遗传算法的工业机器人不均匀表面抛光》一文中研究指出传统抛光过程中,抛光参数通常是根据工件表面设置为恒定值。但如果工件表面不均匀,恒定的抛光参数对于材料去除量大的区域会发生欠抛光现象,进而降低抛光效率,影响加工表面质量。为此,基于神经网络(NNW)和遗传算法(GA)提出一种工业机器人不均匀工件表面抛光算法,解决不均匀表面抛光过程中出现的问题。应用神经网络预测某一确定的抛光参数对应的抛光性能,利用训练的神经网络模型输出包括最佳材料去除率和改善表面粗糙度的目标函数;将遗传算法用于优化模型抛光参数。通过对不均匀表面的抛光实验,验证了该算法的有效性。(本文来源于《机床与液压》期刊2019年21期）
胡红萍,白黄琴,白艳萍,张菊平,刘茂省[8]（2019）在《基于改进的遗传算法与人工神经网络的类流感的预测》一文中研究指出类流感(ILI)疾病是一种严重威胁公众健康的传染性呼吸道疾病,对其准确的实时预测可能有助于挽救生命.本文将入侵性杂草优化(IWO)的繁殖加入到遗传算法(GA)的选择算子,建立了一种基于IWO和GA的新颖的混合算法,记为IWOGA.运用IWOGA优化BP神经网络的权值和偏差并预测美国的未加权的%ILI.实验结果表明所提出的IWOGA-BPNN是一种适用于美国ILI预测的较好方法.(本文来源于《中北大学学报(自然科学版)》期刊2019年06期）
韩皓阳,张译文,卢率[9]（2019）在《基于神经网络与遗传算法的国家脆弱性影响因素研究》一文中研究指出气候变化的影响,包括干旱增加,冰川萎缩,动植物范围的变化以及海平面上升,将改变人类的生活方式,并可能导致社会和政府结构的削弱和崩溃。本文主要研究国家脆弱性的影响因素,首先建立了叁级分析层次和熵权重模型,得到12个状态脆弱性指标的权重。然后结合神经网络和遗传算法建立模型来评估状态脆弱性。(本文来源于《中国新通信》期刊2019年21期）
康彩丽[10]（2019）在《遗传算法优化BP神经网络非线性函数拟合的研究》一文中研究指出在人工神经网络中,BP(Back Propagation)神经网络占有重要席位,它具有很多优点,但也有很多缺陷。而遗传算法(GA)是使用运算对个体进行"优胜劣汰"的一种算法,用GA优化BP网络,取长补短。论文建立了BP网络模型,研究了对BP网络的优化,根据GA的特点,在MATLAB环境下,选取合适的网络结构对BP网络非线性函数进行仿真模拟和预测。从训练的结果可以看出,BP网络经GA优化后显然比未优化前的拟合效果更好。同时论文实现了粒子群(PSO)算法优化BP网络,并与GA作对比,从实验结果分析比较得知,BP网络经两种算法优化后拟合效果都明显变好,且GA比PSO算法优化的结果更准确。(本文来源于《忻州师范学院学报》期刊2019年05期）
遗传算法和神经网络论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
数控机床的热误差已经成为影响其加工精度的一个关键因素,为最大限度提高数控机床热误差补偿的精度和效率,结合遗传算法自适应全局优化搜索能力和小波神经网络良好的时频局部特性的优点,提出一种基于遗传算法优化小波神经网络的机床热误差补偿模型。以某型号五轴摆动卧式加工中心为试验对象,以机床温度变量和热误差为数据输入样本,建立小波神经网络模型热误差预测模型,然后用遗传算法优化小波神经网络权值、阈值,最终建立热误差预测模型。通过与传统人工神经网络和普通小波神经网络进行对比分析及试验论证表明,该补偿模型具有精度高、抗扰动能力和鲁棒性强等优点,有望在实际加工场合的数控机床的热误差预测和补偿研究中得到更大的推广应用。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
遗传算法和神经网络论文参考文献
[1].李斌,胡芳,张朋,董威,邵强.基于改进遗传算法优化神经网络的隧道照明控制系统研究[J].电子设计工程.2019
[2].李彬,张云,王立平,李学昆.基于遗传算法优化小波神经网络数控机床热误差建模[J].机械工程学报.2019
[3].黄丽娟.遗传算法与人工神经网络的应用[J].电子技术与软件工程.2019
[4].邵孟良,于颖敏.基于遗传算法的BP神经网络气液两相流持液率预测模型优化[J].西安石油大学学报(自然科学版).2019
[5].王晓晖,刘月刚,孟婥,孙以泽.基于遗传算法和神经网络的3D增材印花工艺参数优化[J].纺织学报.2019
[6].郑丽.建筑设计中神经网络技术与遗传算法探究[J].湖北农机化.2019
[7].刘永勋,赵敬云.基于神经网络和遗传算法的工业机器人不均匀表面抛光[J].机床与液压.2019
[8].胡红萍,白黄琴,白艳萍,张菊平,刘茂省.基于改进的遗传算法与人工神经网络的类流感的预测[J].中北大学学报(自然科学版).2019
[9].韩皓阳,张译文,卢率.基于神经网络与遗传算法的国家脆弱性影响因素研究[J].中国新通信.2019
[10].康彩丽.遗传算法优化BP神经网络非线性函数拟合的研究[J].忻州师范学院学报.2019