基于DSP的混沌BP神经网络的实现

文中介绍了一种将混沌和BP神经网络结合起来的算法,以解决由于采用梯度算法使得标准BP神经网络存在易陷入局部极小值的问题。并提出一种利用TI公司的TMS320C5410芯片实现混沌BP神经网络算法的软硬件方案。该方案具有运算能力强、实时性好的特点。     

基于Bagging的概率神经网络集成分类算法

目前的神经网络较多集中在以BP算法为基础的BP神经网络上。针对BP神经网络的不足,在分析研究概率神经网络和机器学习的基础上,结合集成学习的思想,提出了基于Bagging的概率神经网络集成分类算法。理论分析和实验结果都表明,提出的算法能够有效地降低分类误差,提高分类准确率,具有较好的泛化能力以及较快的执行速度,能够取得比传统的BP神经网络分类方法更好和更稳定的分类结果。     

基于BP神经网络的图像识别研究

BP神经网络具有较强的容错性和自适应学习能力,因而在数字图像识别领域有着广泛的应用。本文在经典BP神经网络的基本算法的基础上,对BP算法的参数设置进行了优化,实现了一种基于分类的改进BP神经网络算法。通过探讨BP神经网络在数字图像分类识别中的应用,详细考察了各种参数对识别效果的影响。实验结果证明改进后的算法有很好的实用价值。     

遗传BP神经网络及其在异常检测中的应用

为了克服BP神经网络速度慢、易陷入局部最小的缺点,利用GA的全局搜索能力优化BP神经网络权值,本文提出了遗传BP神经网络算法,并将其用于异常检测之中。在对Kddcup,99攻击数据进行分析和特征约简的基础上,设定了遗传BP神经网络算法的参数。实验结果表明,基于遗传BP神经网络异常检测模型的建立快于BP神经网络算法。     

BP神经网络容错能力实验分析

BP算法是一种非常有效的算法,BP模型已成为神经网络的重要模型之一。该文在BP算法构成的三层网络的基础上对该网络的容错能力进行了实验和分析,证明它具有较好的容错能力。     

基于差分进化的BP神经网络预测混沌时间序列

针对BP神经网络预测模型收敛速度慢和容易陷入局部极小值的缺点,将差分进化算法和神经网络结合起来,提出了一种基于差分进化算法的BP神经网络预测混沌时间序列的方法,利用差分进化算法的全局寻优能力对BP神经网络的权值和阈值进行优化,然后训练BP神经网络预测模型求得最优解,将该预测方法用到3个典型的混沌时间序列进行算法的有效性验证,并与BP算法的预测精度进行了比较,仿真结果表明该方法对混沌时间序列预测具有更好的非线性拟合能力和更高的预测准确性。     

基于神经网络的PID自整定控制系统

文章介绍了一种应用神经网络技术建立的PID自整定控制系统,给出了系统结构,详细分析了BP神经网络和RBF神经网络的结构和学习算法。该系统采用3层BP神经网络,其输出为PID控制器的参数;通过变结构的RBF神经网络辨识控制对象,将得到的输出对输入的梯度信息提供给BP神经网络,BP神经网络根据该信息优化PID控制器参数。仿真结果表明,该系统对于参数扰动较大的非线性系统,其收敛速度快、动态响应能力强、稳定性好,且具有较强的鲁棒性和适应性。     

改进粒子群—BP神经网络模型的短期电力负荷预测

为了准确、快速、高效地预测电网短期负荷,提出了改进的粒子群算法(MPSO),并与BP算法相结合,形成改进的粒子群—BP(MPSO-BP)神经网络算法,用此算法训练神经网络,实现了神经网络参数优化,得到了基于MPSO-BP算法的神经网络模型。综合考虑气象、天气、日期类型等影响负荷的因素,进行电网短期负荷预测。算例分析表明,与传统BP神经网络法和PSO-BP神经网络方法相比,该方法改善了BP神经网络的泛化能力,预测精度高,收敛速度快,对电力系统短期负荷具有良好的预测能力。     

基于Adaboost算法的交通事件检测

提出一种Adaboost BP神经网络的交通事件检测方法:以上下游的流量和占有率作为特征,用BP神经网络作为分类器进行交通事件的自动分类与检测.在BP神经网络的训练过程中,提出一种新的训练算法,提高了神经网络的分类能力.为了进一步提高神经网络的泛化能力,采用改进的Adaboost算法,进行网络集成.运用Matlab进行仿真分析.结果表明所提出的交通事件检测算法具有较好的检测性能.     

五种人民币序列号识别算法抗噪能力比较

为了比较不同的人工神经网络算法识别人民币序列号的性能,研究了离散Hopfield神经网络、BP神经网络、PNN神经网络、GRNN神经网络、SVM神经网络等五种算法的训练耗时、识别速度、识别率和抗噪声能力. 研究结果表明,在五种算法中BP算法的综合表现最差,其次为SVM和Hopfield算法,而PNN和GRNN算法表现最好,不仅识别率最高、训练和识别时间最短,而且具有较强的抗噪声能力.     

遗传神经网络在模拟电路故障诊断中的应用

故障诊断对于事故后快速恢复具有重要的意义.模拟电路故障诊断有许多方法,提出了一种基于遗传算法优化的BP神经网络智能诊断技术.该方法采用基于实数编码的遗传算法优化神经网络权值和阈值,代替了原来BP网络随机设定的初始权值和阈值.然后再用改进的BP算法用已由遗传算法确定的空间对网络进行精确搜索.实验仿真结果表明基于遗传算法优化过的神经网络的训练步数得到大大的减少,泛化能力也得到提高.克服了传统BP算法的收敛速度慢,容易陷入局部极小的缺点.     

人工神经网络快速学习算法

以Ｃｈｅｂｙｓｈｅｖ学习算法为基础,给出了数例神经网络仿真结果,其学习收速度大大优于ＢＰ算法及ＨＮＲ算法。     

遗传算法优化BP网络初始权重用于入侵检测

基于遗传算法的全局搜索和BP网络局部精确搜索的特性,将遗传算法与BP算法有机结合,先采用遗传算法优化BP网络初始权重,完成网络的训练过程,并将此方法运用于入侵检测中。实验证明,运用此方法有利于提高网络的收敛性,可在一定程度上提高入侵检测系统的准确率。     

专家神经网络的构造研究

专家神经网络是由专家系统产生出的事件驱动无环路神经对象网络。这些神经对象处理信息的非线性复合函数比正常的神经网络结点处理器更复杂。本文研究了无环路网络的ＢＰ学习算法,这一算法将传统ＢＰ算法与专家神经网络特征结合起来,提供了一种获取知识的方法。     

基于BP神经网络和支持向量机的电机故障诊断系统

故障诊断是计算机模式识别领域的一个活跃课题。文中提出一种基于BP神经网络和支持向量机（SVM）的电机故障诊断方法，设计了适合该诊断系统的网络结构。仿真结果表明：该网络结构比BP算法具有更快的学习速度和更高的学习精度，完全适用于电机故障诊断系统。     

BP神经网络及其在数据分类中的应用

BP神经网络模型是一种典型的前向型神经网络,具有良好的自学习、自适应、联想记忆、并行处理和非线形转换的能力,是目前应用最为广泛的一种神经网络模型。本文介绍了BP神经网络的实现以及其在数据挖掘分类方面的应用。     

前馈神经网络权值学习的复合形法

本文介绍一种新的前馈神经网络的随机学习方法，着重讨论该算法的实现，并讨论了将它和ＢＰ算法相结合，从而得到一种非常实用的神经网络学习算法。     

BP网络及遗传算法在河道流量预报中的应用

基于遗传算法的全局搜索和BP网络局部精确搜索的特性,采用遗传算法对BP网络模型进行优化,并将此模型应用于北江流域的坪石-犁市河道的预报流量中.实验结果表明,该算法在提高BP网络的收敛速度和预测精度上是行之有效的,为流量预报提供了一种新的方法.     

基于卡尔曼滤波的神经网络修剪算法研究

传统的BP神经网络在应用的过程中,常常面临无法确定合适的网络节点问题。网络规模小,则运算时间长;而网络规模过大,容易产生过学习现象,影响泛化能力。在传统的BP神经网络学习的基础上,采用卡尔曼滤波算法对神经网络中的权值向量进行修剪,实现对神经网络结构的简化,提高泛化能力。它不同于以往的边修剪、边训练,而是在神经网络一次完整的学习完成之后,一次性修剪。方法在入侵检测数据集测试中表明,修剪比例较高,精确度好,修剪完成的网络能够很好地保持修剪前的测试识别率,提高了学习速度和泛化能力。     

The Probability Neural Network for Lithologic Idenfication

This paper studies lithologic identification from log information based on PNN(Probability Neural Network).The models lithologic identification of log interpretation has been built and is applied to predict the testing samples.The prediction result has higher consistency with the practical cases.The prediction and convergence rate have been greatly improved compared to the tradi-tional BP Neural Networks,and the computational complexity has also been greatly reduced.The results show that the PNN is very promising for the application of lithologic identification.