启发式改进BPNN在模式分类领域内的对比研究

采用附加动量BP算法、自适应最速下降BP算法、自适应动量BP算法、弹性BP算法4种启发式改进方法分别对标准BP算法进行改进,并构建了相应的BP神经网络分类模型,将构建的4种分类模型应用于二维向量模式的分类,并进行了泛化能力测试,将4种BP网络分类模型的分类结果进行对比。仿真结果表明,对于中小规模的网络而言,弹性BP算法改进的BP网络的分类结果最为精确,收敛速度最快,分类性能最优;附加动量BP算法改进的BP网络的分类结果误差最大,收敛速度最慢,分类性能最差;自适应学习速率BP算法改进的BP网络的分类结果的误差值、收敛速度及分类性能介于上述两种算法之间。     

PSO算法优化BP网络的新方法及仿真实验

 提出一种基于粒子群算法优化BP网络的权值调整新方法.该算法在基本BP算法的误差反传调整权值的基础上,再引入粒子群算法的权值修正,从而建立了基于粒子群算法优化的BP网络新模型.此模型不仅可以克服基本BP算法收敛速度慢和易陷入局部极值的局限,而且模型的精度较高,较好地提高了BP网络学习能力与泛化能力.将新模型应用于4个典型复杂函数的仿真实验,并与基本BP模型、基于遗传算法优化的BP网络模型(GA-BP)和传统的粒子群优化前向BP网络模型(PSO-BP前传)的仿真实验结果进行分析比较.仿真实例表明新PSO-BP优化模型性能尤其是泛化性能优于其它3种BP网络优化模型.     

基于改进BP神经网络的模拟电路故障诊断

针对BP神经网络存在的固有缺陷:收敛速度慢,容易陷入局部极小,文中对所建BP网络的学习算法进行了改进,采用附加动量项和自适应调整学习率的BP算法对网络进行训练,替代标准BP算法中的梯度下降法寻找最优网络连接权值.仿真实验证明,这种学习算法提高了BP网络的学习效率及稳定性,大大提高了网络的收敛速度,更好地实现了对模拟电路...     

基于智能优化的神经网络数值预测方法研究

本文基于短波信号接收信噪比预测数据对BP网络、GA+BP网络和PSO+BP网络分别在不同数据量的情况下进行仿真实验,然后以均方误差和训练时间为性能参考选出最优的GA+BP网络算法,最终将该算法应用于短波信号接收信噪比预测系统。     

基于改进BP神经网络的车牌字符识别

在分析了BP网络学习算法的缺陷的基础上引入动量项和遗传算法对BP网络学习算法进行改进,大大提高了BP网络的收敛速度.对车牌字符图像进行分割并利用sobel算子进行边缘检测来提取字符特征.然后利用改进的BP网络来自动识别车牌字符,提高了识别的速度和正确率.     

基于MPGA优化BP网络的新方法及仿真实验

BP网络是人工神经网络中应用最广的网络模型,为了改善BP算法易陷入局部极小点的缺点,提出一种基于MPGA(多种群遗传算法)的改进BP网络。数值仿真结果表明:经多种群遗传算法优化的BP网络和遗传算法优化BP网络以及传统BP网络相比较,在预测精度方面有了改善。     

改进的BP网络算法在图像识别中的应用

采用增加动量因子和自适应学习速率相结合的方法,对BP神经网络算法进行改进,利用改进的BP网络算法,可以有效地抑制网络陷入局部极小值,提高网络训练速度。实验验证表明,改进的算法对图像识别的准确率较高。     

一种基于自适应遗传算法的BP网络的应用

针对遗传算法和BP网络各自的优缺点，探讨了两算法结合的必要性、可能性以及结合方法，提出了一种改进的自适应遗传算法，并把该算法用于优化BP网络的权值。把经优化后的BP网络作为汉字识别的分类器，实验结果验证了所述方法的有效性。     

基于BP神经网络的介损值预测方法

通过对BP网络模型和学习算法的研究,深入分析了BP网络在函数预测方面的优点,确定了用BP网络来实现对容性设备介质损耗值的预测。     

基于联想记忆神经网络模型的BP算法

提出一种改进神经网络BP算法的识别训练系统。实验结果表明，基于联想记忆神经网络模型的BP算法，大大降低样本可变系统的网络训练次数。该系统有效降低样本可变系统的网络训练时间，为BP算法应用于对实时性要求高的场合提供算法基础。     

基于人工神经网络下的图像识别的研究

主要利用人工神经网络的理论知识研究在图像识别中的应用为目的,研究图像识别中图像分割的技术,同时详细分析了多层前馈神经网络的描述及BP算法工作过程。介绍隐层的选择及隐层神经元数选择的一些经验方法。针对BP算法存在的问题,提出加可变动量因子的BP算法,通过对网络训练过程参数调整以及增加可变动量因子等方面进行优化改进,实验证明加快了训练速度,改善了BP网络的学习效果。     

一种优化前馈神经网络算法

神经网络由于其非线性处理能力强，性能稳定等特点得到了广泛应用和研究。主要应用于模式识别、信号处理、知识工程、专家系统、优化组合、机器人控制等。神经网络中使用最为广泛的就是前馈神经网络。其网络权值学习算法中影响最大的就是误差反向传播算法（back—propagation简称BP算法）。BP算法存在局部极小点，收敛速度慢等缺点。基于优化理论的Levenberg-Marquardt算法忽略了二阶项。该文讨论当误差不为零或者不为线性函数即二阶项S（W）不能忽略时的Hesse矩阵的近似计算，进而训练网络。     

基于GA-BP神经网络的矿用刮板输送机故障诊断

针对矿用刮板输送机的故障诊断问题,提出一种基于GA-BP神经网络的故障诊断方法。为了避免BP神经网络易陷入局部最小值、隐含层节点数难确定等问题,这里首先根据经验公式缩小隐含层节点数范围,在小范围里寻找最优的隐含层节点数;进而根据遗传算法具有全局寻优的特点,用遗传算法优化BP神经网络训练的初始权值阈值。研究表明经经验公式寻找最优隐含层节点数后,再将遗传算法与BP神经网络结合可以有效地解决神经网络收敛速度慢,易陷入局部最小等问题,提高了刮板输送机传动部的故障诊断精度。通过仿真实验验证了文中方法的有效性。     

基于萤火虫BP神经网络的轴承故障诊断研究

针对BP神经网络训练过程易陷入局部极值导致训练误差收敛速度慢的问题,提出将具有全局寻优的萤火虫算法,结合BP算法共同训练神经网络。在本质上,萤火虫BP神经网络利用萤火虫算法对神经网络进行早期训练,避开局部极值点,得到优化后的神经网络初始权值后,利用BP算法的局部寻优特性对网络做进一步精细训练。轴承故障实验表明,萤火虫BP神经网络的训练误差收敛速度相比BP神经网络、萤火虫神经网络显著提升,故障识别率最高达到99.47%。     

多层前向神经网络的一种改进BP算法

在介绍传统BP算法的基础上,提出了一种改进算法,该算法通过对权值调节量的修改,提高了网络训练过程效率。最后,通过仿真结果可以看出,这种算法改进了BP算法的训练过程。     

多层前向神经网络的权值平衡算法

对前向多层神经网络BP算法的改进方法作了分析,提出了一种新的改进方法——权值平衡算法,充分发挥各权值对网络训练的作用.仿真结果表明,新算法与基本的BP算法相比明显地提高了网络收敛速度和精度,对适合运用本算法的神经网络结构作了探讨.     

基于ELM和PCA的汉语数字语音识别研究

传统BP网络在语音识别应用中存在训练时间长,容易陷入局部极小值等问题,针对上述问题,本文建立一种基于ELM的语音识别系统。ELM是一种快速的单隐层前馈神经网络(SLFN)训练算法,将该算法与单隐层BP网络进行实验比较。实验中对提取的特征矩阵采用主成分分析(PCA)算法进行降维,该算法有效地提取了语音信号的主要成分。实验结果表明在训练时间上,ELM明显优于BP算法,在识别率上,ELM优于BP算法。     

基于GA-BP神经网络的人脸检测

传统的BP神经网络算法收敛过慢、局部收敛不理想,影响其工作性能。针对以上不足以及人脸图像数据大等问题。提出GA-BP神经网络对人脸图像进行检测的新方法:将遗传学习算法和误差反向传播算法相结合的混合算法来训练前馈人工神经网络,使网络收敛速度加快和避免局部极小。通过实验表明该网络不仅收敛速度快,而且易达到最优解。证明该网络对人脸图像检测具有高的检测精度。     

一种利用Gauss变异优化BP神经网络的方法

为了克服传统BP算法收敛速度慢和局部极小点等问题,提出了一种改进的BP网络训练方法,将改进的BP算法和遗传算法相结合。首先引入遗传算法中群体的概念,选取最好个体中的误差作为最小误差,其次利用Gauss变异生成的两个小随机数作为BP算法中的学习率和冲量系数,实现对两个参数的动态调整,以达到对BP网络的权值优化的目的。实验结果表明,该方法有效提高了BP网络的收敛速度,在训练时间方面具有明显的优越性,具有较好的实用性。     

基于GA与L-M优化算法的变压器故障诊断研究

利用MATLAB环境建立一个用于变压器故障诊断的BP网络模型。首先利用具有全局寻优功能的遗传算法对BP神经网络的初始权值和阈值进行优化,然后采用L-M(Levenberg-Marquardt)优化算法对BP神经网络进行训练,从而达到加快网络训练速度,避免训练过程陷入局部极小点的目的。最后,详细记录网络的实际输出,并与期望输出做对比研究,最终证实了此网络达到了设计要求,可用于变压器的故障诊断。