基于自适应优化多层GA-BP的脱硫效率预测模型

针对湿法脱硫装置运行参数多且相互高度耦合,脱硫效率定量描述困难的问题,以及传统BP网络存在的问题,提出一种基于自适应优化多层GA-BP的脱硫效率预测模型.将基于主成分分析后的降维数据作为输入变量,采用双层基因优化BP网络结构,并引入自适应变异和交叉概率,对BP网络初始权值、阈值进行改进,利用优化后的网络对脱硫效率进行预...     

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...     

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。     

模拟电路故障诊断中的特征信息提取

在运用BP神经网络进行模拟电路故障诊断过程中,代表故障特征的网络输入至关重要。分析了常见特征信息提取和故障诊断方法,提出一种基于多测试点、多特征信息原始样本集的新方法。运用这种方法构造原始故障特征集,然后作为BP神经网络的输入对网络进行训练,仿真结果表明,通过该方法构造的样本集训练出来的网络对模拟电路故障诊断的正确率优于传统方法,证明了该方法在模拟电路故障诊断中的可行性,为模拟电路的故障诊断提供了一种新方法。     

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。     

基亏改进神经网络的柴油机系统故障诊断

BP神经网络可以利用其高度的非线性映射和自组织能力有效解决柴油机系统的故障诊断定位问题。但是标准的BP网络有自身无法克服的一系列问题,因此对标准BP网络的学习方法做出改进．并以此理论建立柴油机系统故障诊断的整体模型。为了检验改进理论的准确性,根据柴油机燃油系统的故障建立网络模型并诊断进行检验．MATLAB仿真结果表明,改进算法有效地提高了学习的效率与稳定性,加快了收敛速度,能有效解决故障的诊断与定位．并且具有良好的稳定性。     

基于改进神经网络算法的木马控制域名检测方法

首先对木马利用域名进行回连控制的特点进行了分析,对采用DNS进行网络木马检测的方法进行了概述,接着基于对木马域名的静态、动态特征的分析,提取了域名使用时间、访问域名周期性、IP地址变化速度、IP地址所属国变更、IP地址为私有地址、同域名多IP地址分属不同国家、TTL值、域名搜索量8个指标作为BP神经网络算法的输入,并提出了一种改进BP神经网络算法来解决大量DNS域名训练效率、平均误差值大的问题;最后用改进的神经网络算法对样本进行了实验评估测试,结果显示改进算法和传统算法的检出率相当,但检测效率大为提高。     

基于GA改进BP神经网络网络异常检测方法

考虑到常规BP神经网络算法容易陷入局部最优解,所建立的网络遗传流量检测模型检测效率低,准确率不高等问题,提出一种改进型GA优化BP神经网络算法,并使用其建立网络遗传流量检测模型。常规遗传算法在搜索过程中,往往会由于出现影响生产适应度高的个体而对遗传算法搜索过程产生影响的现象发生,因此需要对常规遗传算法进行改进。使用的方法是通过混合编码方式进行改进,同时对交叉算子、变异算子、交叉概率以及变异概率等参数进行优化修正。使用KDD CUP99数据库中的网络异常流量数据进行实验研究,研究结果表明,所提出方法的检测性能要明显优于常规算法,其对BP神经网络的结构、权值以及阈值进行同步优化,避免了盲目选择BP神经网络结构参数带来的问题,避免了常规BP神经网络容易陷入局部最优解的问题。     

一种光照不变的人脸识别新方法

本文研究并实现了小波变换,光照商图像与BP神经网络相结合对不同光照条件下的人脸图像进行识别的算法.运用小波变换方法对图像进行降维,运用光照商图像方法对图像进行预去光,运用BP神经网络进行人脸识别;同时讨论了BP网络输入矢量的标准化处理问题、网络隐含层神经元数选取问题,以及对Sigmoid函数和网络学习速率的改进问题.利用Yale Face Database B人脸数据库进行识别实验,结果表明,通过预去光,网络的识别率有了显著提高;本文设计的改进BP网络在与非改进网络得到相同识别率情况下,其收敛速度明显加快.     

基于遗传算法优化神经网络的藻类繁殖状态软测量方法

为了提高BP神经网络模型对海洋藻类生长状态软测量的准确性,提出了一种基于遗传优化算法优化BP神经网络的软测量方法.利用遗传算法优化BP神经网络的权值和阈值,然后训练BP神经网络预测模型以求得最优解,再将该预测结果与传统BP网络预测模型的预测结果进行对比.对仿真结果进行有效性验证后,结果表明,通过这种软测量方法,经遗传算法优化后的BP神经网络可以在更短的时间里创造更高的预测准确性,大大提高了对海洋藻类生长状态预测的效率.     

人工神经网络在股市预测模型中的应用

介绍了人工神经网络的基本原理和传统股市预测方法的缺点,建立BP神经网络模型,以某个股实际收盘价为原始数据样本,对网络进行训练后,对股票价格进行了短期预测,并计算出预测值和实际值的误差。通过实验发现该模型收敛速度快,预测精度高。     

基于BP神经网络的成本预测

分析了人工神经网络解决成本预测的可能性。介绍了BP神经网络用于非线性预测的基本原理和算法步骤。采用matlab试验方法,对某企业总产量与总成本进行仿真,对比了回归分析法和BP神经网络的预测结果。实验结果表明,BP神经网络预测算法具有较高的预测精度。     

基于人工神经网络的交通流量预测模型的研究

介绍了人工神经网络的BP算法，建立了基于Matlab神经网络工具箱的交通流量预测模型，并以实际道路交叉口为例进行2小时40分，分时段的数据采集，利用模型进行短时流量预测。     

基于GA-BP的敌空袭兵力出动量预测

在防空兵力资源有限的情况下,为取得最大的对敌作战效能,有必要对敌空袭兵力出动量进行预测.在遗传算法与误差反向传播神经网络结构模型相结合的基础上,设计了用遗传算法训练神经网络权重的新方法,并对敌对地面目标群空袭的兵力出动量进行预测,同时与BP算法和灰色系统理论模型进行了比较.经检验,计算值与实际值接近,并优于BP算法和灰色理论模型,具有良好的预测效果.     

基于BP神经网络的飞机娱乐系统采购短期预测

针对传统航材采购决策行为的局限性,研究了基于BP神经网络的航材采购短期预测方法,拟在建立BP神经网络模型的基础上,将BP神经网络模型运用到航材采购量短期预测中来,根据历史数据建立BP神经网络对其进行训练形成飞机娱乐系统采购量预测模型。阐明神经网络在决策时能提供更多的支持信息,实现采购数量科学化。并进一步通过预测结果说明基于神经网络的航材采购量短期预测是一个行之有效的方法,为民航航材集中采购的理论和方法提供借鉴和参考。     

基于BP神经网络的飞行参数估测方法

对传统BP神经网络算法中收敛速度慢和存在局部极小点的问题进行了研究，提出了网络结构的改进方案和优化算法，提高了网络学习速度和预测精度；应用到飞行参数估测问题中，具有算法稳定、估测精确和动态自适应的特点。     

GRNN神经网络在电力系统负荷预报中的应用

为了预报电力系统负荷,采用GRNN（广义回归网络）的方法,通过GRNN神经网络和BP神经网络建立电力系统负荷预报网络模型,用MATLAB7.0仿真,达到了预测的目的。利用GRNN神经网络预测结果准确率高,避免了BP网络预测同样的数据库,算法冗长,网络预测结果不稳定的缺点,GRNN网络具有更好的预报精度。     

基于VMPSO-BP神经网络的话务量预测

为了更快速、准确地预测移动话务量,提出了速度变异的粒子群算法（VMPSO）,并与BP算法相结合,形成速度变异的粒子群—BP（VMPSO-BP）神经网络算法,用以训练神经网络,从而优化了神经网络的参数,最后对移动话务量进行预测。与传统BP神经网络方法和PSO-BP神经网络方法相比较,并且通过实验数据的分析以及对预测结果地比较,速度变异的粒子群—神经网络预测方法精度更高,收敛速度更快,从而更好地实现了对移动话务量地预测。     

遗传算法优化BP神经网络的大功率LED结温预测

将遗传算法(GA)与BP神经网络相结合,对研发的120W LED双进双出的射流冲击水冷散热系统中LED阵列的结温进行预测。采用GA优化BP网络的权值和阈值,利用BP算法训练网络,改善了单独使用BP网络容易陷入局部极小值和收敛速度慢的缺点。并且在训练过程中为了使网络输出有足够长的空间,改进了GA的数据处理。结果表明,经GA优化的BP神经网络较使用Levenberg-Marquardt(LM)算法优化的BP神经网络的大功率LED结温预测精确度提高了14.14%,且预测效果较稳定。GA和BP神经网络相结合的结温预测模型较传统的结温测量方法更能掌握散热结构设计的主动性,对大功率LED寿命的延长有较高的实用价值。