共查询到19条相似文献,搜索用时 125 毫秒
1.
2.
采用神经网络与PID控制相结合的方法,提出了一种基于BP神经网络Kp、Kl、KD参数自学习的PID控制器,较好地解决了传统控制方式对于对象模型过于依赖、参数在线整定困难等问题。同时对BP算法进行了深入分析,引入了神经网络的自适应学习速率和带死区控制,进一步提高了算法的收敛性。利用本文所提出的算法对某型无人机进行控制设计仿真实验,仿真结果表明:该算法在跟踪速率、控制精度上明显优于传统的PID控制器,对无人机具有良好的控制效果。 相似文献
3.
基于改进BP神经网络的手写字符识别 总被引:2,自引:0,他引:2
针对标准反向传播(BP,Back Propagation)神经网络算法收敛速度慢、易陷入局部极小等缺点,采用附加动量法与学习速率自适应调整相结合策略对神经网络初始参数进行设置。通过在权重计算公式中加入动量项,降低神经网络对误差曲面局部调节的敏感性,有效抑制其陷于局部极小。学习速率根据总误差的变化进行自适应调整,可以有效地缩短学习时间,加快收敛速度。将该改进算法应用于数字、英文字母以及简单汉字的手写字符识别系统中,进行了有无动量、有无噪声等实验,结果表明该方法与传统BP算法相比识别精度较高、训练时间较短且具有较强的鲁棒性。 相似文献
4.
5.
BP算法容易陷入局部极小值,对初值设置敏感,以及学习速度慢等缺陷,而蚁群算法具有全局寻优、正反馈以及分布式计算等特点,提出一种蚁群BP神经网络混合训练方法(AMMAS-BP).采用自适应最大-最小蚁群算法(AMMAS),对BP网络的权值参数进行全局训练,再使用BP算法对其进行局部学习.建立基于AMMAS-BP算法的汽车排气噪声有源控制系统的仿真模型.仿真结果表明,该方法改善了BP算法的收敛速度和收敛精度,提高了控制系统的降噪效果. 相似文献
6.
基于改进BP神经网络图像边缘检测的研究 总被引:6,自引:0,他引:6
针对传统的边缘检测算法容易产生边缘断裂、不连续等缺点,文中将动量法与自适应学习速率结合起来对传统的BP神经网络进行了改进,并利用该方法对二值图像进行了边缘检测,然后使用神经网络的并行处理模式对灰度图像的8个位面分别进行了检测,最后将提取的结果综合成灰度图像的边缘,实验结果表明,该方法对二值图像和灰度图像的边缘检测较传统的检测方法具有更好的效果. 相似文献
7.
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。 相似文献
8.
9.
10.
通过对商场客流量中行人的相关特征进行提取以及对获得的相应数据样本进行处理,利用改进的BP神经网络算法,建立了相应的BP网络模型,对客流量中行人出入商场的一些模式进行自动识别,并分析了隐含层神经元个数、学习速率等因素对网络训练的影响.实验表明该模型在实际项目中的应用是可行的. 相似文献
11.
改进的BP神经网络在交通流量预测中应用 总被引:2,自引:0,他引:2
针对传统BP学习算法收敛速度慢,对步长依赖明显等缺点,提出一种利用搜索较优步长的BP算法.在网络训练中,能够在每次迭代中搜索出一个相对合理的步长,从而使步长的选择对学习速度的影响大大降低.对交通流量预测仿真结果表明,新算法对步长选择的依赖性小于传统BP算法. 相似文献
12.
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... 相似文献
13.
针对无线传感器网络定位的基本功能问题。提出一种将PSO算法和BP神经网络相结合对RSSI在测距阶段测得的距离数据进行优化的算法。该算法将PSO算法作为BP神经网络的学习算法,缩短了BP神经网络的训练时间,并加快算法的收敛速度。通过仿真,定位精度较其他算法得到了明显提高,最高可达27.3%。 相似文献
14.
15.
基于改进BP神经网络的车牌字符识别 总被引:1,自引:0,他引:1
王智文 《微电子学与计算机》2011,28(9):66-69
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. 相似文献
16.
17.
BP算法的改进在Matlab的实现研究 总被引:6,自引:0,他引:6
利用Matlab中的神经网络工具箱提供的丰富网络学习和训练函数,对BP网络和BP算法的优化方素进行仿真.得到较优的BP算法。 相似文献
18.
Yu Chang Tzeng Chen K.S. Wen-Liang Kao Fung A.K. 《Geoscience and Remote Sensing, IEEE Transactions on》1994,32(5):1096-1102
The neural network learning process is to adjust the network weights to adapt the selected training data. Based on the polynomial basis function (PBF) modeled neural network that is a modified multilayer perceptrons (MLP) network, a dynamic learning algorithm (DL) is proposed. The presented learning algorithm makes use of the Kalman filtering technique to update the network weights, in the sense that the stochastic characteristics of incoming data sets are implicitly incorporated into the network. The Kalman gains which represent the learning rates of the network weights updating are calculated by using the U-D factorization. By concatenating all of the network weights at each layer to form a long vector such that it can be updated without propagating back, the proposed algorithm improves the performance of convergence to which the backpropagation (BP) learning algorithm often suffers. Numerical illustrations are carried out using two categories of problems: multispectral imagery classification and surface parameters inversion. Results indicates the use of Kalman filtering algorithm not only substantially increases the convergence rate in the learning stage, but also enhances the separability for highly nonlinear boundaries problems, as compared to BP algorithm, suggesting that the proposed DL neural network provides a practical and potential tool for remote sensing applications 相似文献
19.
本文首先根据神经科学和认知科学的研究,提出了一种符号神经网络结构,该结构溶符号机制和神经网络于一体,然后在此基础上研究了其学习算法,该算法结合神经网络BP学习算法和符号机制中学习算法的特点;最后通过实验,证实该算法的可行性和先进性。 相似文献