基于改进BP神经网络的数字识别

针对BP(Back Propagation)神经网络易陷入局部极小、收敛速度慢的缺点,提出了一种新的BP神经网络改进算法.与标准BP算法比较,该系统通过结合附加动量法和自适应学习速率形成新的BP改进算法.附加动量法虽然可以使BP算法避免陷入局部极小,但是对初始值的选取比较敏感,而且选取合适的学习速率比较困难.而自适应学...     

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...     

BP网络的改进研究

针对标准BP神经网络收敛速度慢，学习精度不高的缺点，在标准BP神经网络算法中附加动量项，并以附加动量项的BP网络算法为基础，提出动量-自适应速率法，动量-可调激活函数法以及动量-自适应速率-激活函数法四种改进算法。以太阳黑子预测为实例分析四种改进算法在BP神经网络迭代次数减少，精度提高两方面的实际效果。事实证明，动量-可调激活函数算法对BP网络结构优化，提高收敛速度有明显效果。     

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。     

一种基于改进BP神经网络的物体识别方法

提出基于自适应学习速率动量梯度下降的BP算法进行物体识别,并以修正的Hu不变矩特征作为BP神经网络的输入,通过训练对网络的权值和阈值进行调整.该算法使BP神经网络在学习速率和稳定性上有了进一步的提高.仿真结果表明该方法对物体的平移、旋转、缩放都具有不变性,从而验证了该方法的有效性.     

BP神经网络的改进算法及其研究

通过分析标准BP算法的原理,可以发现BP标准算法存在着易形成局部极小而非全局最优;训练次数多使得学习效率低,收敛速度慢;隐节点的选取缺乏理论指导;通过在标准BP算法中引入加动量项法来优化BP算法。实验结果表明,该有效地提高了BP算法的迭代次数,减少误差。     

BP神经网络的改进算法及其研究简

通过分析标准BP算法的原理,可以发现BP标准算法存在着易形成局部极小而非全局最优;训练次数多使得学习效率低,收敛速度慢;隐节点的选取缺乏理论指导;通过在标准BP算法中引入加动量项法来优化BP算法。实验结果表明,该有效地提高了BP算法的迭代次数,减少误差。     

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。     

模拟电路故障诊断的BP神经网络方法研究

BP网络是模拟电路故障诊断中应用十分广泛的一种神经网络。针对传统BP算法的误差下降缓慢,调整时间长,甚至容易陷入局部极小点而不能自拔等局限性,提出用弹性算法与BP网络相结合的方法,并结合某型雷达装备的具体电路,运用该方法建模、仿真。实验结果表明,采用弹性算法结合后的BP网络误差收敛稳定,训练速度快,在克服传统BP算法的局限性上效果显著,为新型雷达装备的故障诊断和维修提供了一种方法,具有特定的实用意义。     

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。     

基于Elman神经网络的空战威胁排序研究

依据空战态势、空战效能以及目标战役价值,采用威胁指数法建立了空战目标威胁评估模型。在威胁评估的基础上,研究了空战中基于Elman神经网络的目标威胁排序方法。考虑到Elman神经网络的学习性能和收敛性,采用附加动量项、自适应改变各参数学习率以及重置算法改进网络权值的学习算法。算例结果表明,采用Elman神经网络对空战目标进行威胁排序的方法是有效的,且改进的学习算法提高了网络的学习效率,有效地抑制了局部极小值的出现。该方法有利于提高火控系统的智能化水平。     

一种基于不变矩和BP网络的目标识别方法

为了有效地提高旋转、尺度变化目标的识别率,首先提取目标图像的不变矩,以此作为目标识别的特征向量,然后利用将附加动量项与自适应学习速率相结合的改进BP算法实现对目标的分类识别.字符图像仿真实验表明,这种针对旋转、尺度变化目标的识别方法是有效的,可行的.     

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.     

改进BP神经网络在物体识别中的应用

针对传统BP神经网络容易陷入局部极小、收敛速度慢和确定隐含层的神经元个数比较困难等缺点,从结构和算法两方面对BP神经网络进行改进。改进后的网络具有较快的收敛速度和较短的运行时间,加强了BP神经网络的学习能力和自适应能力,并将其应用于物体的分类识别,取得了良好的效果。仿真结果表明了此改进方法的可行性和有效性。     

用HM框架下的神经网络分类器识别雷达目标

提出了一种HMM框架下的神经网络分类器,它既克服了普通神经网络不能有效地识别时变信号的缺点,又解决了HMM识别时变信号时不能突出不同信号的差异性问题。用网络权的遗传算法进化学习解决了Baum-Welch及BP网络学习中易陷入局部极小点的问题,还给出了用该网络成功识别实测雷达回波信号的实例。     

采用进化计算的BP神经网络学习算法研究

针对ＢＰ神经网络中存在的局部极小问题,本文提出了采用进化计算方法改进ＢＰ学习算法收敛速度的新方法,理论分析和数字仿真表明算法有很好的效果。