BP网络的Matlab实现及应用研究

人工神经网络以其具有信息的分布存储、并行处理以及自学习能力等优点,已经在信息处理、模式识别、智能控制及系统建模等领域得到越来越广泛的应用。他的基于误差反向传播算法的多层前馈网络,即BP网络在非线性建模、函数逼近和模式识别中有广泛的应用,介绍了BP网络的基本原理,分析了Matlab人工神经网络工具箱中有关BP网络的工具函数,并给出了部分重要工具函数的实际应用。     

BP神经网络在函数逼近中的应用研究

函数逼近在纯数学领域、工程和物理学领域得到了广泛的应用。利用人工神经网络映射能力,通过样本不断学习实现对未知函数的逼近。利用BP神经网络研究人工神经网络在函数逼近中的应用,研究过程利用MATLAB神经网络工具箱设计网络并进行仿真实验。     

基于MATLAB神经网络工具箱的BP网络设计

本文介绍了MATLAB神经网络工具箱及其常用的工具箱函数;在说明BP网络的模型结构和算法的基础上,讨论了BP网络的训练过程及其设计原则,并用一个典型的两层结构的神经网络实现了具有函数逼近功能的BP网络设计.     

基于神经网络的传播预测模型浅析

传播预测模型是网络规划和频谱资源合理利用的基础。在分析了现有模型不足的基础上,介绍了人工神经网络的结构及其传播预测模型的构建,并对该模型进行了改进,提出了应用反向传播(Back-Propagation,BP)神经网络的混合传播模型。人工神经网络具有良好的非线性逼近能力和泛化能力,非常适用于特定地区传播损耗的预测。通过对试验数据的分析处理,验证了此方法能够更真实地反映该区域的无线电波传播环境,得到更高的预测准确度。     

基于傅里叶变换的BP神经网络滤波

BP神经网络强大的非线性函数逼近、自适应学习和并行信息处理能力使得BP神经网络在信号去噪滤波中得到应用,但是随着BP网络输入向量维数的增加,其自身隐含层层数也会相应增加,从而降低了网络的自适应能力以及延长了学习时间。本文采用基于傅里叶变换的BP神经网络,利用傅里叶变换对信息进行预处理,并利用BP网络强大的函数逼近能力,对信息进行拟合,再通过傅里叶逆变换还原含噪的信息。最后通过MATLAB软件分别对傅里叶变换、BP神经网络、基于傅里叶变换的BP神经网络滤波效果进行仿真比较。     

基于傅里叶变换的BP神经网络自适应滤波

BP神经网络强大的非线性函数逼近、自适应学习和并行信息处理能力使得BP神经网络在信号去噪滤波中得到应用,但是随着BP网络输入向量维数的增加,其自身隐含层层数也会相应增加,从而降低了网络的自适应能力以及延长了学习时间。本文采用基于傅里叶变换的BP神经网络,利用傅里叶变换对信息进行预处理,并利用BP网络强大的函数逼近能力,对信息进行拟合,再通过傅里叶逆变换还原含噪的信息。最后通过MATLAB软件分别对傅里叶变换、BP神经网络、基于傅里叶变换的BP神经网络滤波效果进行仿真比较。     

用BP网络群识别手写体数字的新方法

本文采用人工神经网络群进行手写体数字识别,把多模式分类转化为二模式分类,降低了网络面临的函数逼近的复杂性,并运用改进BP算法对网络进行训练,提高了训练速度、改善了网络性能。实验表明采用此方法的识别系统在性能上优于单BP网络识别系统。     

基于BP神经网络的网络故障预测实验简

神经网络具有能够逼近任意非线性函数关系的能力和比较方便的学习手段,因此,它可以用来作为一种复杂工业过程建模的新型方法。本文针对常用BP算法进行了深入的分析和仿真,并利用BP网络对基于大规模网络的故障管理进行针对性实验。     

基于Matlab实现函数逼近

为满足工程应用中对数据处理的需要,讨论基于Matlab实现函数逼近的三种方法:插值、拟合和神经网络逼近.在介绍基本原理的基础上,利用Matlab的插值和拟合函数,结合实例对分段线性插值、Hermite、三次样条插值及最小二乘曲线拟合法的Matlab实现方法进行研究.设计非线性函数逼近的BP神经网络,通过网络训练、仿真达到了预期的效果.所有结果表明,采用不同的逼近方法,利用Matlab编程可以简单、有效地实现函数逼近.     

基于FPGA的人工神经网络系统的实现方孩

为了改变人工神经网络的研究仅仅局限于算法.只是在通用的串行或并行计算机上模拟实现的现状,针对函数逼近问题,将BP神经网络的结构分为3个模块,采用VHDL语言完成对各个模块的硬件描述,并使用Alters公司的QuartusII 6.1综合软件进仿真和调试,然后在CycloneII系列FPGA上实现了能够进行片上学习并完成函数逼近的BP神经网络系统.测试结果证明,该系统能够很好地完成在线学习,并能满足一般系统应用的速度和精度的要求,验证了该方法的有效性.     

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。     

结构光三维视觉检测系统的标定方法研究

提出了一种新的结构光三维视觉检测系统的标定方法,将BP神经网络和线性标定方法结合起来,用线性标定方法标定结构光系统的线性部分,用BP神经网络来描述该结构光系统的其他部分.结果表明:该方法结合了神经网络和线性标定方法的优点,不仅给出了结构光三维检测系统中CCD相机的内部和外部参数,而且利用神经网络的非线性逼近能力,补偿由于镜头径向畸变、切向畸变等因素引起的系统非线性误差,并且精度高、抗噪声能力强及鲁棒性好.     

基于BP神经网络的电视节目收视率预测模型

电视节目收视率预测是一种典型非线性预测,收视率在短时间内相对稳定。人工神经网络具有良好的容错性、自适应学习能力以及非线性映射能力,采用人工神经网络做收视率预测精度较高。基于BP神经网络建立了预测模型,并采用软件仿真的方式对预测过程以及预测结果进行分析,实验结果表明采用BP神经网络预测电视节目收视率是可行的。     

T-S型RBF神经网络在红外火焰探测系统中的应用

基于T-S(Takagi-Sugeno,高木-关野)模型RBF(Radial Basis Function,径向基函数)神经网络,提出了一种应用于三波段点型红外火焰探测器的识别算法,同时实现了硬件电路以及软件程序的设计。针对火焰探测器在检测过程中可能出现的数据丢失、失真、饱和等复杂情况,本文利用RBF网络较优的逼近精度和泛化能力,同时结合T-S模型用少量的模糊规则可生成较复杂的非线性函数的特点,实现了火焰与干扰源的准确识别。实验证实,T-S模型RBF神经网络相比于BP(Back Propagation,反向传播)网络在逼近精度、收敛速度、鲁棒性等多个方面都有所提升。     

Statistical analysis of a two-layer backpropagation algorithm usedfor modeling nonlinear memoryless channels: the single neuron case

Neural networks have been used for modeling the nonlinear characteristics of memoryless nonlinear channels using backpropagation (BP) learning with experimental training data. In order to better understand this neural network application, this paper studies the transient and convergence properties of a simplified two-layer neural network that uses the BP algorithm and is trained with zero mean Gaussian data. The paper studies the effects of the neural net structure, weights, initial conditions, and algorithm step size on the mean square error (MSE) of the neural net approximation. The performance analysis is based on the derivation of recursions for the mean weight update that can be used to predict the weights and the MSE over time. Monte Carlo simulations display good to excellent agreement between the actual behavior and the predictions of the theoretical model     

一种新的混沌扩频序列产生方法

本文提出了一种新的混沌扩频序列产生方法。该方法基于神经网络的强大学习能力和副近非线性函数能力,应用具有全局最优的ＢＰ改进算法通过训练学习建立起具有混沌性态的优化神经网络模型,利用网络权值调整的灵活性来产生混沌扩频序列。计算机仿真结果表明,该模型产生的混沌扩频序列调整更容易,比基于单一混沌映射能产生更多符合扩频通信要求的扩频序列。     

Functional link neural network cascaded with Chebyshev orthogonal polynomial for nonlinear channel equalization

Nonlinear intersymbol interference (ISI) leads to significant error rate in nonlinear communication and digital storage channel. In this paper, therefore, a novel computationally efficient functional link neural network cascaded with Chebyshev orthogonal polynomial is proposed to combat nonlinear ISI. The equalizer has a simple structure in which the nonlinearity is introduced by functional expansion of the input pattern by trigonometric polynomial and Chebyshev orthogonal polynomial. Due to the input pattern and nonlinear approximation enhancement, the proposed structure can approximate arbitrarily nonlinear decision boundaries. It has been utilized for nonlinear channel equalization. The performance of the proposed adaptive nonlinear equalizer is compared with functional link neural network (FLNN) equalizer, multilayer perceptron (MLP) network and radial basis function (RBF) along with conventional normalized least-mean-square algorithms (NLMS) for different linear and nonlinear channel models. The comparison of convergence rate, bit error rate (BER) and steady state error performance, and computational complexity involved for neural network equalizers is provided.     

基于径向基函数神经网络的模拟/混合电路故障诊断

径向基函数神经网络是一种前馈型神经网络,具有较强的函数逼近能力和分类能力,学习速度快等优点.本文采用幅值恒定的正弦信号源进行模拟电路的故障仿真,从频域提取输出信号波形的特征值建立故障字典,应用径向基函数神经网络的这些优点进行响应分析和故障诊断,能够实现快速故障诊断及定位,具有准确率高的特点.     

云过程神经网络模型及算法研究

该文针对输入输出具有不确定性特征并与时间或过程有关的复杂非线性系统建模和求解问题,利用过程神经网络对时变信号的动态处理能力,结合云模型对定性定量概念的转化能力,构建了一种具有不确定性信息处理能力的云过程神经网络模型,并采用猫群优化算法同时对网络结构和参数进行并行优化设计,提高了网络逼近及泛化能力,实现了神经网络在时间域和不确定信息处理领域上的有效扩展。仿真实验结果验证了模型和算法的可行性和有效性。     

小波神经网络预测在住宅市场中应用

利用小波神经网络在非线性建模中的收敛迅速等优越性,提出了利用小波神经网络预测住宅市场需求的方法.通过实例分析说明,他比传统的BP神经网络的收敛速度快、预测精度高,具有较强的函数学习能力和推广能力及广阔的应用前景.