共查询到19条相似文献,搜索用时 125 毫秒
1.
2.
针对现有BP网络在汽车电控汽油机故障诊断中存在的问题,提出将小波函数与神经网络结合构成小波网络,代替BP网络用于故障诊断。并对小波神经网络提出了两个方面的改进。首先是对输出层函数进行了改进,其次是用熵函数代替均方误差函数作为网络的代价函数。仿真结果表明此改进的小波神经网络算法进行汽车电控汽油机的故障是有效的,而且与传统的BP神经网络相比,该改进的小波神经网络具有更强的逼近能力,更快的网络学习收敛速度和能有效避免局部最小值问题。 相似文献
3.
4.
本文针对一种标准形式的未知非线性系统的输出跟踪控制构造了一种基于多层前馈神经网络的的非线性学习控制系统,并利用BP学习算法训练好的神经网络构造了一个自适应输出跟踪控制结构。 相似文献
5.
基于误差反向传播算法的OFDM系统频域均衡 总被引:1,自引:0,他引:1
提出用一种基于神经网络的均衡方法,并用误差反向传播(BP)算法对多层前馈网络进行训练.分析和数值仿真结果表明,基于BP网络的频域均衡方法有较好的均衡效果,并且复杂度不高. 相似文献
6.
7.
8.
9.
10.
11.
BP神经网络学习算法的联合优化 总被引:16,自引:0,他引:16
针对BP网络学习速度的缓慢性,本文提出了一种联合优化后的快速学习算法。其改进具体表现在以下方面:(1)采用Cauchy误差估计器代替传统的LMS误差估计器,(2)对常规的Sigmoid函数引入形态因子;(2)采用非单调线性搜索法实现学习步长的自适应变化。最后,本文以模式分类,函数逼近和数据压缩的典型应用为例分别与标准BP常规改进算法进行比较,验证了该算法的优越性。 相似文献
12.
13.
Aiming at the accuracy and error correction of cloud security situation prediction, a cloud security situation
prediction method based on grey wolf optimization (GWO) and back propagation (BP) neural network is proposed.Firstly, the adaptive disturbance convergence factor is used to improve the GWO algorithm, so as to improve theconvergence speed and accuracy of the algorithm. The Chebyshev chaotic mapping is introduced into the positionupdate formula of GWO algorithm, which is used to select the features of the cloud security situation prediction dataand optimize the parameters of the BP neural network prediction model to minimize the prediction output error.Then, the initial weights and thresholds of BP neural network are modified by the improved GWO algorithm toincrease the learning efficiency and accuracy of BP neural network. Finally, the real data sets of Tencent cloudplatform are predicted. The simulation results show that the proposed method has lower mean square error (MSE)and mean absolute error (MAE) compared with BP neural network, BP neural network based on genetic algorithm(GA-BP), BP neural network based on particle swarm optimization (PSO-BP) and BP neural network based onGWO algorithm (GWO-BP). The proposed method has better stability, robustness and prediction accuracy. 相似文献
14.
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
15.
16.
前向神经网络的一种快速分层线性优化算法 总被引:4,自引:1,他引:3
本文利用数学分析的方法,提出了一种前向神经网络快速分层线性优化算法,其特点是:用新方法构造了各层的目标函数;无须计算Hessian矩阵,加快了算法的收敛速度.仿真实验表明,与传统算法如误差反传法或BP法和含势态因子(Momentum factor)的BP法以及现有的分层优化算法相比,新算法能加快收敛速度,并降低学习误差. 相似文献
17.
在研究现有定位算法的基础上,针对基于接收信号强度指示(RSSI)定位模型中的参数易受环境影响等问题,提出了一种新型的粒子群优化(PSO)算法与后向传播(BP)神经网络相结合的算法.BP网络算法权值的修正依赖于非线性梯度值,易形成局部极值,同时学习次数较多,需先通过粒子群算法进行优化.为了提高定位精度,首先采用速度常量法滤波处理,然后通过改进的混合优化算法对BP神经网络初始权值和阈值进行优化,并分析算法的性能.试验中隐层节点个数采用试错法,从12到19变化,以确定合适数目.实验结果表明,与一般加权算法和传统BP算法相比,改进的混合优化算法可大幅改善测距误差对定位误差的影响,同时可使25 m内最小定位误差小于0.27 m. 相似文献
18.
19.
针对BP神经网络训练时间长、易陷入局部极小点问题,将量子微粒群算法QPSO与BP算法结合起来分两次训练神经网络,建立青霉素浓度预估模型。用青霉素发酵数据集对模型进行训练与检验。基于该模型,用QPSO算法对温度与pH控制轨线进行优化。实验表明,该发酵过程模型训练误差小、学习速度快、泛化能力强、预测精度高、可以实现多步预估。采用优化后的温度、pH控制轨线,青霉素浓度有所提高。 相似文献