神经网络在变压器超高频局部放电模式识别中的应用

结合自适应遗传算法 (AGA)和BP算法各自的优点 ,构造了AGA BP混合算法作为神经网络的学习算法 .实验结果表明 ,AGA BP神经网络既解决了BP神经网络对初始权值敏感和容易局部收敛的问题 ,又提高了AGA神经网络的收敛速度、稳定性和求解质量 ,具有较高的识别率和较强的推广能力     

自适应遗传优化BP网络的研究与应用

针对遗传算法易出现种群多样性被破坏、早熟收敛的问题,在Srinivas的自适应遗传算法(AGA)的基础上,引入种群多样性的度量参数,提出一种改进的自适应遗传算法(MAGA),利用种群多样性和适应度的变化趋势调整交叉和变异概率,继而提出基于MAGA优化BP(back-propagation)神经网络的流量分类方法(MAGA+BP),兼顾了MAGA和BP算法分别在搜索全局和局部最优解方面的优势. 在剑桥大学共享的网络流量数据上进行了仿真实验,结果表明,MAGA较好地维持了种群的多样性,克服了AGA早熟收敛的问题,搜索到最优解的适应度提高了10.17%, MAGA+BP方法对流量数据具有较好的分类效果.     

混沌遗传算法优化管网状态神经网络模型

针对BP算法易陷入局部最优，提出将一种新的混沌遗传算法（CGA）用于全局优化给水管网状态神经网络模型的初始权阈值.该算法将混沌搜索与自适应遗传算法相结合，根据混沌运动的初值敏感性、内在随机性以及遍历性的特点，通过混沌映射搜索自适应遗传算法的较优初始种群，并利用自适应遗传算法进一步寻优，对混沌映射和遗传进化进行循环计算直至达到最大进化代数，最终获得BP模型的较优权阈值.实例分析结果表明，与自适应遗传算法（AGA）相比，该算法搜索稳健，全局搜索能力强，并且新算法优化模型具有更高的预测性能.     

BP神经网络改进算法的应用

目的 通过MATLAB实现BP神经网络的改进算法。方法 采用了动量法和学习率自适应调整的策略。结果 运用MATLAB对BP神经网络进行初始化和训练。结论 实践证明，改进了BP神经网络算法，提高了学习速度，增加了算法的可行性，利用MATLAB软件提供了工具箱编制BP网络解决非线性问题是一种便捷、有效、省事的途径。     

基于AGA优化BP网络的小信息量蜂窝网定位算法

为了实现蜂窝网中小信息量情况下对移动用户的定位,在只有驻留基站和一台定位设备可用的条件下,建立了TOA／TOA定位模型,提出了一种基于BP神经网络的定位算法,并用自适应遗传算法（AGA）优化BP网络的权值。仿真结果表明,在小信息量条件下,优化后的算法在复杂的多径环境下有效地提高了定位精度,能够很好地解决模型中固有的模糊点问题,达到了FCC的定位要求。     

基于AGA优化BP网络的小信息量蜂窝网定位算法

为了实现蜂窝网中小信息量情况下对移动用户的定位,在只有驻留基站和一台定位设备可用的条件下,建立了TOA/TOA定位模型,提出了一种基于BP神经网络的定位算法,并 用自适应遗传算法AGA优化BP网络的权值。仿真结果表明,在小信息量条件下,优化后的算法在复杂的多径环境下有效地提高了定位精度,能够很好地解决模型中固有的模糊点问题,达到了FCC的定位要求。     

基于GA的BP神经网络模型的研究及应用

分析了BP神经网络的缺陷和遗传算法的特点，提出了基于遗传算法的BP神经网络模型算法，该算法利用遗传算法全局寻优能力强等特点，可克服神经网络易陷入局部极小值、训练速度慢的缺陷。仿真结果表明：遗传算法和神经网络相结合的算法具有较好的全局快速收敛等性能。     

基于粒子群优化算法的BP神经网络在图像识别中的应用

介绍了一种采用微粒群算法与BP算法相结合的方法用于BP神经网络模型优化，来提高模型的收敛速度和精度。仿真结果表明，与BP算法相比较，PSO—BP学习算法训练的神经网络不仅训练时间明显缩短，而且其预报精度也得到了较大的提高。     

基于萤火虫算法优化BP神经网络的目标威胁估计

在萤火虫优化算法和BP神经网络的基础上,建立了萤火虫算法优化BP神经网络的目标威胁估计模型,并提出了基于该模型的算法。该模型和算法采用萤火虫算法优化BP神经网络的初始权值和阈值,优化后的BP神经网络能对测试集进行更好的预测。实验结果表明,萤火虫算法优化BP神经网络的预测误差明显小于BP和PSO_SVM。该模型和算法具有很好的预测能力,可以快速、准确地完成目标威胁估计。     

BP神经网络算法的改进及在Matlab中的实现

分析了BP神经网络算法收敛速度慢的原因，研究了一种提高其收敛速度的方法，即将动量法和批处理方法结合起来对BP算法进行改进，提高学习速度，并给出了算法思想，用Matlab神经网络工具箱对神经网络进行了初始化和训练，仿真测试结果证明该方法是可行，具有实用性。     

BP算法的改进及其在焊接过程控制中的应用

BP算法存在着收敛速度较慢、易于陷入局部极小点的问题，为了解决该问题，对BP算法作了大量仿真试验和深入分析后，发现神经网络各层间权值调节量存在较大的差异，从而提出了一种新的改进方法，充分发挥神经网络各权值对网络训练的贡献，试验结果表明，新算法与基本的BP算法相比大大提高了网络收敛速度，用改进的算法和焊接过程进行了控制仿真，获得了较好的结果。     

遗传算法和BP算法相结合进行图像匹配

将神经网络理论应用于图像匹配 ,提出采用遗传学习算法进行全局寻优、利用BP算法进行精确训练、优化BP(backpropagation)神经网络权重学习和训练的神经网络图像匹配算法 .实验表明该算法的收敛性能及学习速度优于传统的BP神经网络图像匹配算法及其他同类改进算法 ,具有寻优的全局性和精确性 .     

人工神经网络应用于时间序列预测的探讨

介绍了时间序列方法和适用场合,突出了基于神经网络的时间序列信息预测方法的重要性,进一步研究了BP神经网络技术,包括BP网络模型结构、BP网络学习过程、BP算法,并概括了BP算法存在的不足和改进方向。     

基于人工神经网络的SS400钢板力学性能预测

寻求微观组织与性能的定量关系一直是研究开发离线与在线预测系统的关键问题，针对热轧带钢SS400性能预测系统，提出了基于Matlab神经网络工具箱的神经网络解决方案．该模型采用前向神经网络，在利用BP算法的基础上，为了克服常规BP学习算法的缺陷，Matlab神经网络工具箱对常规BP算法进行了改进，采用更有效的数值优化方法，如Levenberg—Marquardt优化方法，建立了化学成分和生产的主要工艺参数与产品力学性能之间的关系．结果表明影响板带屈服强度、抗拉强度和延伸率三者的显著因素为钢板厚度和含碳量．     

基于混合混沌优化法的BP神经网络算法

运用混合混沌优化法训练BP神经网络，构造了基于混合混沌优化法的BP神经网络训练算法，实例说明具有较高非线性逼近能力和应用价值。     

一种神经网络模型在混凝土配比设计中的应用

本文描述了人工神经网络的模型和算法，给出了BP神经网络模型和算法的相关变量的处理方法。用这种方法，对混凝土配合比试验数据进行分析预测，效果良好。说明BP神经网络模型可用于混凝土混合比强度预测中。     

基于差分进化的BP神经网络在纱线质量预测中的应用

为了提高BP神经网络在纱线质量预测上的精度,采用差分进化算法训练BP神经网络,利用差分进化算法的全局寻优能力优化BP神经网络的权值和阈值,建立了反映纱线质量的重要指标——单纱强度和条干CV%的神经网络预测模型.对真实数据的测试表明该算法效果良好,提高了BP神经网络算法的预测精度,能够为企业的纱线质量预测提供有效支持.     

BP 神经网络改进算法的应用

目的通过 MATLAB 实现 BP 神经网络的改进算法. 方法采用了动量法和学习率自适应调整的策略. 结果运用 MATLAB 对 BP 神经网络进行初始化和训练. 结论实践证明, 改进了的 BP 神经网络算法, 提高了学习速度, 增加了算法的可行性. 利用 MATLAB 软件提供的工具箱编制 BP 网络解决非线性问题是一种便捷、有效、省事的途径.     

神经网络与压缩映射遗传算法耦合技术研究

多层神经网络的BP算法的学习过程与网络中的连接权值、传输函数类型的选择以及BP所用的梯度优化算法密度相关，网络可能会出现收敛于局部次优或不收敛的现象。将压缩映射遗传算法应用于BP神经网络的数学模型，构建一种新型的压缩映射神经网络，这种神经网络收敛于全局最优解。     

基于改进BP神经网络算法的多指标综合评价方法的应用研究

研究利用误差反向传播人工神经网络(BP网络)的多指标综合评价问题，以建设工程项目招标评标为背景，建立了多指标综合评价的BP模型，引入附加动量法和变步长算法，对BP神经网络算法改造，大大提高了学习训练速度，运用这种神经网络来解决实际问题，并给出了结果．