增益竞争BP网络泛化能力改善的研究

以 经过训练 获得的 神经网络 模型作 为预 测控 制中 的预 测模 型时 ，神 经网 络模 型的泛 化能力至 关重要 ．为提高 网络的泛 化 能力， 本 文介 绍一 种 Ｇ Ｂ Ｐ（ 带 有增 益 的 Ｂ Ｐ 网 络）方法 ，它在标 准 Ｂ Ｐ 网络 中引入增 益参数， 通过使隐 含层节 点增 益， 根据 其节 点间 的相 似性进行 竞争，从 而获取最 佳的网 络结构．在 提高网 络泛化能 力的同时 ，本方法 还能加 快网络学习速 度．仿真 结果验证 了本算 法对于 Ｂ Ｐ 神 经网络 模型泛化 能力的 改善．     

基于鲁棒误差函数的BP算法

提出一种基于鲁棒误差函数的ＢＰ学习算法,并对这种算法进行了仿真研究。结果表明该算法增强了ＢＰ网络的泛化能力,提高了ＢＰ网络的鲁棒性,加快了ＢＰ网络的收敛速度。     

BP网络泛化能力改进方法在染色配色中的应用研究

针对BP神经网络在织物染色配色中的局限性,提出了对BP神经网络应用到织物染色配色中的泛化能力改进方法。实验及仿真结果表明,基于泛化能力改进的BP神经网络在平均均方差上优于标准的BP神经网络,并且误差函数改进的BP神经网络要优于网络训练提前结束法改进的BP网络,与一般的BP神经网络模型相比,计算精度有了较大的提高。     

基于ＳＳＡ－ＢＰ神经网络的光伏短期功率预测

光伏发电的波动性和随机性导致光伏功率预测精度难以达到理想状态,而提高光伏发电功率的预测精度是抑制光伏并网不利影响的有效途径。为了提高ＢＰ神经网络的预测精度,运用麻雀算法对 ＢＰ神经网络的权阈值进行寻优,提出了一种基于麻雀算法（ＳＳＡ）－ＢＰ神经网络的光伏短期功率预测 方法。首先,在 Ｍａｔｌａｂ中建立ＳＳＡ优化ＢＰ神经网络模型;然后,以某光伏电站的气象数据为输入,在 晴天、阴天和突变天气３种工况下对光伏电站的功率进行预测;最后,将ＳＳＡ 优化ＢＰ神经网络模型 预测结果分别与ＢＰ神经网络预测结果、ＰＳＯ优化ＢＰ神经网络预测结果和光伏电站的实际出力数据进 行对比。结果表明：麻雀算法能够提高ＢＰ神经网络模型的预测精度,实现对光伏短期功率的有效预测。     

改进关系网络的小样本图像分类方法

为提升小样本学习方法的泛化能力,在关系网络的基础上提出一种新的小样本图像分类方法。该方法在原关系网络的结构上进行改进,通过引入inception块增强网络的特征表达能力,同时改进原关系网络中用于相关性计算的激活函数和损失函数,从而实现更好的信息流动,有利于模型的训练,并且使模型具有更好的泛化能力,有效提高小样本图像分类的准确度。在Omniglot、MiniImagenet以及TieredImageNet三个常用小样本学习数据集上进行实验,结果表明：改进的网络比原关系网络模型的分类准确率高,可以有效增强模型的泛化能力。     

基于神经网络的机械故障程度的诊断方法研究

通过对两种神经网络模型的研究，提出了基于神经网络的机械故障程度的诊断方法，该方法比常规的模式识别方法有更高的模式识别能力，另外，本文提出了一种结合ＢＰ算法的改进ｄｅｌｔａ规则，使单层网络的学习训练时间大为缩短。     

神经网络集成在结构损伤识别中的应用

将神经网络集成引入到结构损伤识别领域中,并利用灰色聚类技术对获得的全部个体神经网络模型进行聚类,将得到的差异较大的部分神经网络进行集成,以提高神经网络间的差异性和增强网络的泛化能力。损伤识别实验结果表明,基于灰色聚类的神经网络集成方法不仅可行,而且其损伤识别效果优于传统的神经网络模型。     

人工神经网络在手感评定中的应用

针对现有的手感评定方法在识别准确性，容错性和适应性方面存在的问题，提出了用４个检测模型产生手感信号，并用ＢＰ神经网络处理信号的具体方法和步骤，实验证明，ＢＰ神经网络具有较好的自适应模式识别能力和容错性。     

基于神经网络的表面粗糙度识别算法

提出一种新的表面粗糙度识别算法,该算法利用从标准样块上通过采样得到的散射光强度分布数据,把表征光强分布的数据和样块的标称值分别作为神经网络的输入和输出,采用改进的ＢＰ算法对神经网络进行训练。训练后,把某一工件的散射光强度分布数据输入给神经网络,则网络的输出就是该样块的表面粗糙度数值。该算法充分利用了神经网络的泛化能力和学习能力,可正确识别Ｒａ在０．８μｍ以下的被测表面,并可避免误识别     

人工神经网络BP算法的改进及其应用

对传统的ＢＰ算法进行了改进,提出了ＢＰ神经网络动态全参数自调整学习算法,又将其编制成计算机程序,使得隐层节点和学习速率的选取全部动态实现,减少了人为因素的干预,改善了学习速率和网络的适应能力。计算结果表明：ＢＰ神经网络动态全参数自调整算法较传统的方法优越,训练后的网络模型不仅能准确地拟合训练值,而且能较精确地预测未来趋势。     

基于 BP 网络的旋转机械故障诊断

分析了旋转机械振动故障的特性,在此基础上对基于ＢＰ算法的诊断方法进行了研究,建立了振动故障诊断的神经网络模型,对影响诊断网络的参数进行了详细分析,获得了用于振动故障诊断的最佳网络模型。针对ＢＰ网络收敛速度慢的缺点,提出了改进算法。该诊断模型在模拟转子实验台上进行了实验验证取得了良好的效果。     

基于 ANN 的 FMS 故障诊断模型及其学习算法

讨论了基于前馈型神经网络的ＦＭＳ故障诊断模型，并提出一种用于前馈型神经网络训练的改进ＢＰ算法和基于遗传算法的网络初始点获取策略，给出一种通用前馈型神经网络结构和学习参数自整定学习算法，最后应用上述方法建立了基于前馈型神经网络的ＦＭＳ机器人故障诊断模型，并用所提出的新的学习算法对网络进行了学习，与传统ＢＰ算法比较，学习速度较快，且不易陷入局部极小点     

基于混合多神经网络的软测量建模研究

对多神经网络的建模方法进行探讨,并将线性模型结合在多神经网络中,对多神经网络进行改进,仿真结果表明其泛化能力得到了提高.     

基于领域知识的神经网络泛化性能研究进展

从样本复杂性、结构复杂性、学习策略和建模技术4个方面对基于领域知识的神经网络泛化性能研究进展进行了评述,指出了目前基于领域知识神经网络泛化性能研究存在的主要问题是只是利用研究对象的单调性、凸性、对称性和增益等一些简单非线性特征来虚拟训练样本、形成非监督学习算法约束条件、构造节点作用函数等方面.利用关于研究复杂对象部分已知的物理机制或动力学特性来建立有一定物理基础的神经网络模型,从而有效控制网络训练存在的过学习问题是今后神经网络泛化理论与方法研究的主要发展趋势.     

基于模糊逻辑推理的BP神经网络及其应用

阐述了ＢＰ神经网络的原理及学习算法,在结合模糊逻辑推理的基础上提出了一种具有分层结构,能够进行规则自提取、自修正、自学习的复合模糊ＢＰ神经网络模型。这种模糊神经网络不仅可以充分利用原有的专家的经验和知识,而且能够从实际数据中通过不断学习获取新的知识和推理规则。同时,在相应的网络权值训练中引入了遗传算法和模糊逻辑控制器的优化求解思想。还进一步探讨了将这种网络模型用于汇率分析系统的形式和方法。     

大气污染预测中提高BP网络泛化能力的方法

为了通过预测大气环境的质量和发展变化,来寻求有效地控制和改善环境质量的相应措施,选用英国伦敦马里波恩监测站PM_(2.5)的小时平均浓度监测资料,采用贝叶斯归一化训练算法和提前终止法泛化改进的BP神经网络模型,预报PM_(2.5)的24 h内的各小时浓度.结果表明,采用本方法进行空气污染预报,预测相对误差为20%～49%,提高了预报网络的泛化能力.     

基于RBF神经网络的金属应力状态系数模型

以4200 mm轧机轧制71块钢板的实测数据为基础,利用Matlab人工神经网络工具箱,建立了轧制变形区的应力状态系数的RBF神经网络预测模型.通过分析应力状态系数的影响因素,结合传统的数学模型,确立了网络的输入层参数,并对函数newrb()中宽度系数spread的试验调整,确定了最佳的网络结构形式,提高了模型的预测精度以及网络的泛化能力.测试结果表明,RBF网络模型具有很好的推广能力.与传统的BP神经网络模型相比较,结果表明,RBF网络具有更高的精度和更好的泛化能力.     

基于径向基函数的混合神经网络模型研究

随着系统复杂程度的增加，构造一个径向基函数神经网络（RBFNN）所需样本及训练时间都急剧增加，得到的复杂网络往往不能完全揭示问题的层次和结构。采用“分而治之”的思想，提出了一种基于RBF的混合网络模型，通过最短距离均匀聚类方法划分样本空间，构造合适的子样本集和子网络模型对网络进行训练，与采用正交最小二乘法的单独RBF网络在结构、训练时间、泛化能力上做了对比。结果表明其时间复杂度有显著降低，网络的泛化能力与精度比全局RBFNN有明显提高。整个网络模型具有良好的扩展性和应用前景，适合于大样本神经网络的建模和训练问题。     

改进的小脑模型神经网络及其在时间序列预测中的应用

针对小脑模型神经网络(cerebellar model neural network,CMNN)中泛化能力与存储空间容量之间的冲突这一关键问题,提出了一种改进的小脑模型神经网络——模糊隶属度小脑模型神经网络(fuzzy membership cerebellar model neural network,FM-CMNN),用于解决非线性动态系统的时间序列预测问题.首先,FM-CMNN在保留原始CMNN输入变量的地址映射方式的情况下,在CMNN存储空间中引入铃型模糊隶属度函数,从而保证在不需增加量化级数的情况下提高网络的泛化能力.然后,使用梯度下降算法对网络权值进行更新,提高网络的逼近强度.最后,通过非线性时间序列预测基准实验和污水处理中水质参数预测实验,验证了FM-CMNN性能的可靠性.     

BP神经网络训练的函数变步长搜索调整法

通过深入分析了ＢＰ神经网络的步长调整，采用函数变步长搜索法来提高网络的学习速度，提出一种新的改进的ＢＰ算法，该算法在速度和收敛性方面比传统ＢＰ算法优越。