一种改进的 BP 神经网络算法与应用

针对传统 BP 算法存在的收敛速度过慢、易陷入局部极小、缺乏统一的理论指导网络结构设计的缺点,分析了一般的改进算法在神经网络优化过程中存在的问题,从蚁群算法和 BP 算法融合的角度上,并引入了放大因子,提出一种综合改进的 BP 算法.该算法引入放大因子改善 BP 算法易陷入局部极小的情况,结合蚁群算法用于指导网络结构设计,并极大地改善了收敛速度过慢的问题.最后,将改进的 BP 算法与传统 BP 算法进行应用于煤矿瓦斯预测.通过对实验结果的分析,从时间和正确率上都表明改进的 BP 算法要优于传统的 BP 算法     

一种改进的BP神经网络算法与应用

针对传统BP算法存在的收敛速度过慢、易陷入局部极小、缺乏统一的理论指导网络结构设计的缺点,分析了一般的改进算法在神经网络优化过程中存在的问题,从蚁群算法和BP算法融合的角度上,并引入了放大因子,提出一种综合改进的BP算法。该算法引入放大因子改善BP算法易陷入局部极小的情况,结合蚁群算法用于指导网络结构设计,并极大地改善了收敛速度过慢的问题。最后,将改进的BP算法与传统BP算法进行应用于煤矿瓦斯预测。通过对实验结果的分析,从时间和正确率上都表明改进的BP算法要优于传统的BP算法。     

基于改进Gamma和改进BP算法的人脸识别研究

针对传统BP算法收敛缓慢、训练过程振荡等缺点,提出了一种基于改进Gamma和改进BP神经网络的人脸识别算法。采用改进Gamma矫正方法改善原始图像的光照不均匀,并采用小波变换和NMF算法提取图像主要特征,最后结合一种新的权值调整方法改进BP算法进行图像分类识别。仿真实验表明,与传统算法相比,使用该算法对Yale人脸库、CMU PIE人脸库和自建人脸库的图像进行识别具有更快的收敛速度和更高的识别率。     

基于改进的LM-BP神经网络的车牌字符识别研究

车牌识别是智能交通系统中一个重要的环节,它可以应用到很多领域,如高速公路自动收费、交通监控系统、停车场管理等.提出一种改进的LM-BP神经网络车牌字符识别方法,该方法根据国内现行车牌编制的特点,结合LM算法改进传统BP神经网络,并增加σ参数修正LM-BP算法,避免传统BP神经网络收敛速度缓慢并容易陷入局部极小值的缺点,进行了大量实验,达到了预期的识别效果和收敛速度.     

一种基于改进BP神经网络的PCA人脸识别算法

人脸识别作为模式识别领域的热点研究问题受到了广泛的关注。传统BP算法虽然具有自学习、自适应以及强大的非线性映射能力并且在人脸图像识别准确率上占有很大的优势,但算法具有收敛缓慢、训练过程振荡、易陷入局部极小点等缺点。针对传统BP算法的不足提出一种基于改进BP神经网络的PCA人脸识别算法,该算法采用PCA算法提取图像的主要特征,并结合一种新的权值调整方法改进BP算法进行图像分类识别。仿真实验表明,通过使用该算法对ORL人脸数据库的图像进行识别,其结果比传统算法具有更快的收敛速度和更高的识别率。     

基于改进遗传算法的神经网络非线性模型的辨识

对非线性系统的辨识现在大多采用动态BP算法采训练权值,存在收敛速度慢、易陷入局部极小值、全局搜索能力弱等缺点.为了克服动态BP算法的上述缺点,采用改进的遗传算法对非线性系统进行建模仿真实验,结果表明该方法有效.     

基于改进BP网络算法的故障诊断分析

介绍BP神经网络结构和学习方法,针对误差反向传播神经网络模型学习收敛速度慢、容易陷入局部极小点等缺点,本文对BP网络模型进行了改进。对原始数据采用非线性的归一化函数,提出一种更加有效的学习率改进算法,提高了网络的收敛速度,采用了一种新的权值及阈值初始化方法,以避免训练时误差陷入局部极小解,并对改进BP算法与传统的BP算法进行比较,验证了该算法的优越性。     

一种基于演化算法的BP改进算法

本文在对BP神经网络算法分析的基础上,提出一种基于演化算法的BP改进算法(EBP)。该算法将演化算法运用到BP算法学习率的求解中,从而达到学习率的自适应、自组织的目的。实验结果表明,使用EBP算法进行求解函数逼近、优化和建模等BP神经网络应用问题,都要比传统的BP算法具有更好的精确度和收敛速度,并且能够克服传统BP算法易陷入局部最优解、学习过程出现震荡等缺点。     

一种多轨道动态隧道技术训练BP网络算法

BP算法训练神经网络具有训练易陷入局部极小,收敛速度缓慢的缺点.将动态隧道技术运用到训练BP网络上,可以有效的改进BP网络易陷入局部极小的缺陷,但是传统的动态隧道技术训练BP网络算法在隧道方向具有不稳定性.提出一种多轨道动态隧道技术训练BP网络算法,在原基础上,增加了隧道搜索方向,考察搜索方向之间的相互影响,有效的改进了原算法的搜索效率.还对提出的新算法进行了性能分析,通过两种数据集进行了实验验证,证明其性能优于传统的动态隧道技术训练BP网络算法.     

局部式反传网络的改进BP算法及应用

针对标准BP算法收敛速度慢的缺点,分析了其产生的主要原因,提出了一种改进BP算法。在传统BP算法基础上通过对其激励函数增加陡度因子并在误差反传权值修正时增加协调器,通过对网络灵敏度的分析将全反传式网络变成局部式反传网络,从而达到提高网络学习速率及精度的目的。改进的BP算法应用于导向钻井稳定平台系统的辨识,仿真结果表明该算法收敛速度快,精度高。     

带有偏差单元的递归神经网络在故障诊断方面的应用

针对多层BP网络的不足,在BP网的基础上,给出一种带有偏差单元的递归神经网络模型及其算法,在学习过程中引入经验知识。仿真表明该算法能大大提高学习速度和训练精度。     

带有偏差单元的递归神经网络在故障诊断方面的应用

针对多层BP网络的不足，在BP网的基础上，给出一种带有偏差单元的递归神经网络模型及其算法，在学习过程中引入经验知识。仿真表明该算法能大大提高学习速度和训练精度。     

基于MPSO的BP网络及其在入侵检测中的应用

提出一种基于变异粒子群优化(MPSO)的BP网络学习算法,该算法用PSO算法替代了传统BP算法,且在学习过程中,引入变异操作,克服传统BP算法易陷入局部极小和PSO算法早熟的不足。并把该算法应用于入侵检测中,通过KDD99 CUP数据集分别对基于不同算法的BP神经网络进行了仿真实验比较,结果表明,该算法的收敛速度快,迭代次数较少,而且测试平均准确率高达96.5%。     

基于粒子群优化算法的BP网络学习研究

文章提出了基于粒子群优化的BP网络学习算法。在该算法中,用粒子群优化算法替代了传统BP算法中的梯度下降法,使得改进后的算法具有不易陷入局部极小、泛化性能好等特点。并将该算法应用在了高速公路动态称重系统的设计中,实验证明:这种算法能够明显减少迭代次数、提高收敛精度,其泛化性能也优于传统BP算法。     

模拟电路故障的分布式诊断算法

提出一种模拟电路故障的分布式诊断算法,用以解决大数据量故障样本集所带来的网络规模过大,训练时间过长等问题。该算法采用有监督Hebb学习规则,在训练学习过程中添加类别标识,避免了因数据分割而产生的部分知识的丢失。分别用提出的分布式算法和传统的BP算法对实例电路进行故障诊断,实验结果表明,提出的分布式算法不仅和BP算法的诊断正确率相当,而且有效地提高了训练学习的速度。     

基于网络复杂性的BP算法

BP算法(误差反向传播算法)是前馈神经网络中最常用的算法之一.在对前馈神经网络和传统的BP算法研究的基础上,发现了传统算法中存在的问题.通过引入网络复杂性的量,提出了一种新的改进算法,命名为基于网络复杂性的BP算法.该算法能够删除掉冗余的连接甚至节点,通过对网络学习步长的动态调整,避免了算法收敛速度过慢和反复震荡的问题.最后通过实验说明该算法在一定程度上比传统BP算法有一些优越性.     

基于改进型粒子群优化算法的BP网络在股票预测中的应用

本文提出了基于改进型粒子群优化的BP网络学习算法。在该算法中,首先改进了传统的BP算法,有效地使得网络中输入层、隐含层和输出层结点个数达到一个最优解。然后,用粒子群优化算法替代了传统BP算法中的梯度下降法,使得改进后的算法具有不易陷入局部极小、泛化性能好等特点,并将该算法应用在了股票预测的应用设计中。结果证明明：该算法能够明显减少迭代次数,提高收敛精度,其泛化性能也优于传统BP算法。     

带竞争学习机制的反向传播模型及在遥感图像分类中的实验

遥感图像分类是遥感的基础理论和技术。人工神经网络以其特有的优点和巨大的潜力正在被越来越普遍地用于遥感图像分类的研究和生产，应用和研究最多的是反向传播人工神经网络模型。该模型存在收敛速度慢、新加入样本影响已学过样本及其它一些缺陷，本文针对这些缺点，将竞争学习机制引入反向传播模型，从而加速子模型的收敛速度，去除了新加入样本对已学过样本的影响，减少了计算机实现时的内存开销，并改善了分类结果的精度。应用太文提出的模型对实验区的TM图像进行了分类实验研究，取得了较好效果。     

Forecasting foreign exchange rates with an improved back-propagation learning algorithm with adaptive smoothing momentum terms

The slow convergence of back-propagation neural network (BPNN) has become a challenge in data-mining and knowledge discovery applications due to the drawbacks of the gradient descent (GD) optimization method, which is widely adopted in BPNN learning. To solve this problem, some standard optimization techniques such as conjugate-gradient and Newton method have been proposed to improve the convergence rate of BP learning algorithm. This paper presents a heuristic method that adds an adaptive smoothing momentum term to original BP learning algorithm to speedup the convergence. In this improved BP learning algorithm, adaptive smoothing technique is used to adjust the momentums of weight updating formula automatically in terms of “3 σ limits theory.” Using the adaptive smoothing momentum terms, the improved BP learning algorithm can make the network training and convergence process faster, and the network’s generalization performance stronger than the standard BP learning algorithm can do. In order to verify the effectiveness of the proposed BP learning algorithm, three typical foreign exchange rates, British pound (GBP), Euro (EUR), and Japanese yen (JPY), are chosen as the forecasting targets for illustration purpose. Experimental results from homogeneous algorithm comparisons reveal that the proposed BP learning algorithm outperforms the other comparable BP algorithms in performance and convergence rate. Furthermore, empirical results from heterogeneous model comparisons also show the effectiveness of the proposed BP learning algorithm.