共查询到18条相似文献,搜索用时 62 毫秒
1.
神经网络动量—自适应学习率BP算法与BP算法的性能比较及其应用 总被引:5,自引:1,他引:4
动量-自适应学习率BP算法是对标准BP算法的改进,本文对这两种算法进行了分析,并利用计算机程序对其性能进行了比较测试,利用VISUAL C++和MATLAB开发了仿真测试程序。 相似文献
2.
3.
4.
5.
6.
7.
前言 尽管人工神经网络BP算法仍然存在着某些问题,但它还是一个非常有效的算法,得到了广泛的应用。本文介绍一个通用的BP算法程序。 1.BP算法 对于全连接的BP网络,假设网络共有N层,其中,输入节点为n个,输出节点为m个,网络有N—2个隐层,第i层的神经元数为N_i,则有N_1=n,NN=m;规定第i层第q个神经元的输出为y(i,q),阈值为θ(i,q),其中第1层的输出为输入的样本;从第i层的第s个神经元到第i+1层第q个神经元的连接权为W(i,s,q)。各层神经元的输出满足: 相似文献
8.
9.
BP算法的改进及用模拟电路实现的神经网络分类器 总被引:1,自引:0,他引:1
基于用模拟电路实现神经网络分类器的目的,对多层静态前馈神经网络的BP算法做了改进,采用线性限幅函数代替Sigmoid函数作为神经元的激活函数,给出了改进的BP算法。对该算法性能的实验研究表明:这种改进算法不但方便了用线性模拟集成运算放大电路实现神经网络,而且具有学习速度快,映射能力强等优点。根据本文算法设计的神经网络分类器,无论是计算机仿真,还是模拟电路实现,都得到了比较高的识别率。 相似文献
10.
多层神经网络BP算法的研究 总被引:7,自引:0,他引:7
影响多层神经网络BP算法学习效率的因素不少。但BP算法中误差函数不能有效地表征样本学习精度是其中主要的因素之一。本文对BP算法中的误差函数进行了修正。计算机模拟结果表明这种修正有助于提高学习精度和学习效率。 相似文献
11.
一类反馈过程神经元网络模型及其学校算法 总被引:9,自引:0,他引:9
提出了一种基于权函数基展开的反馈过程神经元网络模型.该模型为三层结构,由输入层、过程神经元隐层和过程神经元输出层组成.输入层完成系统时变过程信号的输入及隐层过程神经元输出信号向系统的反馈;过程神经元隐层用于完成输入信号的空间加权聚合和激励运算,同时将输出信号传输到输出层并加权反馈到输入层;输出层完成隐层输出信号的空间加权聚集和对时间的聚合运算以及系统输出.文中给出了学习算法,并以旋转机械故障自动诊断问题为例验证了模型和算法的有效性. 相似文献
12.
多聚合过程神经元网络及其学习算法研究 总被引:2,自引:0,他引:2
针对系统输入为多元过程函数以及多维过程信号的信息处理问题,提出了多聚合过程神经元和多聚合过程神经元网络模型.多聚合过程神经元的输入和连接权均可以是多元过程函数,其聚合运算包括对多个输入函数的空间加权聚集和对多维过程效应的累积,可同时反映多个多元过程输入信号在多维空间上的共同作用影响以及过程效应的累积结果.多聚合过程神经元网络是由多聚合过程神经元和其它类型的神经元按照一定的结构关系组成的网络模型,按照输出是否为多元过程函数建立了前馈多聚合过程神经元网络的一般模型和输入输出均为过程函数的多聚合过程神经元网络模型,具有对多元过程信号输入输出关系的直接映射和建模能力.文中给出了一种基于多元函数基展开的梯度下降与数值计算相结合的学习算法,仿真实验结果表明了模型和算法对多元过程信号分类和多维动态过程模拟问题的适应性. 相似文献
13.
多层前馈神经网络改进算法及其应用 总被引:9,自引:0,他引:9
从前馈神经网络原理分析出发,提出一种速率适应因子方法用于对多层前馈神经网络中BP算法的改进,并将改进的算法用于XOR问题的学习及多重XOR分类器问题的学习。仿真结果表明,改进后BP的算法可显著加速网络的学习速度,并且学习过程具有良好的收敛性及较强的鲁棒性。 相似文献
14.
15.
16.
光伏电池作为光伏发电系统的重要组成部分,研究其模型的准确性并对其最大功率点进行预测与跟踪,对于光伏发电效率的提高具有重大意义;首先根据光伏电池的内部结构和伏安特性建立其数学模型,并对所建立的模型进行参数辨识,进而得到模型输出与测量信息偏差最小的参数值,验证模型的准确和有效性;根据模型所反映的规律,将温度和光照强度作为输入变量,最大功率点对应的电压作为输出变量,构建了用于MPPT的神经网络模型;神经网络经训练后对最大功率点电压进行预测与跟踪,结果表明构建的神经网络具有良好的适应性。 相似文献
17.
通过若干典型的非线性元件,介绍了求解交流非线性电阻-线性电容电路的算法,即谐波分析法。同时,给出了交流非线性电阻-线性电容串联电路一般过渡过程的求解算法。非线性电阻特性参数的实时可测性问题也一并讨论。 相似文献
18.
Ye. V. Bodyanskii N. Ye. Kulishova O. G. Rudenko 《Cybernetics and Systems Analysis》2002,38(5):790-796
Activation functions of neurons are represented in the form of power series. An algorithm that controls the slope of an activation function is proposed. The results of numerical experiments are given. 相似文献