一种基于BP神经网络的数字识别新方法

针对标准BP神经网络收敛速度慢、易陷入局部极小点的缺点,提出了一种新的BP神经网络改进算法。该算法通过变步长法和牛顿法来改进BP算法,加快了网络的收敛速度,且收敛速度快于其他的改进算法。在此基础上将BP神经网络应用于数字识别中,为其网络建立识别模型。利用仿真实验观察BP网络的泛化能力以及识别准确性,比较BP算法及其改进方案,提出改进方案中分别需要注意的地方。     

基于回归神经网络自适应快速BP算法

动态递归网络Elman网络结构简单，运算量少，适合于实时系统辨识。以Elman网络结构推导了在线学习算法。针对于传统BP算法会产生局部收敛和收敛速度慢等缺点，提出了一种改进的自适应BP算法，运用到回归神经网络，提高了在线学习的速度与收敛速度，仿真实验表明了此算法的有效性和快速性。     

BP网络改进算法及其在故障诊断中的应用

针对基本BP算法在接近最优点时收敛速度变慢的缺点，提出一种BP网络的快速训练算法。将网络训练过程分为两个阶段，首先采用BP算法使其接近最优点，再改用共轭梯度法以加快收敛速度。仿真结果表明该算法是一种快速的方法。并将其应用于故障诊断中，结果表明了该方法的可行性。     

一种改进的BP神经网络手写体数字识别方法

本文介绍了利用BP神经网络来识别手写体数字的原理,分析了传统BP算法收敛速度较慢的原因,提出了一种提高网络收敛速度的改进算法。实验数据表明,该改进算法比传统的算法在网络收敛速度上提高了九倍左右。     

提高BP神经网络训练时间的研究

BP网络是广泛应用的神经网络之一,但其收敛速度慢、易陷入局部最小。针对BP神经网络这些问题,本文提出了归一化输出误差的方法,引入了网络输出对权值的影响,有效地提高了网络的训练时间。仿真结果表明此种方法对改善网络的收敛速度效果明显,且对于其它的BP网络改进算法也有较好的改善作用。     

一种结构自组织的改进BP网络

介绍了BP网络的基本结构模型与常见改进算法,在此基础上提出了一种新型的结构自组织BP网络算法。该自组织BP网络算法能够根据当前收敛状态自动调整学习率,使得网络收敛速度与学习率变化保持一致。同时该BP网络算法还能根据神经元在学习过程中的变化情况及其相互关系进行网络结构自适应调整,以保证网络结构逐渐趋于合理性。     

一种自适应遗传BP神经网络模型研究及应用

如何更有效地提高神经网络的收敛速度和收敛质量。基于遗传算法的全局搜索和BP神经网络局部精确搜索的特性，提出一种自适应遗传BP神经网络模型，该模型的主要算法是先采用一种自适应遗传算法优化BP网络初始权重。而后再进行BP网络的训练过程。最后并研究如何利用该模型进行三级跳远成绩预测。实验结果表明该方法优于传统BP算法。有利于提高网络的收敛性以及学习能力，可在一定程度上提高三级跳远成绩预测的准确率，具有一定的实用价值。     

一种免疫克隆选择算法在BP网络学习中的应用

在分析BP网络学习存在的问题后，采用了一种免疫克隆选择算法对BP网络的权值进行优化学习，并提出了一种新的变异方法，该变异方法可以根据亲和力的大小自适应调整抗体变异的幅度，与传统的高斯变异相比，不但简化了抗体的编码，还很好地体现了克隆选择算法抗体变异的特点，提高了算法的搜索能力和收敛性能。仿真实验表明，基于这种变异方法的免疫克隆选择算法可以很好地提高BP网络的学习速度，有效地避免算法过早收敛的问题。     

基于结构简化的BP网络的多类形状识别

BP算法是目前应用极为广泛的神经网络算法，但它也存在一些不足。文中提出了一种使BP网络结构简化的改进的BP算法，它使得网络的速度得到了提高，减少了迭代次数。最后将传统的BP算法和改进的BP算法进行了比较，仿真结果表明改进的算法在学习次数和收敛速度上比传统的算法有很大的改善。     

基于小波网络的传感器故障检测

针对常规BP网络存在的问题，在小波网络的基础之上将其结构进行改进提出复合小波网络，代替BP网络用于传感器的故障检测，为避免由于传感器输入信号突变引起的传感器输出与观测器预测值产生较大偏差而导致的误诊断，提出将检测方法加以改进。仿真实验表明，复合小波网络较BP网络和未改进的小波网络收敛速度快、预测精度高，更适用于故障检测；采用了复合小波网络的改进的检测疗法既提高了检测的快速性，义提高了可靠性。     

基于自适应并联结构神经网络的交通流量预测

由于现有优化算法在全局优化方面的局限性,导致神经网络需要多次训练才能获得满意的结果。为了解决神经网络训练中的一致性问题,文章提出了一种自适应并联结构神经网络（Adaptive Parallel Structure Neural Network, APSNN）。APSNN由多个神经网络单元并联组成,在训练过程中,采用常规优化算法对各神经网络单元进行训练。神经网络单元的训练样本由上一级神经网络单元的训练残差构成,通过训练残差在各神经网络单元中的单向传递,实现训练残差的逐级减少。神经网络根据训练残差,决定是否进行神经网络单元级联和结构扩张,从而保证训练结果的一致性。文章对5种非线性函数进行了神经网络逼近测试。与BP神经网络相比较,APSNN在50次不同初始条件下,训练精度十分稳定,具有很好的一致性。为了实现对交通流量预测,文章将APSNN与BP神经网络和小波神经网络进行了对比研究,结果表明：APSNN的预测总体标准差均小于BP神经网络和小波神经网络,交通流量的预测偏差较BP神经网络和小波神经网络分别降低2.7%和9.7%。     

基于BP神经网络的PID控制方法的研究

本文提出了一种基于BP神经网络的PID控制方法,充分利用BP神经网络算法逼近任意连续有界非线性函数的能力,这种PID控制方法能学习和适应严重不确定系统的动态特性。文中采用三层前向网络,动态BP算法,达到了在线实时控制的目的,显示了BP神经网络的PID控制方法很强的鲁棒性,同时也显示了神经网络在解决高度非线性和严重不确定系统方面的潜能。计算机仿真结果表明,基于BP神经网络的PID控制较常规的PID控制具有更好的鲁棒性和自适应性,能取得良好的控制效果。     

基于蚁群优化算法的瓦斯预测模型研究

针对瓦斯煤尘爆炸和煤与瓦斯突出给煤炭矿山企业带来的危害极大的问题,将蚁群优化算法和BP神经网络技术结合应用到瓦斯涌出量预测,建立比较准确的预测模型。重点研究了BP网络模型的选择与优化训练,通过蚁群算法优化解决了BP神经网络易陷入局部收敛的问题。仿真与实际数据验证表明：改进的神经网络算法对瓦斯涌出量预测能达到良好的效果。     

基于神经网络的优化算法在异常入侵检测中的应用

本文描述了一种采用人工神经网络技术的高效异常入侵检测模型,对网络流量处理、神经网络的训练及其算法、神经网络的检测及其算法进行了详细的论述,利用Levenberg-Marquardt算法对传统BP算法进行改进,改进的BP算法较传统BP算法具有收敛速度快、正确检测率高的优点。     

用自调整S函数提高神经网络BP算法

学习算法是BP前馈神经网络研究中的核心问题。文中阐述了几种重要的BP算法的改进算法，提出了一种新的学习算法，即自动调整S型函数形状的算法，从理论上证明了此方法在一定前提条件下的可行性，给出了进行S型函数形状自动调整的公式。仿真实验证明了新学习算法用于非线性系统建模时的有效性。     

改进的BP模型在噪声预测中的应用

交通噪声作为主要的城市噪声污染,分析预测交通噪声对管理规划城市交通和减少噪声污染具有重要意义。通过分析道路交通噪声的各项影响因子,并针对BP算法的不足,提出一种基于遗传算法与神经网络相结合的道路噪声预测模型。用武汉市道路噪声实测数据进行实验,验证了该模型的高精度和实用性。     

基于集成BP神经网络的短期负荷预测

利用混沌相空间重构理论对负荷时间序列研究,用改进的C_C方法求得时间延迟τ和嵌入维数m,得到系统最大李雅普诺夫指数,证明其具有混沌特性.对样本数据相空间重构,构建多个BP神经网络的预测子模型,所有子模型同步预测的加权平均作为集成负荷预测值.在线采集负荷数据,利用增量式训练获取新的预测子模型,按“先入先出”顺序进行BP神经网络集成更新.将预测结果同普通BP神经网络预测结果进行对比,结果证明这种方法提高了预测精度.     

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。     

基于交变粒子群BP网络的电力系统短期负荷预测

短期负荷预测是电力系统正常运行的关键环节,合理的发电计划依靠准确的负荷预测,因此提出交变粒子群算法来优化BP网络模型以预测电力短期负荷。针对 依靠先前的经验 来确定BP神经网络的权值缺少理论依据的问题,采用交变粒子算法优化BP神经网络权值,以减少通过神经网络预测模型求解电力短期负荷预测带来的误差。实验证明,经过优化的BP神经网络预测模型比传统的BP神经网络预测模型的误差更小,更加接近实际电力负荷。     

基于改进BP神经网络的预测模型及其应用

对BP神经网络的结构及其训练算法进行了研究,并针对传统BP算法的缺陷,提出了一种采用L—M算法的改进BP神经网络。在此基础上建立了基于改进BP神经网络的非线性系统预测模型,并通过具体的仿真及实践结果验证了改进BP神经网络的有效性。