基于BP神经网络的儿童智能化学习分析算法研究

为更好地激发儿童的学习兴趣，从更广的视角把握儿童学习的方向，提出一种基于反向传播（Back Propagation,BP）神经网络的儿童智能化学习分析算法。首先，根据学习内容、专注程度、时间投入等因素建立原始数据矩阵，并构建基于BP神经网络的儿童智能化学习分析模型；其次，依据提出的模型以及改进的BP神经网络算法，设计基于BP神经网络的儿童智能化学习分析算法；最后，在智能仿真平台上进行实验。实验结果表明，该算法在分析儿童的学习方向上有较高的准确率。     

基于MATLAB的BP-LVQ神经网络组合分类模型

综合考虑神经网络分类误差率以及训练速率，文中从组合分类器结构出发，提出一种树形多层的BP—LVQ神经网络组合分类器模型。该组合分类器利用BP神经网络独立性以及自适应性解决了一般分类器难以不断学习和适应新攻击的问题，利用LVQ神经网络的竞争性将客观分类信息转变成使用者所定义的类别。利用MATLAB姬神经网络工具箱对该BP—LVQ神经网络组合分类模型进行仿真实验，实验结果表明，该组合分类器的分类效率明显高于单一分类器。     

集成型神经网络手写体数字识别

采用Kirsch边缘检测算子对手写体数字进行特征提取，分别得到数字的水平、垂直、左右对角线方向特征以及全局特征，然后利用5个改进的BP神经网络分类器分别对5种特征进行训练和分类，最后利用一个BP神经网络对5个子网络识别结果进行集成识别，取得了较好的实验效果。     

基于小波神经网络的IP网络流量预测

采用小波神经网络对网络流量数据的时间序列进行建模与预测。针对BP神经网络预测准确率不太理想的情况,将小波理论引入BP神经网络,引用小波理论中多分辨分析技术对基于BP神经网络的模型进行改进,建立了基于小波神经网络的IP网络流量预测模型。该模型利用小波多分辨分析分解信号,再用已分解的信号序列来训练BP神经网络。实验结果表明,小波神经网络比BP神经网络对网络流量的预测结果精度更高、性能更好,利用小波神经网络预测网络流量是一种可行、有效的方法。     

二阶微粒群优化神经网络的混沌系统辨识方法

针对BP神经网络在学习算法中的不足,将BP神经网络的权值和阀值训练问题转换为优化问题,提出一种利用二阶微粒群算法优化的神经网络的算法。其次,运用基于二阶微粒群算法训练的神经网络模型对混沌系统进行辨识,并与传统的BP神经网络、RBF网络对同一混沌系统辨识的结果进行比较。实验表明,利用二阶微粒群优化算法训练神经网络进行混沌系统辨识,辨识的效果优于其它几种神经网络模型,可有效用于混沌系统的辨识。     

遗传神经网络在模拟电路故障诊断中的应用

针对传统BP神经网络在模拟电路故障诊断中存在的不足,提出遗传算法和BP神经网络相结合的遗传神经网络模拟电路故障诊断方法;充分利用遗传算法全局、并行寻优的能力对BP神经网络的学习过程进行优化,防止神经网络训练时出现收敛速度慢和陷入局部极小等缺陷;在MATLAB平台上编程实现模拟电路故障诊断的仿真实验;仿真结果表明,相对于传统的BP神经网络算法,遗传神经网络算法不仅提高了网络训练收敛速度,而且提高了模拟电路故障诊断平均正确率,为模拟电路智能化诊断提供一种新的思路。     

增强现实系统中磁力跟踪器的校正

提出了利用BP神经网络对跟踪器进行校正。针对神经网络训练速度慢、容易陷入局部极值的情况，首先利用具有良好全局搜索能力的遗传算法来优化BP神经网络的各层初始权值和阈值，为后续神经网络的搜索定位出一个优化的搜索空间。实验结果表明，利用该遗传神经网络方法进行跟踪器校正，能够显著提高增强现实系统的精度，有助于提高增强现实系统的真实感。     

基于PSO-BP神经网络的湿度传感器温度补偿

针对自动气象站采用的HMP45D型温湿一体化传感器在实际应用过程中易受温度影响的问题,提出了基于粒子群优化算法(PSO)的BP神经网络温度补偿模型,利用粒子群优化算法对BP神经网络的初始权值阈值进行全局寻优,将粒子群优化算法优化好的权值阈值赋给BP神经网络,对BP神经网络进行训练。根据不同温度条件下测得的多组湿度传感器数据,通过建立模型,实现温度补偿,与传统BP神经网络补偿结果进行比较。实验表明,与传统BP神经网络模型相比,利用PSO-BP神经网络模型进行温度补偿后所得的误差绝对值之和降低了10.3887%RH,PSO-BP神经网络可以克服传统BP神经网络易陷入局部极值的局限,补偿精度更高,能更加有效地补偿温度对湿度传感器的影响。     

改进的BP神经网络在故障诊断中的应用

智能化故障诊断技术的关键是基于数据预处理方法的故障模式识别理论.结合计算机综合业务的一些实际问题,探讨了利用改进的BP神经网络进行故障诊断的方法和应该注意的问题,在分析神经网络的基础上提出了基于改进的BP模型神经网络的故障诊断推理方法,给出了后台服务中常见的故障征兆原因、故障诊断神经网络模型、神经网络参数和学习样本.结果表明,基于改进的BP神经网络的故障诊断方法是行之有效的.     

基于ASP模式的医院财务管理决策系统设计

为了提高医院财务管理决策系统的运行效率、降低使用成本，提出了基于ASP模式的医院财务管理决策系统设计。运用业务逻辑层和数据存取层结构设计医院财务管理决策系统架构，结合医院财务管理决策编码器的工作原理设计了医院财务管理决策编码器；并通过引入最小二乘函数建立财务管理决策关系模型，对医院财务管理决策数据进行交叉验证，根据回归估计精度的计算，结合公立医院财务管理决策流程，实现了公立医院财务的管理决策。实验结果表明，基于ASP模式的医院财务管理决策系统在运行效率和使用成本上，可以有效提高系统的总体性能。     

BP神经网络在入侵检测系统中的应用研究

文章针对传统的入侵检测系统误报率和漏报率较高、检测效率和智能化程度不足的缺点,提出了基于BP神经网络的入侵检测系统,详细介绍了BP神经网络的工作原理,分析了基于BP神经网络的入侵检测系统的设计和实现,通过仿真实验表明这种神经网络和遗传算法可以有效地应用到入侵检测系统中。     

基于BP_Adaboost的文本分类研究

本文针对单个BP神经网络在文本分类中准确率较低的问题,通过级联多个BP神经网络,利用Adaboost算法调整各个BP弱分类器的权值,从而获得了一个稳定、高效的BP_Adaboost强分类器。实验结果现实：BP_Adaboost文本分类准确率比BP神经网络提高了9.09%。     

一种基于神经网络和贝叶斯决策的人脸检测方法*

提出了一种利用BP神经网络仿真、利用贝叶斯决策修正仿真结果的人脸检测方法.讨论了单纯使用BP神经网络作人脸的检测判定的不足,并在此基础上提出利用贝叶斯决策对神经网络的仿真结果进行第二次判定的方法.共使用MITEx人脸库的4 000个人脸与非人脸图像进行实验分析,正确率平均提升了3.63%,表明了神经网络的良好判定性能和使用贝叶斯决策进行修正的有效性和必要性.     

基于遗传算法和BP神经网络的房价预测分析

针对BP神经网络存在易陷入局部极小值、收敛速度慢等问题,提出用遗传算法优化BP神经网络并用于房价预测。采用BP神经网络建立房价预测模型。利用遗传算法对BP神经网络的初始权值和阈值进行优化。选取1998年2011年贵阳市的房价及其主要影响因素作为实验数据,分别对传统的BP神经网络和经过遗传算法优化后的BP神经网络进行训练和仿真实验,结果表明,与传统的BP神经网络预测模型相比,经过遗传算法优化后的BP神经网络预测模型能加快网络的收敛速度,提高房价的预测精度。     

基于概念格的BP神经网络算法及仿真

针对在研究人工智技术能领域中,利用概念格和BP神经网络的各自优势,提出了一种基于概念格的BP神经网络算法.算法首先利用概念格的理论对样本数据进行属性约简,提取其中关键要素作为BP神经网络的训练样本,用简化的训练样本对BP神经网络进行训练,建立优化的基于概念格的BP神经网络算法进行仿真实验.仿真结果表明,基于概念格的BP神经网络算法能简化BP神经网络的训练样本,优化BP神经网络,提高了系统的学习效率和精度.证明方法是有效可行的,具有理论意义和实用价值.     

乙基橙偶氮苯聚合物的全光开关特性曲线拟合中的应用

BP神经网络通过调节连接权重可以实现以任意精度逼近非线性函数,利用这一特点可以对非线性函数关系进行拟合。偶氮苯聚合物的全开关特性曲线是非线性,很难用数学函数表达式来描述。因而本文首先介绍神经网络的基本原理和BP算法神经网络,然后BP神经网络应用于的全光开关特性曲线拟合,在MATLAB环境下,利用实验数据进行了实验测试,结果表明该方法处理数据精度高,拟合效果好。     

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。     

遗传BP神经网络及其在异常检测中的应用

为了克服BP神经网络速度慢、易陷入局部最小的缺点,利用GA的全局搜索能力优化BP神经网络权值,本文提出了遗传BP神经网络算法,并将其用于异常检测之中。在对Kddcup,99攻击数据进行分析和特征约简的基础上,设定了遗传BP神经网络算法的参数。实验结果表明,基于遗传BP神经网络异常检测模型的建立快于BP神经网络算法。     

灰色Verhulst-BP网络组合模型在预测中的应用研究

在灰色Verhulst模型和BP神经网络理论的基础上,对两者的结合方式进行了研究,提出了部分数据Verhulst模型组的概念,得到了一种结合灰色Verhulst与BP神经网络的组合预测模型。利用BP神经网络建立部分数据Verhulst模型组与原始数据之间的非线性映射关系,克服了小样本时间序列数据在神经网络训练时的缺陷。实验结果和仿真验证表明,该组合预测模型具有较高的预测精度和良好的稳定性。     

BP神经网络在铝电解槽温度测量中的研究

针对铝电解槽温度高、腐蚀性强、温度难以直接连续测量的问题,引用BP神经网络技术,选择铝电解槽的输入电流、电压和下料速度作为辅助变量,建立BP神经网络模型,并利用matlab对数据样本进行了标准化处理,实现了BP神经网络的建立、训练和仿真。在预焙阳极铝电解槽进行实验,通过预算温度与实际温度进行对比,结果证明了该方法的有效性。