基于遗传模拟退火算法的BP算法研究

目前广泛应用于神经网络优化的方法是反向传播(Back Propagation,BP),但是BP神经网络的全局搜索能力很有限.文中探讨了两种全局优化算法:遗传算法(Genetic Algorithm,GA)和模拟退火(Simulated Annealing,SA),以及它们和BP算法结合形成的优化算法,并且比较了它们在神经网络优化中的优缺点.     

基于遗传模拟退火算法优化的BP神经网络

在研究标准BP神经网络的基础上,针对其存在的收敛速度慢、且容易陷入局部极小值等问题进行分析,设计实现一种采用数值优化的方法来改进BP网络性能的新的混合神经网络模型.通过引入遗传模拟退火算法扩大了网络的权值更新空间,把得到最优权值赋予BP神经网络,从而使优化后的神经网络具有泛化性好,不易陷入局部极小值等优点.与标准BP神...     

自适应遗传退火算法优化BP神经网络及其应用

以提高预测软件老化趋势为应用背景,提出一种新型自适应遗传退火算法（NAGSA）优化BP神经网络模型,该模型采用轮盘赌选择法与精英保留策略相结合的选择算子,在迭代后期通过模拟退火算法对适应度函数进行拉伸,相比传统的自适应遗传算法（AGA）在个体适应度较低时,能够非线性地自适应调节交叉概率和变异概率,从而对BP神经网络的权值和阈值优化并进行网络训练.对在线售书网站注入内存泄漏的代码使之老化,收集实验所需的老化数据进行仿真训练,实验结果表明,NAGSA-BP模型相比于传统遗传算法（GA）、传统自适应遗传算法（AGA）、传统自适应遗传退火算法（NGSA）优化的BP神经网络模型提高了预测精度和取得了优良的收敛效果,在该应用领域验证了本文方法的有效性.     

基于融合算法的测试优化选择问题研究

测试优化选择是个集覆盖问题,而启发式算法是求解集覆盖问题的有效方法。文中将遗传算法、BP神经网络和模拟退火算法进行融合,提出了一种融合算法,该算法充分利用遗传算法全局搜索能力强、BP神经网络训练能力强和模拟退火算法搜索速度快的优点,既避免陷入局部最优的现象,又提高了搜索的效率和精度。该算法已应用于求解测试优化问题。实例证明,该算法能够快速有效地求得测试优化问题的最优解。     

基于WOSA-BP的车辆动态称重算法研究

测量精度一直是影响车辆动态称重系统有效可靠性的主要因素。针对车辆动态称重系统测量精度较低这个问题,提出了一种基于鲸鱼优化(Whale Optimization Algorithm, WOA)算法和模拟退火(Simulated Annealing, SA)算法混合优化的BP神经网络(Back Propagation Neural Network)动态称重模型。首先,简单介绍了动态称重系统的结构和原理。然后,通过小波变换对动态称重系统的采样信号进行过滤重构处理,经过计算得到的动态车重、车速和轴数作为BP神经网络模型的输入参数。其次,建立了一个由WOSA算法优化的BP神经网络来预测实际车辆总重和轴重。最后,比较了WOSA算法优化的BP神经网络模型的预测能力并得出结论。仿真结果表明,WOSA-BP车辆动态称重模型收敛速度快,精度高,最大总重的相对误差为0.58%,最大轴重相对误差为6.73%。     

基于BtW的和声搜索算法在BP网络优化中的应用

针对和声搜索算法参数影响其优化BP神经网络的性能问题,提出了一种可有效提高BP神经网络收敛速度和准确度的基于BtW参数动态变化的改进和声算法,同时用于BP网络优化。算法根据和声搜索参数的特点,采用以BtW为自变量的非线性函数变换方法,对微调概率PAR和微调幅度BW进行动态调整,利用改进的和声搜索算法对BP神经网络的连接权和偏置值进行优化。实验结果表明,该算法有效改善了和声搜索算法在BP神经网络优化中的性能,提高了BP网络的训练速度和预测的准确度。     

基于改进遗传模拟退火算法的BP神经网络的畸变校正研究

针对相机所采集的图像大多都存在畸变现象的问题,设计了基于改进遗传模拟退火算法的BP神经网络校正算法。该算法针对传统遗传算法易于收敛局部最优的问题,提出分段选择策略与随机抽样相结合的选择算子,自适应交叉与变异算子。在畸变校正中,该算法通过网络的输入输出建立理想点与畸变点的关系,使用改进的遗传模拟退火算法来优化神经网络中的阈值与权值,然后使用基于LM算法的BP神经网络进行局部优化,最后通过插值算法得到校正后的图像。实验表明,该算法能过较好的对图像进行畸变校正,同时与传统的BP神经网络算法相比精度更高,收敛速度更快。     

基于模拟退火优化BP神经网络的PH值预测

为自动准确测定水质p H值,采用大量的具有代表性的p H值检测数据为样本,提出了一种基于模拟退火优化BP神经网络的p H值预测方法。利用模拟退火算法优化BP网络的权值,调整优化样本的选取和隐层神经元数,训练BP神经网络预测模型得到最优解。由测试样本对网络进行了预测试验,并与非线性回归的预测结果进行了对比。结果表明,该方法对水质p H值预测具有较好的非线性拟合能力和更高的预测准确性。     

基于退火BP神经网络的模拟电路故障诊断方法

针对BP神经网络在模拟电路故障诊断中存在的固有缺陷,提出模拟退火(simulated annealing,SA)算法与BP算法相结合的神经网络故障诊断方法,发挥SA算法全局寻优的特点来优化BP神经网络的学习过程,避免网络训练收敛速度慢和陷入局部极小;应用MATLAB编写程序对一典型模拟电路的仿真故障样本进行训练,在其它初始条件都相同的情况下,基于提出的算法神经网络比传统BP算法神经网络训练收敛速度快且诊断精度高,是一种新的有效的模拟电路故障诊断方法。     

基于模拟退火优化BP神经网络的变形监测数据预测方法

针对BP神经网络模型用于变形监测数据处理时容易陷入局部极小值并且收敛速度慢的问题，提出一种基于模拟退火(Simulated Annealing,SA)算法优化BP神经网络的建筑物变形预测方法，利用SA的全局寻优能力对BP神经网络的模型参数进行优化，使参数迭代过程始终保持较高的“温度”和“能量”，从而确保BP神经网络能够得到全局最优解的同时具备较高的预测精度和收敛速度。采用实际算例对所提SA-BP方法在低信噪比和小样本条件下的预测精度进行验证，结果表明所提方法相对于传统BP神经网络法和小波方法能够获得更高的预测精度，并且在小样本和低信噪比条件下优势更加明显。     

模拟退火PSO的神经网络的网络流量预测模型

为解决网络流量时间序列的预测问题,针对传统BP神经网络的网络流量时间序列预测模型容易陷入局部极小值的不足,提出一种基于模拟退火的微粒群算法训练神经网络的网络流量时间序列预测模型.将模拟退火算法和基本粒子微粒群算法相结合,设计出一种基于模拟退火的微粒群算法.利用基于模拟退火微粒群算法优化BP神经网络的权值和阀值,对实际采集的网络流量时间序列进行建模.实验结果表明,基于模拟退火的微粒群算法训练的神经网络具有较高的预测效果,相对于传统的神经网络模型具有更高的预测精度和良好的自适应性.     

基于模拟退火算法的BP神经网络模型估算高分辨率叶面积指数

卫星遥感技术的快速发展使得获取全球大范围叶面积指数成为可能,但基于现有的算法和数据估算高分辨率LAI的精度还需要提高。针对农作物、草地和林地等3种典型地表类型,选取地面观测数据较多的4个研究区,包括3个各地类用于建模验证的研究区与一个用于适用性验证的独立研究区,针对4个研究区,分别获取地面测量数据以及对应的30 m空间分辨率地表反射率数据。在3个主要研究区建立并比较了NDVI植被指数经验模型、BP神经网络模型和基于模拟退火算法的BP神经网络模型,利用地面实测数据对模型进行验证。结果表明：在研究所选的3个主要研究区,基于模拟退火算法的BP神经网络模型的估算精度比BP神经网络模型和NDVI经验模型的估算精度高,农田、草地和林地站点估算结果的决定系数分别为0.899、0.858和0.863,BP神经网络模型的估算结果决定系数分别为：0.763、0.710和0.742,NDVI经验模型的精度最差,其估算结果的决定系数分别为0.622、0.536和0.637。为了验证SA-BP神经网络的适用性,选取独立研究区进行验证,结果显示验证精度较高,R²为0.842,RMSE为0.689 5,说明该模型外推能力较好。研究证明了基于模拟退火算法的BP神经网络模型提高了模型泛化能力,有效防止了BP神经网络模型滑入局部最小值,是提高高空间分辨率LAI估算精度的有效手段。     

基于改进的BP神经网络的网络空间态势感知系统安全评估

文中利用BP神经网络算法建立了网络态势感知等级与感知参数之间的关系,定量评估了态势感知状况。神经网络在这一领域的研究最为成熟,但传统的BP神经网络算法在反馈误差方面速度较慢,且存在易收敛到局部极值的缺点,因此使用变步长学习策略和模拟退火法进行优化,搭建虚拟HoneyNet模拟网络环境,然后利用Matlab软件进行算法仿真,获得的结果与实际情况接近。     

BP神经网络的改进算法及其应用

BP(Back-propagation neural network)神经网络是目前应用最为广泛和成功的多层前馈神经网络之一,分析了BP算法的基本原理,指出了BP算法具有收敛速度慢、易陷入局部极小点等缺陷以及这些缺陷产生的根源,并针对这些缺陷,通过在标准BP算法中引入变步长法、加动量项法等几种方法来优化BP算法。仿真实验结果表明,这些方法有效地提高了BP算法的收敛速度,避免陷入局部最小点。同时,将改进得BP神经网络算法应用于脱机手写体汉字识别系统的实现,使系统较好地回避了汉字结构复杂、变形难以预测等问题,提高了识别率。     

BP算法分析与改进

在人工神经网络中,BP神经网络是一种应用广泛的多层前馈神经网络。分析了BP算法的基本原理,指出了BP算法具有收敛速度慢、易陷入局部极小点等缺陷以及这些缺陷产生的根源。针对这些缺陷,通过在标准BP算法中引入变步长法、加动量项法、遗传算法、模拟退火算法等几种方法来优化BP算法。实验结果表明,这些方法有效地提高了BP算法的收敛性,避免陷入局部最小点。     

BP神经网络的改进算法及其应用

BP（Back-propagation neural network）神经网络是目前应用最为广泛和成功的多层前馈神经网络之一,分析了BP算法的基本原理,指出了BP算法具有收敛速度慢、易陷入局部极小点等缺陷以及这些缺陷产生的根源,并针对这些缺陷,通过在标准BP算法中引入变步长法、加动量项法等几种方法来优化BP算法。仿真实验结果表明,这些方法有效地提高了BP算法的收敛速度,避免陷入局部最小点。同时．将改进得BP神经网络算法应用于脱机手写体汉字识别系统的实现。使系统较好地回避了汉字结构复杂、变形难以预测等问题,提高了识剐率。