人工神经网络在并行计算机集群上的设计研究

人工神经网络在集群上的并行化设计和实现能够充分发挥ANN并行处理的特点,缩短训练时间,降低算法复杂度。随着并行技术的日益成熟,在并行集群上以软硬件相结合的方式设计神经网络的重要性也不断提高。从软硬件平台的多方面讨论了并行集群技术对人工神经网络设计的支持,提出了一种SOM神经网络在并行集群上的设计方法和基础框架,并就并行集群上神经网络训练效率的问题进行了深入讨论。该方案可广泛应用于多种神经网络模型的并行计算机实现。     

BP神经网络在击剑训练负荷计算机分析系统中的应用

阐述了BP神经网络模型的结构和算法,并将其应用于击剑训练负荷计算机分析系统中,仿真结果表明该方法具有较好的准确性。     

基于并行神经网络的汉字识别系统

介绍了一种基于并行神经网络的汉字识别系统。该系统进行汉字图象的预处理后 ,针对汉字平移、旋转、尺度变化 ,提取三类相对稳定且抗噪、反映汉字结构信息的统计特征作为神经网络的输入。神经网络采用叠层BP网 ,用BP算法进行训练、学习和识别。本系统对标准BP算法做了若干改进 ,从速度和识别率上都得到了明显的提高 ;用PVM网络并行平台虚拟成并行机 ,实现叠层BP网的并行处理     

改进神经网络的传感器故障诊断与容错处理

为提高神经网络对霍尔传感器发生故障诊断率,设计了一种改进神经网络模型,该模型由反向传播(BP)神经网络并行组成,利用算法对各BP神经网络输出进行加权整合,进而得到误差更小的输出结果,并将改进神经网络模型应用于无刷直流电机霍尔传感器故障诊断系统中,利用无位置传感器系统实现霍尔传感器故障容错处理。仿真结果表明:改进神经网络故障诊断准确率达到96%,高于传统BP神经网络,且容错控制系统能够显著降低霍尔传感器故障对电机转速的影响,使电机能够在霍尔传感器故障时正常稳定运行。     

基于DSP的神经网络实时仿真系统研究

采用DSP设计完成了神经网络实时仿真系统。文章从神经网络协处理器的硬件结构、协处理器中的神经网络协处理器的硬件结构，协处理器中的神经网络算法，神经网络协处理器及其缩主机间数据交换等方面系统地描述了该仿真系统。在神经网络在线算法的实现中，利用DSP能与其宿主机实现并行工作的特点，采用DSP和计算机并行工作；在宿主机中实现BP网络对受控对象的辨识，在神经网络协处理器中完成模糊神经网络在线控制算法，从而加快了神经网络运算速度，使其达到在线控制的要求，文章的最后给出了一个直升机总矩通道在本仿真系统的仿真实例，说明了本系统的实用性。     

一种递归神经网络的快速并行算法

针对递归神经网络BP(Back Propagation)学习算法收敛慢的缺陷,提出一种新的递归 神经网络快速并行学习算法.首先,引入递推预报误差(RPE)学习算法,并且证明了其稳定性； 进一步地,为了克服RPE算法集中运算的不足,设计完整的并行结构算法.本算法将计算分配 到神经网络中的每个神经元,完全符合神经网络的并行结构特点,也利于硬件实现.仿真结果表 明,该算法比传统的递归BP学习算法具有更好的收敛性能.理论分析和仿真实验证明,该算法 与RPE集中运算算法相比可以大大节省计算时间.     

基于并行神经网络的汉字识别系统

介绍了一种基于并行神经网络的汉字识别系统,该系统进行汉字图象的预处理后,针对汉字平移、旋转、尺度变化,提取三类相对稳定且抗噪、反映汉字结构信息的统计特征作为神经网络的输入,神经网络采用叠层BP网,用BP算法进行训练,学习和识别。本系统对标准BP算法做了若干改进,从速度和识别率上都得到了明显的提高;用PVM网络并行平台虚拟成并行机,实现叠层BP网的并行处理。     

基于改进二进制萤火虫的BP神经网络并行集成学习算法*

针对传统BP神经网络的随机初始权值和阈值易导致网络学习速度慢、容易陷入局部解及运算精度低等缺陷,提出基于改进二进制萤火虫算法(IBGSO)的BP神经网络并行集成学习算法.首先构建以高斯变异函数作为概率映射函数的IBGSO,并从理论上分析算法的有效性.然后结合IBGSO与BP神经网络构建并行集成学习算法,并将算法应用于农业干旱灾害评估中.实验表明,相比传统算法,文中算法在计算速度及精度方面更优,可以提高旱情等级评估的准确性.     

基于BP神经网络的时间序列预测模型研究

本文阐述了GP算法的基本原理，提出了一种基于BP神经网络的时间序列预测模型，对BP模型应用于时间序列预测进行了较详细的研究和探讨，理论分析和实际应用表明，该方法可利用计算机编程实现，BP神经网络可以成功地用于时间序列的预测。     

基于神经网络的导弹并行测试系统安全性模糊综合评价研究

针对传统导弹并行测试系统安全性评价主观因素突出的缺点,提出基于神经网络的导弹并行测试系统安全性模糊综合评估模型.首先建立了导弹并行测试系统安全性评价的指标体系,其次介绍了基于IA- BP神经网络的模糊综合评价模型,并详细介绍了模型应用的方法和步骤,最后通过实例分析,得出结论.结果表明基于IA- BP神经网络的模糊综合评价方法具有运算速度快、通用性强的特点,利用该方法对导弹并行测试系统的安全性进行评价具有可行性和客观有效性.     

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%。     

基于神经网络的解耦控制方法

本文介绍了BP算法的基本原理及其实现步骤,并将BP算法应用于神经网络解耦器和PID神经网络的训练中,即本文中各个神经网络的训练算法均采用BP算法,提出了一种神经网络在线解耦控制算法,即将神经网络解耦和神经网络PID控制两者结合,对系统进行解耦控制。将解耦与控制结合,既避免了单独采用自适应PID控制时控制效果不佳的问题,又避免了单独采用解耦时原有控制器不能适应变化后的对象问题。最后对一组双输入双输出耦合系统进行了仿真研究。     

基于遗传优化的RBF-BP网络的实时故障检测

针对单一神经网络对复杂模型难以实时做出准确预测和BP神经网络自身的缺陷,结合RBF神经网络可以逼近任意函数的特性,提出了基于遗传优化的混合神经网络模型(RBF-BP)。由RBF网络和BP网络并联作为一个神经网络(简称为RBF-BP)的隐层,利用该网络对被控对象进行逼近训练、实时故障检测,该算法同时具有RBF网络和BP网络的优点,适用于复杂非线性系统的故障检测。     

基于VC++(MFC)的并行神经 网络学习系统的设计及实现

介绍了一个以基于BP模型的并行神经网络(PNN)模型为基础 ,利用VC++(MFC)开发的并行神经网络学习系统的具体实现过程。给出了实现思路、程序框 架等。     

GPU加速的神经网络BP算法*

近年来图形处理器(GPU)快速拓展的可编程性能力加上渲染流水线的高速度及并行性,使得图形处理器通用计算(GPGPU)迅速成为一个研究热点。针对大规模神经网络BP算法效率低下问题,提出了一种GPU加速的神经网络BP算法。将BP网络的前向计算、反向学习转换为GPU纹理的渲染过程,从而利用GPU强大的浮点运算能力和高度并行的计算特性对BP算法进行求解。实验结果表明,在保证求解结果准确度不变的情况下,该方法运行效率有明显的提高。     

Spark下BP神经网络并行化算法研究

BP算法(反向传播算法)以其良好的非线性逼近能力、泛化能力以及实用性成为了人工神经网络训练算法中应用最为广泛的算法.但同时使用BP算法又存在收敛速度较慢、易陷入局部极小值等问题.为了将BP算法用于大规模数据分类问题,采用MapReduce思想,将大数据集切分成若干小的数据集来并行加速处理,同时引入Bagging算法的思想来综合并行结果,提高分类的准确率.通过在各个节点上根据子数据集独立地训练各个BP神经网络,直至各网络收敛,再将各节点上的网络收集起来进行集成,形成最终的分类器.基于Spark平台的实验表明,本文提出的算法具有良好的并行加速性能,且具有较高的分类准确率.     

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。