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。     

基于遗传优化神经网络的电子舌在黄酒检测中的应用

采用遗传学习算法和误差反向传播(BP)算法相结合的混合算法来训练前馈人工神经网络,从而提高神经网络的收敛质量和收敛速度,并将此算法运用到电子舌对黄酒的检测上。与经典BP网络及附加动量项BP网络的训练与预测进行了比较。结果显示:遗传优化BP算法具有预测精度高、收敛速度快及运行时间短的优点,是一种快速、可靠的方法。     

基于遗传优化神经网络的电子鼻对可乐的检测

采用遗传学习算法和误差反向传播(BP)算法相结合的混合算法来训练前馈人工神经网络,从而提高神经网络的收敛质量和收敛速度,并将此算法运用到电子鼻对可乐的检测上.与经典BP网络及附加动量项BP网络的训练与预测进行了比较,结果显示:遗传优化BP算法具有预测精度高、收敛速度快及运行时间短的优点,是一种快速、可靠的方法.     

一种量子神经网络模型及改进学习算法

提出一种量子BP网络模型及改进学习算法,该BP网络模型首先基于量子学中一位相移门和两位受控非门的通用性,构造出一种量子神经元,然后由该量子神经元构造隐含层,采用梯度下降法进行学习。输出层采用传统神经元构造,采用基于改进的带动量自适应学习率梯度下降法学习。在UCI两个数据集上采用该模型及算法,实验结果表明该方法比传统的BP网络具有较好的收敛速度和正确率。     

基于改进BP网络算法的故障诊断分析

介绍BP神经网络结构和学习方法,针对误差反向传播神经网络模型学习收敛速度慢、容易陷入局部极小点等缺点,本文对BP网络模型进行了改进。对原始数据采用非线性的归一化函数,提出一种更加有效的学习率改进算法,提高了网络的收敛速度,采用了一种新的权值及阈值初始化方法,以避免训练时误差陷入局部极小解,并对改进BP算法与传统的BP算法进行比较,验证了该算法的优越性。     

中医脉象的BP神经网络分类方法研究

为了实现中医脉象的客观、准确分类,文章提出了一种基于BP神经网络的脉象识别方法。考察了隐层节点数对网络收敛速度、识别正确率的影响以及学习率对收敛速度的影响,改进了网络训练算法。并选取了较好的学习率参数对脉象信号进行了网络训练,获得了满意的网络收敛误差和识别精度。最后用大量临床脉象样本对网络和算法进行了检验,实验结果表明该方法能够实现对中医常见脉象的准确、快速分类。     

基于BP神经网络的入侵检测算法

为解决传统入侵检测算法存在的高漏报率及高误报率问题,结合BP神经网络算法的优点,提出一种采用遗传算法来优化BP神经网络算法的入侵检测算法。该算法通过遗传算法找到BP神经网络的最适合权值,采用优化的BP神经网络对网络入侵数据进行学习和检测,解决直接使用BP学习造成的训练样本数量过大而难以收敛的问题,同时缩短样本训练时间,提高BP神经网络分类正确率。仿真实验结果表明,与传统网络入侵检测算法相比,该算法的训练样本时间更短,具有较好的识别率和检测率。     

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。     

一种新的基于粒群优化的BP网络学习算法

标准BP学习算法是多层感知器的一种训练学习算法，是基于无约束极值问题的梯度法而设计的。针对标准算法存在的收敛速度慢、目标函数易陷入局部极小等缺点，该文提出了一种基于粒群优化的全新学习算法——粒群学习算法。该算法采用并行全局寻优策略，使网络以更快的速度收敛至全局最优解，且更易于编程实现。仿真实例证明，该算法是一种简洁高效的BP神经网络学习算法，有着极为广泛的应用前景。     

基于粒子群优化的BP网络学习算法

本文提出一种新颖的基于粒子群优化的BP网络学习算法，该算法是一种全局随机优化算法。用Iris分类问题，将所提出的算法与BP算法作了对比实验。实验结果表明：所提出的算法性能优于BP算法，而且具有良好的收敛性。     

基于小波网络的BP算法改进研究

对BP算法的特点进行了分析,在权值平衡算法的基础上,应用小波网络对其进行改造,提出了基于小波网络的BP权值平衡算法,给出了具体的算法步骤,仿真结果证明该算法既具有BP网络的简捷性,又能够提高学习速度和精度,避免了BP网络易出现的收敛速度慢、易产生局部最优解的问题,是一种较好的神经网络学习算法。     

一种改进的BP神经网络算法与应用

针对传统BP算法存在的收敛速度过慢、易陷入局部极小、缺乏统一的理论指导网络结构设计的缺点,分析了一般的改进算法在神经网络优化过程中存在的问题,从蚁群算法和BP算法融合的角度上,并引入了放大因子,提出一种综合改进的BP算法。该算法引入放大因子改善BP算法易陷入局部极小的情况,结合蚁群算法用于指导网络结构设计,并极大地改善了收敛速度过慢的问题。最后,将改进的BP算法与传统BP算法进行应用于煤矿瓦斯预测。通过对实验结果的分析,从时间和正确率上都表明改进的BP算法要优于传统的BP算法。     

一种基于演化算法的BP改进算法

本文在对BP神经网络算法分析的基础上,提出一种基于演化算法的BP改进算法(EBP)。该算法将演化算法运用到BP算法学习率的求解中,从而达到学习率的自适应、自组织的目的。实验结果表明,使用EBP算法进行求解函数逼近、优化和建模等BP神经网络应用问题,都要比传统的BP算法具有更好的精确度和收敛速度,并且能够克服传统BP算法易陷入局部最优解、学习过程出现震荡等缺点。     

BP神经网络优化算法研究

标准BP学习算法通常具有收敛速度慢,易陷入局部极小值等缺点,综述了当前国内外为克服标准BP算法的缺陷而提出的优化算法。     

一种模糊规则动态调整BP算法中参数的方法

文中首先对标准的ＢＰ算法进行了分析。然后在此基础上提出了通过模糊规则推理动态调整学习率和动量因子的改进的方法，并通过模糊推理系统实现了ＢＰ算法的模糊控制。最后通过实例将该算法与标准ＢＰ算法和Ｖｏｇｌ改进的算法进行了比较，实验结果表明通过模糊推理来改善神经网络的ＢＰ算法性能是一种很有前途的方法。     

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。     

变尺度混沌算法的BP网络优化*

采用变尺度混沌优化方法代替梯度下降法融入BP神经网络,在优化搜索过程中不断缩小搜索空间,克服了标准BP算法易陷入局部极小的缺点,能有效地寻找到BP神经网络权值的全局最优值。此外,进一步提出变尺度混沌优化与梯度下降法有机结合的算法,能有效缩短单一的变尺度混沌优化BP算法的训练时间。仿真结果表明,改进的BP神经网络具有实现简单、寻优性强和优化效率高等特点。     

改进型LLR BP译码算法研究

短低密度校验(LDPC)码的Tanner图中通常存在环路,变量节点之间的信息不再相互独立,导致LLR BP算法译码性能的下降。针对上述问题,提出一种改进型LLR BP译码算法,推导出有环时变量节点的真实信息,利用最小均方误差准则计算出有记忆的变量节点信息的权值,通过调整变量节点信息的迭代过程降低变量节点之间信息的相关性。仿真结果表明,改进型LLR BP算法具有比LLR BP算法、归一化BP算法及偏移量BP算法更好的LDPC译码性能。