基于改进TDABC法的PSO-BP模型在饮料产品生产成本预测中的应用

为了准确预测饮料产品的生产成本,考虑规模经济购买导致的季节性闲置产能对生产成本的影响,采用时间驱动作业成本(Time Driven Activity-Based Costing,TDABC)法,归集季节性闲置产能成本,构建饮料产品的改进TDABC法生产成本核算模型,使产品单位生产成本的核算更加精确;结合误差反向传播(Error Back Propagation,BP)算法,以饮料产品单位材料费用、生产月份和子作业时间为影响因子,对饮料产品生产成本进行预测。针对BP算法易陷入局部极值和收敛慢等特点,引入粒子群优化(Particle Swarm Optimization,PSO)算法改进BP算法,提出了粒子群优化—误差反向传播(Particle Swarm Optimization-Error Back Propagation, PSO-BP)算法。实验表明,该算法具有较高的预测精度。     

BP算法的改进与性能分析

在人工神经网络中,BP神经网络通常是指基于误差反向传播算法（BP算法）的多层前向神经网络。BP算法已成为目前应用最为广泛的神经网络学习算法,然而BP算法具有收敛速度慢、易陷入局部极小点等缺陷。为了克服常规BP算法的缺陷,MATLAB神经网络工具箱对常规BP算法进行了改进,并提供了一系列快速学习算法。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。     

最优化算法在BP网络中的应用

BP(BackPropagation)网络是在1986年以Rumelhart和McCelland为首的科学家小组提出,它是按误差逆传播算法训练的多层前馈网络,已成为目前应用最为广泛的神经网络模型之一。它的学习规则是使用最优化算法中的最速下降法,根据此得到的最优解来通过反向传播来不断调整网络的权值和阈值,以使网络的误差平方和最小。     

基于蚁群算法优化BP神经网络的港口吞吐量预测

利用蚁群算法优化反向传播神经网络的初始权值、阈值,建立预测模型,对港口货物吞吐量进行预测。蚁群算法具有全局搜索能力,分布式计算和鲁棒性强等特点,有利于加快反向传播神经网络的收敛速度,避免易陷入局部极值的问题,提高建模精度。在港口吞吐量预测中的应用表明:蚁群算法优化BP神经网络模型、模糊神经网络预测模型、RBF预测模型及BP预测模型的平均绝对百分比误差分别为2.826%、3.734%、4.990%和6.566%;同时,蚁群算法优化BP神经网络模型收敛速度最快。与传统BP神经网络、RBF网络及模糊神经网络相比,蚁群算法优化BP神经网络模型、模糊神经网络预测模型、RBF预测模型及BP预测模型的平均绝对百分比误差分别为2.826%、3.734%、4.990%和6.566%。     

基于改进BP网络在车牌字符识别中的应用

本文研究针对传统神经网络在字符识别存在识别准确率低、效率低的问题,提出了一种基于误差反向传播的人工神经网络算法（BP神经网络算法）。该算法首先对字符图像进行归一化处理,然后对字符进行特征提取,采用PCA主成分分析对Gabort提取的特征进行降维处理,将提取字符特征输入到BP神经网络进行学习和识别,并采用动量因子和自适应学习速率对BP神经网络进行改进,加快其收敛速度,从而提高识别的实时性。     

模拟退火优化BP神经网络在航向控制系统中的应用

目前，广泛运用于神经网络中的误差反向传播算法（BP算法）训练时间较长，且易陷入局部最优．为了克服BP算法的固有缺陷，文中提出了在BP算法中加入模拟退火算法权因子．在航向控制系统中进行了仿真，数据显示该算法比单纯BP算法更能优化控制器性能参数和全局搜索能力，收敛速度更快，精度提高比较明显。     

人工神经网络应用于空调系统故障诊断的研究

本文首先介绍了人工神经网络的基本原理,然后详细介绍了反向传播算法(BP),最后研究BP算法在空调系统故障诊断方面的应用.     

模拟退火改进的神经网络算法及其在振动分析中的应用

将传统的反向传播算法(BP算法)神经网络模型结合模拟退火算法及最佳保留原则,提出一种改进的神经网络模型,并将改进之后的网络模型应用于对颗粒碰撞阻尼的分析。训练仿真结果显示:改进后的算法与传统的BP算法、LM算法相比具有更高的可靠性,更快的收敛速度,仿真结果与实验结果更接近。用训练好的模拟退火神经网络模型对颗粒碰撞阻尼的激振频率、填充率和振幅有效值等参数进行了仿真,得到了系统在低频阶段颗粒粒度、填充率和振幅有效值之间的关系。     

三维针刺C/C-SiC复合材料预制体工艺参数优化EI北大核心CSCD

基于误差反向传播(BP)神经网络与改进的遗传算法建立三维针刺C/C-SiC复合材料预制体工艺优化的代理模型,获得针刺工艺参数与复合材料刚度性能之间的关系。利用BP网络实现复合材料刚度性能预测,BP网络的预测值与有限元计算结果吻合程度较好,模型训练误差最大为0.526%,测试数据误差最大为0.454%,BP网络预测精度高。对传统遗传算法的遗传策略和优化策略进行改进,利用两种改进的遗传算法对针刺工艺参数进行优化。优化后的工艺参数显著提高了材料的刚度性能,其中面内拉伸模量分别提高了11.07%和11.48%,面外拉伸模量分别提高了49.64%和48.13%,复合材料的综合刚度性能分别提高18.17%和18.21%。     

空间网壳结构振动问题的改进神经网络控制

结合经验公式及实验比较对神经网络的结构进行优化,利用Levenberg-Marquardt算法改进传统误差反向传播算法.基于两个改进人工神经网络的组合运用,针对结构动力响应,建立了一种可预测有效控制力的神经网络预测控制策略.用一个网络辨识结构的动力响应,另一个网络预测有效控制力.数值仿真显示:该算法具有比传统BP网络的最速下降法高一阶的收敛速度;除个别时间步外,该文控制策略可较准确识别结构的动力响应、、给出有效控制力.     

基于GA-BP神经网络的结构损伤位置识别

针对传统BP神经网络训练中存在的一些问题，提出了一种基于遗传算法(GA)-BP神经网络混合技术识别结构损伤位置的方法。该方法利用基因实数编码的遗传算法优化BP网络的结构及初始参数，从而大大提高了神经网络的训练精度。运用GA-BP网络与传统BP网络技术分别对两个算例进行了结构损伤定位的识别仿真，结果表明遗传BP稳定性好，精度高，对噪声有很好的鲁棒性，便于工程应用。     

前馈神经网络混合训练算法及其应用

介绍了单隐层前馈神经网络的混合训练算法(HFM)和正则化混合训练算法(RHFM),然后将该算法应用于UCI数据库上的实际回归例子中,并将其与BP、NNRW以及FM算法进行了比较.仿真实验表明,HFM算法的收敛速度优于其它几种算法,RHFM算法有较好的泛化性能,而NNRW算法在训练时间上占优,尽管如此,HFM算法在时间上还是大大优于BP算法.说明,混合训练算法是一种有效的算法.     

基于MO-PLP-ELM及电容层析成像的两相流流型辨识

提出一种基于多目标优化并行感知器的极限学习机(MO-PLP-ELM)及电容层析成像(ECT)技术的两相流流型辨识算法。首先,为保证样本具有代表性,采用随机思想生成7类流型的训练及测试样本集;其次,对样本模型的电容数据归一化处理;最后,采用MO-PLP-ELM算法进行流型辨识,并与常用的BP神经网络、支持向量机、极限学习机及并行感知器改进极限学习机算法进行比较,结果表明,提出的MO-PLP-ELM算法其辨识率明显高于其它算法,平均辨识率达96.1%。     

一种改进BP算法在机械手逆运动学中的应用

通过对传统BP算法的分析，提出了一种改进激励函数的学习方法，并且在神经网络的每一层采用不同的学习速率，以提高训练速度；采用所提出的改进BP算法，训练多层前向神经网络，建立机械手逆运动学模型，仿真结果表明了该算法的有效性；与传统BP算法相比，大大提高了机械手逆运动学的精度。     

Intuitionistic Fuzzy Petri Nets Model Based on Back Propagation Algorithm for Information Services

Intuitionistic fuzzy Petri net is an important class of Petri nets, which can be used to model the knowledge base system based on intuitionistic fuzzy production rules. In order to solve the problem of poor self-learning ability of intuitionistic fuzzy systems, a new Petri net modeling method is proposed by introducing BP (Error Back Propagation) algorithm in neural networks. By judging whether the transition is ignited by continuous function, the intuitionistic fuzziness of classical BP algorithm is extended to the parameter learning and training, which makes Petri network have stronger generalization ability and adaptive function, and the reasoning result is more accurate and credible, which is useful for information services. Finally, a typical example is given to verify the effectiveness and superiority of the parameter optimization method.     

用粗集-模糊神经网络评定空袭目标威胁程度

针对模糊神经网络运算过程中,当模糊规则较多时,网络学习速度慢,方法实时性差的缺点,本文提出采用粗糙集理论对该模型进行优化,该方法利用粗集数据分析方法,通过知识约简从数据中推理逻辑规则,并用约简后规则集作为模糊神经网络的规则将输入映射到输出的子空间上:在这个子空间上用改进的BP算法训练进行逼近.实验结果表明:通过粗集数据挖掘后提取的规则,不仅规则数目减少,且规则是不完全规则,减少了网络输入维数和各层神经元的个数,提高了网络运算速度,满足了系统实时性要求.     

A Modification of SOM Network(SLFM) and Its Applications in Tool Wear Monitoring and Quality Control

ＡＭｏｄｉｆｉｃａｔｉｏｎｏｆＳＯＭＮｅｔｗｏｒｋ（ＳＬＦＭ）ａｎｄＩｔｓＡｐｐｌｉｃａｔｉｏｎｓｉｎＴｏｏｌＷｅａｒＭｏｎｉｔｏｒｉｎｇａｎｄＱｕａｌｉｔｙＣｏｎｔｒｏｌ★ＺｈｕＭｉｎｇｑｕａｎＣａｉＹｏｎｇｘｉａＤｅｐａｒｔｍｅｎｔｏｆＡｅｒｏｎ...     

改进的BP神经网络在风机故障诊断中的应用

采用动量法和学习速率自适应的改进BP神经网络建立风机故障诊断系统。在网络训练过程中分别采用标准训练样本和含有白噪声的训练样本来训练网络,使网络具有一定的容错性。最后通过仿真实验和风机的故障诊断实例表明：改进的BP神经网络减少训练次数,提高了学习效率,而且有效地抑制网络陷于局部极小,是风机故障诊断的有效方法。     

一种用于状态预测的神经网络混合算法

本文将神经网络的BP算法和动态随机算法相互补充而形成一种混合算法,它克服了BP学习算法会陷入局部极小和随机算法耗时长的缺点.将这种算法用于齿轮泵出口流量预测,证明了这种算法学习速度快且能收敛于全局极小点.