一种改进BP网络及其在智能传感器非线性校正中的应用

主要分析了神经网络存在的一些缺陷,研究了一种改进BP神经网络学习算法的相关技术,设计并实现了一种改进型BP神经网络算法,并将其应用于智能传感器的非线性自校正系统。通过在某无人机机载高度传感器上试验研究,证明了这种算法的可靠性、先进性、稳定性。     

改进BP算法在热流传感器温度补偿中的应用

针对帕尔贴( Peltier)热流传感器存在温度漂移问题,提出了一种基于改进BP神经网络的温度补偿模型.采用BP算法的多层前馈网络建立起热流传感器输出电压、实验温度与输入热流间的映射关系,又通过增加动量因子和自适应调节学习率来提高网络的收敛速度与增强网络平稳性.研究结果表明:动量因子-自适应学习率算法温度补偿模型效果明显.     

传感器非线性误差校正的BP神经网络方法研究

研究了采用BP神经网络实现传感器逆向建摸,用三种神经网络方法(LM算法)计算比较了使用两种不同初始化规则和不同网络结构时对网络性能和计算精度的影响。计算机仿真实验表明:使用NW初始化规则并改进网络结构后,网络的收敛速度更快,精度更高。     

用BP神经网络及其改进算法改善传感器特性

BP算法即多层网络误差反传算法，是近几年在传感器输出信号补偿技术领域中一种较新的方法，广泛应用于传感器信息处理、自动控制、通信等领域。但这种方法也有其固有的缺点，西安交通大学的张永怀博士及刘君华教授对此方法进行了深入的研究，提出了附加动量法、自适应参数变化法为主要内容的BP神经网络改进算法，以对这种方法进行改善。 传感器是测量系统的核心部件，其输出特性直接影响整个系统的性能，提高传感器的精度具有十分重要的意义。传感器的输出受许多环境因素的影响，目前人们多采用软件补偿法来对传感器信号进行处理。传统的…     

基于改进型BP神经网络的瓦斯传感器的非线性校正

提出了一种基于改进型BP神经网络的瓦斯传感器的非线性校正方法,利用神经网络良好的非线性映射能力,逼近反非线性函数完成非线行校正。仿真实验结果表明:与传统的分段线性与BP算法相比,改进型的BP神经网络收敛速度快、逼近精度高,准确度由原来分段线性校正的±5.020%提高到现在的±0.130%,且易于动态调校。     

改进的BP神经网络在元器件建模中的应用

Based on the Back-propagation Neural Network theory, a new method is presented to model nonlinear electron devices. By the sample applications, an optimized project of Back-propagation training is introduced by using Neural Network toolbox in MATLAB software, and the project is explained in detail and the good learning scheme is given by simulating the experimental results of the concrete experimental results. In the method, the momentum parameter α has intensive influence on the training times, while the learning ratio η has little effect on them. In addition, the training is more effective with the couple hidden layers than that with the single hidden layer. Finally, it is proved that the modeling method is accurate and converged quickly by the experiment.     

基于BP网络的厚膜压力传感器非线性校正

简述了厚膜压力传感器结构原理和力学模型、传统非线性校正方法,以及用神经网络进行非线性校正的原理,探讨用BP神经网络实现厚膜压力传感器的非线性校正,并通过MATLAB神经网络工具箱进行仿真。研究结果表明:采用该方法对弹性体应变量与压力关系的非线性校正可以将标准误差减小2个数量级,简单而有效地实现传感器非线性校正。     

改进BP算法在预测安全库存中的应用

针对标准BP算法收敛速度慢、容易陷入极小值的缺陷,利用附加动量项和变步长思想相结合的改进算法,建立三层BP网络模型对安全库存量进行预测,并与标准BP算法的预测结果进行比较,提高了网络收敛速度和预测准确度.     

基于BP神经网络的浓度传感器非线性校正

提出基于BP神经网络的浓度传感器非线性误差校正方法。文中详细给出了BP神经网络算法原理及训练方案。当替换传感器或环境条件发生变化时,只要获取一组输入输出样本对,便可重新训练网络,获得新的输入输出样本关系,从而实现传感器非线性校正和动态标定,提高传感器的互换性,有实际应用价值。     

改进的BP神经网络在元器件建模中的应用

提出一种基于BP神经网络的非线性电子元器件建模的新方法。以具体实验数据为例,以MATLAB中的神经网络工具箱为工具,采用了改进的BP神经网络,并对其设计方案进行了详细的分析说明,发现动量参数对训练次数影响很大,而学习率对它的影响很小;采用双隐含层比单隐含层训练更稳定,收敛的也更快速,同时给出了理想的学习方案。最后通过实验验证了该方法的有效性。     

基于改进粒子群算法的模糊神经网络及其在短时天气预报中的应用

提出一种基于改进粒子群模糊神经网络进行短时天气预测的方法,将粒子群算法与模糊人工神经网络进行融合,充分发挥粒子群算法全局寻优的优势。以上海地区天气预报作为实例,建立了基于改进粒子群算法的多模型模糊神经网络预报模型,试验结果表明该方法对于短时天气预报具有较好的准确度,得到了上海中心气象台有关专家的肯定。     

BP神经网络算法预测及其在飞参数据分析中的应用

针对飞机喘振参数受随机因素影响的特点,提出了用人工神经网络中BP网络对飞机发动机喘振预测.通过对喘振数据及机组实际振动数据的预测结果检验,证明该神经网络预测有利于飞机发动机喘振状态的预测精度.     

多层BP网络的研究及应用

在本文中，我们用统计模式识别的方法分析了目前在模式识别中得到广泛应用的多层ＢＰ神经网络，揭示了具有线性输出单元的多层ＢＰ神经网络用作特征提取器和分类器时具有良好性能的原因。同时，我们设计了一个使用ＢＰ网络作为特征提取器和分类器时，普适的工件识别系统，对不能识别的样本，采用模糊推理技术，把传统的直观特征识别结果和多层ＢＰ网络结果特征级上融合，提高系统的性能。     

提高BP神经网络学习速度的算法研究

本文在深入分析ＢＰ人工神经网络学习算法的基础上，研究了采用增加动量项，成批训练及综合法来提高ＢＰ网络的学习速度，取得了显著效果。     

模糊ART神经网络模型及其在图像识别中的应用

提出了采用低通过率波、去最小亮度和向量柱状图来提取人脸特征的方法,设计了模糊ART神经网络的结构、学习规则和识别算法,并采用模糊ART神经网络对向量柱状图生成的特征向量进行识别。仿真实验证明,通过调整神经网络的警戒参数值,不同的人具有不同的最大在线识别率,所有人平均的在线最大识别率可以达到89％。     

一种改进的BP算法在导弹综合测试专家系统中的应用

为解决采用反向传播算法的多层前馈神经网络收敛速度慢和容易陷入局部最小的问题,以及它对参数选择过于敏感,本文引入了遗传算法的思想和方法,提出了一种随机搜索和DBD算法相结合的新算法。通过对学习率的修正量随机互换,在不增加计算量和存储空间的情况下,使较大规模的网络能够快速收敛,摆脱了局部最小的陷阱,并且对网络参数的选择不太敏感。该算法在导弹综合测试专家系统的应用中取得了很好的效果。     

一种径向基函数神经网络在线训练算法及其在非线性控制中的应用

针对现有径向基函数(RBF)神经网络训练算法存在的问题,给出了RBF神经网络的一种 在线训练算法,对这种在线训练算法所涉及到的各个方面进行了全面的分析．仿真表明所提 出的算法是非常有效的,它克服了以往算法的不足并具有很大的实用性．进一步将RBF神 经网络用于非线性控制,取得了良好的结果．     

神经网络在天气预报中的应用

人工神经网络通过神经元之间的相互作用来完成整个网络的信息处理,具有自 学习和自适应等一系列优点,因而用它来进行天气预报是可行的．针对天气预报问题,初步 建立了基于神经网络的预报系统,给出了应用实例．     

改进的DK算法在网络信息聚类中的应用

k-means聚类算法的有效性依赖于初始中心的选择。提出一种利用样本点空间分布的邻域密度来选择合理的初始中心的算法。提出的算法是对DK算法[2]的一种改进。有两方面改进:一是通过合理地选择距离阈值来静态地选择初始聚类中心,称为DK-Ⅱ-S算法;二是通过对选择样本点计算密度与已选择聚类中心最小距离的加权,使得该点被选择为初始中心点的概率与这个加权成正比,动态地选择初始聚类中心,称为DK-Ⅱ-D算法。在一个实际文本数据集上进行实验计算,证实算法改进的效果良好。     

BP网的收敛特性及其在物性建模中的应用

本文对反向传播(BP)网络在非线性系统建模过程中的收敛特性进行了研究,讨论了隐含层单元数对收敛特性的影响以及快速BP算法和Levnberg-Marquardt算法,并将其应用在物性建模中。结果表明,通过建立的模型可以很好地预测物性。