基于改进BP-自适应遗传算法的VRP问题的研究

介绍了采用自适应遗传算法和改进BP算法相结合的混合算法来训练BP网络的方法,即先用自适应遗传算法进行全局训练,再用改进BP算法进行精确训练,以达到加快网络收敛速度和避免陷入局部极小值的目的.结果表明该算法收敛速度快,分类精度较高.     

PyTorch下基于CNN的手写数字识别及应用研究

文章对卷积神经网络模型LeNet-5中的激活函数、下采样方式等进行改进,对训练参数进行调整,使改进后的模型手写数字识别准确率达到99.2％.使用PyTorch搭建模型,用MNIST数据集对模型进行训练,其后在自制数据集上进行测试,从识别准确率和训练速度等方面验证了模型的可靠性.借助TensorBoard监督整个网络模型的训练过程,指导对模型参数的优化调整.最后,将改进的网络模型服务于该校人工智能课程答卷分数的识别中,使手写分数得到准确识别.     

人脸检测级联分类器快速训练算法

目前AdaBoost训练算法已被广泛地应用于人脸检测中级联分类器的构建,而AdaBoost算法训练级联分类器的周期却十分漫长.为了减少训练时间,文中提出了一种基于AdaBoost的改进训练算法.该算法通过对弱分类器的阈值选择进行一趟处理来降低运算时间复杂度,并根据AdaBoost训练迭代中只改变样本权值而不更新样本的特点对特征值和排序结果进行缓存来提高训练算法的性能.实验结果表明,该算法大幅提高了人脸检测分类器训练系统的性能,使得分类器的训练时间缩短了60多倍.由于AdaBoost算法的通用性,该改进算法不仅适用于人脸检测,也适合所有进行权值更新迭代训练的Boosting算法.     

基于整合思想的神经网络泛化能力改进研究

神经网络的泛化能力是影响其可用性的重要方面.本文在总结现有泛化能力改进措施的基础上,将各种独立的改进措施进行了整合,并融入神经网络的构造和训练过程,提出了基于整合思想的神经网络泛化能力改进措施,并针对其中的一类重要问题--确定训练时间进行了具体的数理分析,得出了一些有价值的结论.     

改进BP算法在识别含噪声字符中的应用

提出了一种基于人工神经网络的含噪声文字的识别方法.以改进的人工神经网络BP算法为基础,设计了一个文字识别系统,对英文字母、数字和汉字进行识别,通过用带有噪声的文字来训练网络,提高了网络的容错能力.实验结果表明,改进的BP算法降低了网络训练次数,有效地对由数字、英文字母、汉字组成的样本集进行训练,实现了对多种字符的正确识别.     

蔗糖结晶中的BP网络的算法选择及改进

推导了隐层节点和输出节点的学习及修正公式,选择了初始权值、学习速率和期望误差等相关学习参数,结合结晶工段实际进行了网络训练.为加快网络的收敛,在保证系统稳定的基础上,提出了S函数输出限幅和变步长法两种改进方案.采用改进的BP算法对此BP网络进行了训练,得到的ANN网络训练输出值与实际输出值非常逼近.     

一种改进BP网络学习算法

针对BP神经网络的原始算法收敛速率慢、学习精度低、训练过程易陷入局部极小值问题,为解决上述问题,提出一种以变学习率BP算法为基础的改进算法,通过区分隐层和输出层的学习率,并用交叉熵作性能函数,提高算法的学习精度和训练速度,并经过数学推导,得到改进箅法的实现公式.将改进算法应用于奇偶数判别问题进行仿真,仿真实验结果与其它类似的方法进行比较后,发现改进算法大大降低了网络迭代次数,缩短了网络的训练时间,提高了训练精度,验证了该算法的有效性.     

基于Smart Client的军队网上考评系统的改进

随着军队网上训练与考评系统在部队各单位的广泛使用,传统的C/S或B/S模型的军队网上训练与考评系统不能满足实际应用的需求,利用新技术对原系统进行改进成为亟需解决的问题.讨论了目前比较先进的Smart Ciient技术,并利用该技术对原有的军队网上训练与考评系统进行设计与改进,介绍了系统的结构、改进的关键部份的实现.该系统已经成功地应用于兰州军区各单位,并取得了很好的效果.     

洪泽湖水位预测模型的研究

水位预测是进行洪水监测的规则非线性函数关系,不易使用某个函数进行逼近.采用了BP神经网络对历年的水文信息进行学习、建模,实现了对这种不规则函数的拟合,并支持在线学习及适时调整.另外,使用改进的粒子群优化算法(PSO)对常规的BP网络进行训练.实验结果表明使用由改进的粒子群优化算法进行训练的BP神经网络进行的水位预测的精度有显著提高,并且在训练过程中尽可能地避免收敛于局部最优值.     

一种多轨道动态隧道技术训练BP网络算法

BP算法训练神经网络具有训练易陷入局部极小,收敛速度缓慢的缺点.将动态隧道技术运用到训练BP网络上,可以有效的改进BP网络易陷入局部极小的缺陷,但是传统的动态隧道技术训练BP网络算法在隧道方向具有不稳定性.提出一种多轨道动态隧道技术训练BP网络算法,在原基础上,增加了隧道搜索方向,考察搜索方向之间的相互影响,有效的改进了原算法的搜索效率.还对提出的新算法进行了性能分析,通过两种数据集进行了实验验证,证明其性能优于传统的动态隧道技术训练BP网络算法.     

改进的HS算法优化BP神经网络的入侵检测研究

基于传统BP神经网络的入侵检测中，BP神经网络算法模型存在着易陷入局部最优且初始值随机性较大的缺陷。初始值的选择直接影响到BP神经网络的训练效果，较好的初始值有利于BP神经网络跳过局部最优，从而提高训练效率。针对BP神经网络的缺陷，提出了用改进的和声搜索算法对BP神经网络的初始值进行优化，使得BP神经网络得到一组较优的初值的方法。实验结果显示，改进的和声搜索算法具有更高的适应度函数值，将该算法优化的BP神经网络用在入侵检测中，能够显著提高算法检测率和收敛速率。     

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。     

一种改进QPSO优化BP网络的入侵检测算法

为了较好克服量子粒子群算法存在早熟收敛的缺点,在分析算法参数和流程的基础上,提出了一种带变异操作的改进量子粒子群优化算法。针对传统BP算法易于陷入局部极小的不足,将改进的算法应用到BP神经网络的学习过程中,修正BP网络的权值和阈值,提高其收敛性能。并将优化的BP神经网络模型应用于入侵检测中,用标准入侵检测数据对基于不同算法的BP网络进行仿真实验比较。实验结果表明,改进后的BP算法迭代次数少,收敛速度有所提高,在一定程度上提高了入侵检测率。     

基于遗传和BP算法的车牌图像快速匹配

将基于遗传的BP 神经网络算法用于智能交通中的车牌图像匹配,结合了遗传算法和BP 算法的优点。先采用遗传学习算法进行全局寻优、再利用BP 算法进行精确训练、优化BP(Back Propagation) 神经网络权重学习和训练的神经网络图像匹配算法。实验结果表明:本文设计算法较好地达到了匹配要求,能够对目标图像与样本图像进行正确匹配,匹配概率达到了92 % ,而传统的BP 神经网络仅有79 % ,并且在匹配速度上也明显优于传统的BP 神经网络及其他改进算法,具有精确性、收敛性和匹配快等特点。     

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。     

遗传禁忌算法优化BP网络用于入侵检测

针对入侵检测系统存在的高漏报率和误报率,提出一种基于遗传禁忌神经网络的入侵检测模型。该模型基于遗传禁忌算法的全局搜索和BP网络局部精确搜索的特性,将遗传禁忌算法和BP算法有机结合,利用遗传禁忌算法优化BP网络初始权重,同时引入小生境技术改进遗传禁忌算法。实验表明,改进的遗传禁忌算法优化BP网络用于入侵检测能提高入侵检测的效率,降低误警率,可在一定程度上提高入侵检测系统的准确率。     

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。     

一种遗传BP网络及其在故障诊断中的应用

针对旋转机械故障自动诊断问题及传统BP网络和遗传算法在进行故障诊断时所存在的缺点,提出了一种改进的遗传BP网络方法,该方法首先利用改进的遗传算法进行粗精度的学习以达到选取初值的效果,然后采用改进的BP算法完成对给定精度的网络学习,建立的网络学习收敛速度快且易于实现。仿真实验证明了该方法对旋转机械故障诊断问题具有良好的适应性。     

基于DAE-BP神经网络的工业质量预测

BP神经网络因具有良好的非线性拟合能力,在建立预测模型中得到广泛应用。但化工过程数据不仅存在非线性特征,而且难以避免受噪声影响,造成数据波动从而影响预测模型准确性。为此,提出一种降噪自编码器融合反向传播算法（简称为,DAE-BP）的化工过程质量预测方法。首先,采用无监督学习模型降噪自编码器完成初始数据的噪声消除,其具有噪声鲁棒性的特点,在数据受到损坏的情况下可尽可能地恢复数据的原始状态,有利于进一步的质量预测。在此基础上,将获取的数据特征作为有监督学习模型BP神经网络的输入以获得可靠的预测结果。在脱丁烷塔化工过程实例上验证方法有效性。并与单一BP算法、主成分分析(PCA)及自编码器(AE)改进的BP算法作为对照。结果表明,经过DAE改进后的BP算法预测误差为1.2%,相比单一的BP算法提高了3.2%精度,较PCA-BP及AE-BP预测误差精度分别提高了2.3%、1.9%,表现出最好的预测性能。     

基于改进遗传算法优化BP神经网络的糖尿病并发症预测模型#br#

BP神经网络是在深度学习的研究中使用较为频繁的神经网络。本文提出一种改进遗传算法优化BP神经网络的算法（IGABP）,利用遗传算法的全局搜索能力优化BP神经网络的初始结构。由于遗传算法易陷入局部最优解,影响自身的寻优能力,故对遗传算法进行改进,最后构建糖尿病并发症预测模型进而预测糖尿病并发症的发生。本文改进遗传算法的选择算子并改进自适应遗传算法的交叉及变异概率公式。通过构建预测模型,将改进后的IGABP与BP、GABP、AGABP进行比较。仿真实验结果表明,使用IGABP进行预测的准确率要明显优于BP、GABP与AGABP,并且加快了网络的收敛速度。