基于BP神经网络的三相SPWM逆变电路故障诊断

提出了基于BP神经网络的三相SPWM逆变电路的故障诊断方法。首先提出BP神经网络模型及算法,然后运用BP神经网络对三相逆变电路进行故障诊断,通过调整隐含层节点和学习参数,寻找出最优的BP神经网络结构。最后,采用非学习样本数据对训练好的网络进行仿真,实验结果表明该故障诊断方法正确率达99%,该诊断方法同样适用于其它电力电子电路。     

一种基于双曲函数的BP网络改进算法

提出了一种新的BP(Back Propagation)网络权值调整规则算法。该算法以双曲函数为基础,将BP网络输出层节点的实际输出值与期望输出值的差作为双曲函数的输入,输出为权值的变化量。实例仿真表明,该算法简单,容易实现,加快了网络的学习速度,提高了学习效率。     

高校生均用房面积的BP神经网络建模研究

针对教育部规定的高校评估指标体系中的生均教学行政用房面积指标,选取1999年至2008年辽宁省高校数据,对影响高校生均教学行政用房面积的各字段进行归一化处理,利用SAS/Enterprise Miner软件中BP神经网络算法建立网络模型。测试隐层节点数和学习率对网络预测的影响,以修正样本数据最小误判率作为模型的判别标准,最终得出输入节点为10、输出节点为1、隐层节点数为17、学习速率为0.2的神经网络模型,此时修正样本数据的RMSE（均方根误差）最小,网络模型预测结果最好.     

一种基于BP网络的流量分类方法

针对传统的网络流量分类方法准确率低、开销大、应用范围受限等问题,提出了一种基于BP网络的流量分类方法。该方法改进了标准的BP网络算法,采用基于Lyapunov函数得到的自适应学习率,并引入遗传算法优化网络的初始连接权值和阈值,使网络避免陷入局部最小,加速了网络收敛过程。实验结果表明,采用改进的BP网络算法来处理网络流量分类问题具有明显的优势：该方法的收敛速度和拟合精度均优于标准BP算法,而且流量分类准确率高于NB算法。     

提高BP网络训练速度的研究

由于误差函数的高维复杂性,BP网络在目前的应用中存在训练速度慢至导致网络系统瘫痪的问题,针对训练中的归一化问题、隐层节点数的选取、样本数目的增减取、样本数目的增减法、整体学习率的确定及训练算法进行了研究。结果表明：训练样本数据不必一定归一化到[0,1],可以通过简单的线性变换将数据转化到某相区间,使分布合理,以满足训练需要;根据经验公式,确定隐层节点数的初值,选取规模略大一点的网络开始训练;网络应对学习过的样本加强记忆,更应注意剔除错误样本;引入黄金侵害法的思想来调整学习率的步长,效果理想;采用单参数动态搜索算法作为学习算法,能快达到训练要求的精度。     

基于BP网络的数字识别方法

比较了各种数字识别方法,采用BP神经网络设计了一个数字识别系统。首先对数字图像进行二值化处理,构造输入向量矩阵;接着通过选取初始权值、隐层节点数和权值学习算法,创建BP神经网络,对样本数据进行训练;之后对加有噪声的样本再次进行训练,以提高网络的鲁棒性;最后制作了图形用户界面进行实验。测试结果表明,该系统对噪声系数小于0.85的字符识别率可达96%,且网络训练时间可以接受。     

基于改进BP网络的电力系统超短期负荷预测

超短期电力负荷预测是电力系统运行管理的重要工作之一。本文提出了一种基于改进BP网络的超短期负荷预测方法。考虑了训练样本中坏数据的剔除,建立了变结构的BP网络模型,然后采用变学习步长的方法对BP网络模型进行训练。对某地区实际负荷的预测结果表明该方法有较高的预测精度,能取得令人满意的结果。     

时变时滞耦合复杂网络的函数投影同步

为了探索时变时滞耦合复杂网络的函数投影同步及参数辨识问题,构造时变时滞耦合的节点参数未知和拓扑结构未知的2类复杂网络.利用牵制控制方法,分别设计这2类网络各自的自适应控制器,使得2类网络和其孤立节点实现函数投影同步.分别利用网络节点未知参数的辨识法则和网络未知拓扑结构的辨识法则,对网络的节点参数和拓扑结构进行辨识.最后给出数值仿真例子验证自适应控制器和辨识法则的有效性.     

基于BP-RBF神经网络的永磁无刷电机控制研究

针对常规PID对永磁无刷电机这类非线性系统控制时参数难以整定、适应性差的问题,提出一种基于径向基函数神经网络在线识别与BP神经网络自适应控制相结合的控制方法,即BP-RBF神经网络自适应控制。该方法构造一个RBF网络对系统进行在线辨识,并把辨识信息传入BP网络,通过BP网络实时调节PID系数,从而完成对电机转速的自适应控制。基于Simulink仿真平台,分别将BP、BP-RBF和传统PID算法应用到永磁无刷电机的调速系统中,并对控制效果进行了仿真验证。结果表明,BP-RBF控制方法具有上升时间短、鲁棒性强、转速波动小的优点。     

一种基于BP网络的改进

BP神经网络存在其固有的缺陷：收敛速度慢、易陷入局部极小、网络结构难以确定等.本文针对BP网络学习速度慢的缺点.用熵函数作为误差函数来对BP算法进行改进,提高了收敛速度和稳定性.通过对标准BP网络和相对熵方法在不同学习速率上收敛速度的比较实验证明,相对熵BP网络在收敛速度和稳定性方面有着明显的优越性.     

基于改进BP神经网络算法的短期负荷预测

分析了BP神经网络的特点,从学习速率的角度讨论了BP算法的改进方法,并用加州负荷数据进行24h负荷预测及算例分析.仿真结果表明,改进BP神经网络算法预测的平均误差比常规算法降低了0.445％,并且克服了当接近最优解时易产生波动和振荡现象的问题,训练速度也有所提高.     

基于BP神经网络的教学质量评价

基于MATLAB设计神经网络评价流程,以3层BP神经网络进行教学质量评价,其中隐含层的传递函数为tansig,输出层的传递函数为purelin．为保证网络的泛化能力,在训练样本的选择上,选择比较有代表性的数据,打乱顺序,对数据进行归一化预处理;训练函数采用Levenberg—Marquardt算法,选择学习速率为0．01,网络训练误差为le^-5,训练次数1000次,步长选择为10．成功训练神经网络后,对给出的4组数据进行了预测,画出预测拟合及误差分析图形．结果表明：在设计BP神经网络模型的基础上,采用合理的样本数据,神经网络就会通过训练样本,学习到样本的有关环境本身的内在规律性,对输入给出正确的反应,以实现教师的教学质量评价．     

基于RBF -BP神经网络融合的医学数据分类研究

为改善传统的反向传播(BP)神经网络和径向基函数(RBF)神经网络的学习能力和分类性能的不足,提出一种融合RBF网络与BP网络的混合神经网络算法(HRBF -BP),并将其应用到医学数据分类问题中.在网络结构的实现上,将RBF隐藏层与BP隐藏层进行级联融合,即在连接BP网络输入层与隐藏层之间加入RBF核映射层; 在学习算法的实现上,先采用k-均值聚类算法来实现RBF核参数的估计,然后再使用基于随机梯度下降的BP算法实现级联BP网络的权值优化.将该算法与SGBP、KMRB、PFRBF等算法在不同的医学数据集上进行分类实验对比表明,该方法的网络训练精度以及测试精度均优于SGBP、KMRB、PFRBF算法; 因此,该方法对提高BP网络和RBF网络的学习能力和分类性能具有良好的参考价值.     

改进的BP算法在短期负荷预测中的应用

提出了一种改进的BP神经网络学习算法,并将其应用于短期电力负荷预测中,通过采用基于响应函数输出限幅和自适应调整学习率等措施,来提高神经网络本身的效率和精度,仿真结果验证了改进措施的有效性,取得了满意的预测结果.     

电压无功控制中的不良数据辨识

电压无功控制(VRPC)由于缺少对变电站遥测数据的真实性进行有效和准确地辨识,容易引起装置误动.针对电压无功控制装置的功能和研究现状,根据无功负荷曲线相似性和平滑性的两个重要特征,采用改进的BP神经网络模型,通过对影响无功负荷的主要因素进行离线训练,实现对无功负荷曲线的拟合,进而实现对无功负荷的预测.通过对实时无功负荷数据和预测无功负荷数据进行比较,实现对不良无功数据的在线辨识.仿真算例验证了改进的BP神经网络模型的有效性和准确性.     

基于模糊C-均值聚类分析与BP网络的短期负荷预测

提出了一种基于模糊C-均值聚类分析与BP（Back-propagation）网络的短期负荷预测方法，通过模糊C-均值聚类分析将历史负荷数据分成若干类，建立相应的BP网络模型，用LM（Levenberg-Marquardt）优化法进行训练，找出与预测日相符的BP网络，预测一天中96点的负荷，实际负荷预测结果表明，该方法具有较好的训练速度和较高的预测精度。     

BP神经网络训练的函数变步长搜索调整法

通过深入分析了ＢＰ神经网络的步长调整，采用函数变步长搜索法来提高网络的学习速度，提出一种新的改进的ＢＰ算法，该算法在速度和收敛性方面比传统ＢＰ算法优越。     

基于Matlab的BP神经网络在大坝观测数据处理中的应用

建立大坝观测数据处理的BP人工神经网络模型,用正交变换法来初步优化设计大坝变形分析的模型结构.运用Matlab工具箱函数建立网络模型,选择合适的训练函数,并采用正则化的算法以缩小网络的规模,改进BP算法提高学习速度和算法的可靠性.实例表明,基于Matlab的神经网络优化设计能比较有效地避免BP网络的固有缺陷,在精度和训练速度上得到提高.