自适应与附加动量BP神经网络的ECT流型辨识

传统BP神经网络是解决电容层析成像系统流型辨识经典的算法,虽然在一些简单问题上达到了工业实际应用的要求,但如果解决复杂工业问题时就会暴露出很多缺陷。针对传统BP神经网络算法的不足,为降低误差震荡现象,引入了自适应调节学习速率和附加动量因子。通过输入电容值进行训练,得到适合流型识别神经网络。仿真实验结果表明,该算法不仅继承传统BP神经网络的优点,而且还提高了ECT系统流型辨识中的收敛速度慢,解决了容易陷入局部极小值的问题。     

BP网络的自适应步长因子算法

利用灰色理论的关联度方法，提出了ＢＰ网络的自适应步长因子算法，加快了ＢＰ网络的学习速度。最后以异或问题为例说明了该算法的正确性和可靠性。     

改进自适应遗传算法在BP神经网络学习中的应用

针对遗传算法容易产生局值的问题,提出一种新的自适应遗传算法,改进遗传算子,通过比较两代之间的适应度评估值,选取适合的交叉率和变异率,保证了优秀个体进入下一代,而且避免了种群中最大适应度值的个体的交叉率和变异率为0的情况.最后,将改进后的算法应用于库存控制模型,实验表明,改进后的自适应遗传算法能避免局值,提高网络的收敛速度,改善了网络的学习性能.     

BP神经网络学习算法的研究

文中针对BP算法收敛速度慢的问题,提出一种改进的BP算法．该算法结合生物神经元学习与记忆形成的特点,针对特定的训练样本,只激发网络中的部分神经元以产生相应的输出,而未被激发的神经元产生的输出则与目标输出相差较大,所以对未被激发的神经元权值闽值进行调整．利用距离来度量训练样本与神经元权值之间的关系,可以找到未被激发的神经元．文中提出的算法是对局部神经元权值闽值的调整,通过实验表明该算法有助于加快网络的学习速度．     

基于模糊自适应BP算法的工程造价估算

工程造价估算是工程建设管理的重要环节，应用BP网络进行估算快速方便，但是BP网络学习收敛速度较慢，学习效率较低，常不能保证全局收敛而导致学习失败，对其算法进行了改进，提出了一种模糊自适应BP算法，并通过一个工程实例，应用改进后的BP网络进行工程投资估算，结果表明，该方法可行，估算结果精度较高。     

基于改进型动量BP神经网络算法的风扇叶片性能优化研究

为探索叶片优化设计的新途径,获得具有更高气动性能的各类叶片,使用了一种改进型变学习率动量BP神经网络算法和非均匀有理B样条函数法相结合的方法,对某风扇压气机的第2级转子叶片特别是针对其根部基元级进行了气动优化改型设计;通过对转子叶片和整个风扇压气机优化设计前后气动性能的对比分析,表明该优化设计方法确实可行,能够改善转子叶片以及整个风扇压气机的气动性能,使整机的效率和压比分别增长了0.379 4%以及0.225 4%,达到了优化的目的。     

BP神经网络自学习PID算法在PLC的实现

目前神经网络自适应PID算法在理论研究方面的成果已经较多,在实际生产过程中的应用较少。以水箱控制为被控对象,利用神经网络在线调节PID控制器参数来增强系统的自适应能力,并采用PLC编程语言完成算法实现,将其应用于实际的液位控制系统中。实际运行结果表明,该系统运行稳定可靠,调节时间和上升时间提高了30％。     

自适应-模糊滤波算法

为了克服大部分的自然图像中同时存在脉冲噪声和高斯噪声,在分析了传统滤波算法特点的基础上,提出了一种改进的自适应-模糊图像滤波算法.该算法首先判别并标定图像中的脉冲噪声,以实现两类噪声的分离.采用自适应滤波窗口的中值滤波算法滤除脉冲噪声,有效地克服了传统中值滤波的不足.在有效地滤除脉冲噪声的基础上,引入提出了模糊控制中隶属度函数的概念改进均值滤波算法,结合图像直方图的自适应,提出隶属度函数的阀值,克服了均值滤波造成图像细节模糊的不足.最后提出了一种针对图像滤波算法中求解中值的快速算法,提高算法的实用性.仿真证明,自适应-模糊滤波算法在滤除图像中混合噪声的效果明显优于传统滤波算法,可广泛应用于各种图像处理场合.     

关于BP网络批学习算法的讨论

本文仿真结果和理论分析表明，与在线学习算法相比，批学习算法并不是一种更为有效的方法．相反，在线学习算法的学习性能（收敛精度和收敛速度）均优于批学习算法     

BP网络学习算法改进方案的探析

Ｂ Ｐ 网络是目前应用最为广泛的神经网络,但由于 Ｂ Ｐ 网络采用的是梯度下降法,这就不可避免地会出现网络学习收敛速度慢及容易陷入局部极小等问题。此外,学习因子和惯性因子选取对网络的收敛有较大的影响,但它们只能凭 经验确定。因此, Ｂ Ｐ 网络的有 效应用受到 了一定的限 制。针对 Ｂ Ｐ网络的学习收敛速度慢这一主要缺陷,对改进激励函数、改进 误差函数、改进一般化误差、学 习因子和惯性因子的自适应调整、梯度下降法与直接搜索法相结合、全局 优化、非线性优化、拓仆修正算 法等多种改进方案按改进原理进行了分类综述,并在此基础上,通过解决 Ｘ Ｏ Ｒ 问题的仿真实验对部分改进方案进行实验性评价,分析说明了它们的优劣和特点。     

自适应周期滤波器及其学习算法

针对周期平稳随机信号,提出自适应周期滤波方法.该文给出自适应周期滤波器的一般结构和实现步骤,推导出周期最小均方算法和周期最小二乘算法.完成的仿真算例验证了所提出的自适应周期滤波方法的有效性.     

批量归一化的自适应联邦学习算法

针对联邦学习模型在训练过程中出现的客户端漂移以及协变量偏移的问题,提出一种基于批量归一化的自适应联邦学习算法。该算法融合参数自适应更新与批量归一化。在迭代的过程中,客户端本地模型通过自适应参数不断优化,从而缓解客户端漂移。通过批量归一化约束模型复杂度,算法收敛速度显著加快。使用时装数据集以及图像10分类数据集分别在卷积神经网络以及多层感知机网络模型上进行实验。结果表明,相较于经典的联邦平均算法,提出的算法在提升精度的同时加快了30%以上的收敛速度。在非独立同分布的数据实验中,该算法在设备低参与率的情况下也能够达到预期的效果。     

一种新型的混沌BP混合学习算法

将一种新的快速BP(FBP)算法和混沌优化相结合，提出了混沌BP算法(CBP算法)．FBP算法吸收了误差函数的非线性信息，大大加快了BP算法的收敛速度，但它仍然采用梯度下降法，不可避免地存在局部极小的缺陷．混沌动力学具有遍历性、随机性的特点．能在一定范围内按其自身规律不重复地遍历所有状态，将混沌优化搜索引入FBP算法中，形成一种新型的混沌BP算法．它既能较快地局部收敛，又能全局收敛，避免了陷入局部极小的可能性．CBP算法为多层前馈网络的全局性收敛学习提供了一种有效的方法．     

一种BP神经网络的学习算法及其改进

本文详细推导了典型ＢＰ神经网络学习算法,并给出了一种基于动量和学习速率自适应调整的虎法。仿真结果表明,改进算法的学习速度和收敛性得到了明显的提高。     

基于改进BP学习算法的GPS高程转换

针对标准BP算法在GPS转换中的不足,给出改进的BP学习算法,通过对工程实例分析比较得出改进的BP算法在转换GPS高程中可以大大减少BP神经网络的训练时间,提高高程转换的效率.     

正交投影神经网络的BP和GS杂交学习算法

主要讨论具有单隐层的正交投影神经网络的权值和阈值的学习问题,提出了一种新的将BP算法和GS算法相结合的杂交学习算法,其中GS算法对隐层到输出层的权值和阈值进行学习,BP算法用于输入层到隐层权值的学习,并给出一种最佳的隐层节点数的选取方法．仿真实验表明,该杂交学习算法具有学习速度快且能获得全局最优解的特点,并可有效地对学习过程中出现的病态情况进行求解,具有良好的普适性。     

基于反馈调控参数的BP学习算法研究

为解决经遗传算法优化后的BP网络极易陷入饱和区域而导致网络学习停滞的问题,基于神经生理解剖学关于神经电位脉冲发放系统和神经递质系统的耦合机理,提出一种改进的基于反馈调控参数的BP学习算法,通过反馈调控参数对神经元的节点输出进行扰动,避免学习过程中发生权值调整量趋于。的问题,从而解决经遗传算法优化后的BP网络容易出现的饱和区域问题．仿真实验结果表明,该方法能有效克服饱和区域引起的学习停滞问题,提高BP网络对遗传算法优化结果的精确定位能力,而且还具有收敛速度快和稳定性好的优点和在较大权值空间中的寻优能力．     

基于频繁项自适应学习的分类算法

为了提高大数据在存在类间闭频繁项干扰下的分类提取能力,提出了一种基于频繁项自适应学习的大数据优化分类算法.采用离散高斯随机序列分析方法构建大数据信息流模型,对大数据分布式时间序列进行奇异值分解和特征空间重组,将大规模的数据问题变为一系列小规模特征分解运算.采用分段预白化匹配滤波算法进行类间闭频繁项干扰抑制处理,提高大数据分类的局部平稳性和泛化性.在重组的特征空间中提取大数据信息流的高阶累积量特征,采用模糊K均值聚类方法对提取的特征量进行分类处理,实现了大数据分类算法的改进.仿真结果表明,采用该算进行大数据分类的准确性较好,抗干扰能力较强,可实现海量大数据的快速聚类,具有较好的自适应学习能力,全局收敛性较好.     

基于变学习速率的自适应ICA算法

学习速率的优选问题是自适应ICA算法中的一个重要问题。本文建立了学习速率与相依性测度之间的一种非线性函数关系,以此为基础本文提出了一种新的变学习速率的自适应ICA算法。该算法具有初始阶段和未知系统时变阶段步长自动增大而稳态时步长很小的特点,克服了传统算法在稳态阶段步长调整过程中的不足,而且具有很快的收敛速度。计算机仿真结果与理论分析相一致,证实了该算法的性能。