基于神经网络的交流伺服系统快速混合算法控制

标准的ＢＰ算法的最大局限在于：它不能保证收敛于神经风络总误差函数的全局最小点，而且由于“贪婪”的固定步长的最陡下降算法，有时连局部极小点也达不到。本文采用一种混合算法：将修正的快速ＰＩＤ型ＢＰ算法与Ｓｏｌｉｓ＆Ｗｅｔｓ随机最优化方法相结合，实现快速的、在有限迭代次数内达到全局最小的神经网络ＢＰ算法，并由此而构成控制顺应用于交流伺服驱动系统的控制。仿真结果证明该方法可以达到预期的目的，具有快速性、全     

适合于BP学习的共轭梯度法

基于ＬＭＳ的标准ＢＰ算法收敛速度极慢，而共轭梯度法要求精确的线性搜索，这在神经网络的高维权空间中是难以实现的。本文提出了一种新的ＢＰ学习算法，它采用一种对线性搜索要求不高的改进的共轭梯度法与一种简单的不精确线性搜索相结合，极大地提高了ＢＰ学习速度。经多次测试表明，与标准ＢＰ算法相比，该算法的效率提高了二个数量极。     

BP神经网络结构与样本训练参数选取的初步探讨

结合笔者开发的ＢＰ神经网络生成器，对ＢＰ网络结构和训练参数选取进行了详细的讨论，在克服传统的ＢＰ网络缺陷方面进行阴益的探索。     

反向传播（BP）算法及其在VB5中的实现

先介绍了反向传播（ＢＰ）算法的基本概念,然后给出了ＢＰ算法在Ｖｉｓｕａｌ Ｂａｓｉｃ５．０可视化编程语言中实现的具体方法。     

神经网络BP算法在有源消声中的应用

为了克服传统自适应有源消声算法在应用中稳定性方面的不足,尝试将神经网络反向传播（ＢＰ）算法应用于有源消声技术。文中建立了基于ＢＰ算法的自适应有源消声（ＡＡＮＣ—ＢＰ）模型并给出该算法的递推公式。利用ＴＭＳ３２０Ｃ２５开发板实现了该算法功能。在半消声室中进行了单频和１００Ｈｚ带宽的消声实验,仅利用单个次级源结构便获得较好的消声效果。实验证明,基于ＢＰ算法的消声系统具有良好的稳定性。     

基于BP神经网络的化工过程建模研究

研究使用ＢＰ神经网络来完成化工过程的建筑。一般的化工过程建模问题是非线性的问题，很多情形下，与不相有关量的变化速率数量级相差很大，从而问题是刚性的。这时，用数值方法难于对过程的变化精确求解。由于ＢＰ网络能实现任何非线性的连续映，故适于处理复杂化工建模问题，将ＢＰ神经网络用于精细塔的温度计算，结果令人满意。     

基于BP网络的伺服阀故障诊断方法

介绍应用ＢＰ网络诊断伺服阀故障的原理和方法,在试验的基础上建立了伺服并故障诊断的ＢＰ网络,并成功地实现了伺服阀状态的模式识别。     

用BP网络诊断汽轮发电机组振动故障

针对ＢＰ网络的不足，提出了自适应学习率的ＢＰ网络算法，该算法从根本上解决了ＢＰ网络中学习率的取值和收敛速度慢的问题，并有效地解决了ＢＰ网络易收剑到局部最小点的问题，并将这种改进的算法应用于汽轮发电机组的故障诊断中，结果表明该方法可行。     

几种变学习率的快速BP算法比较研究

首先将作者见到的各种变学习率的快速ＢＰ算法分成了３类，然后针对两类不同的问题对它们进行了大量的对比研究；根据实验结果指出，对种种皮变学习率为基础的快速ＢＰ算法，应视具体应用问题慎重选择，不能仅凭对一个问题的实验即说明这一定比基本ＢＰ算法更为优越。     

神经网络结构与训练参数选取

结合作者研制了ＢＰ神经网络生成器，对ＢＰ网络结构和训练参数选取进行了详细的讨论，在克服传统ＢＰ网络缺陷方面进行了有益的探索。     

一种快速敛于全局最小点的BP新算法

局部最小问题是ＢＰ算法本身固有缺点。本文针对这一问题，提出了一种改进算法－ＢＰ算法。该算法把较大的学习率能导致网络振荡这一消极因素，成功地转化为使网络能跳出局部最小的有利机制，同时在调整学习率时，有效地运用了模拟退火思想，从而使ＢＰ网的学习过程能够以较快的速度收敛于全局最小点。     

神经网络在图像压缩中的应用研究

探讨应用神经网络实现图像压缩和解压缩技术。神经网络结构由两组三层ＢＰ网络嵌套而成，分别为输入层、结合层、压缩层、分解层和输出层。由ＲＧＢ彩色模式的ＢＭＰ图像文件产生样本数据，采用ＢＰ算法的一种扩展型，即嵌套训练算法，对网络进行训练，得到有效的模拟结果。     

具有非线性连接权的BP网络性能分析

在经典ＢＰ网络的基础上，将线性连权值改为非线性权值，激活函数分别Ｓｉｇｍｏｉｄ函数和Ｃｈｅｂｙｓｈｅｖ多项式构成ＳＢＰ和ＣＢＰ，分析网络的性能，并用计算机进行仿真实验给出仿真结果。     

新型BP网络用于非线性化学体系的研究

提出了一种杂化ＢＰ网络模型及新型变步长算法，使常规ＢＰ算法的收敛平稳性及收敛速度获得了改善，对两类非线性化学体系的实例研究表明该网络较多元线性回归及常规ＢＰ网络具有更好的学习与预测效果。     

神经网络BP算法的研究,实现及改进

给出了目前较流行的一种神经网络学习算法－－神经网络ＢＰ算法的数学证明及计算机实现，并在此基础上提出了几种改进算法。计算机模拟结果表明，改进算法提高了学习速度与精度，应用于工程图形元素识别效果良好。     

BP网在多灰度运动目标识别中的应用

介绍了利用ＢＰ网进行多灰度运动目标识别的方法。针对传统的ＢＰ网训练时间长等缺点以及多灰度级目标识别的特点，对传统ＢＰ算法作了适当的改进，提出了训练样本组织和选择的一些方法和技巧，并将以上的改进算法及组织和选择样本的原则应用到多灰度坦克目标识别的ＢＰ网训练的实验中。实验结果表明改进的算法及所采用的原则是合理的，它可以有效地缩短ＢＰ网的学习时间、防止网络的振荡，并且能在一定程度改善ＢＰ网的性能。     

BP神经网络在MATLAB上的方便实现

ＢＰ神经网络已广泛应用于非线性建摸，函数逼近，模式分类等方面。但对解决具体问题而言其模型结构的确定，每层神经元个数的选择无现成的规律可供遵循，必需由实验确定。由于ＢＰ网络收敛速度慢，计算量大，无形中要增加实验编程工作量本文介绍了 目前较为流行的工程计算软件ＭＡＴＬＡＢ进行ＢＰ网络建立，训练，仿真的编程方法，并给出应用示例和应用注意事项。     

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。     

神经网络自适应学习步长研究

论述了神经网络学习算法的研究现状和存在的问题，分析了ＢＰ算法中学习步长选取的局限性，建立了ＢＰ网络输出误差的非线性规划模型，并根据文献［６］的状态空间混合算法，推导出了一种自适应调整学习步长的公式。推得的学习步长能够利用环境改变的信息反馈不断自动改变。     

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。