BP网络学习算法改进及用于手写体数字识别

从误差函数入手对传统ＢＰ（Ｂａｃｋ－Ｐｒｏｐａｇａｔｉｏｎ）学习算法进行改进，实验表明此改进算法不仅提高了网络训练效率，而且改善了网络推广性能．     

几种改进BP算法的性能比较

对ＡＢＰＭ、Ｌ－Ｍ、ＨＢＰ三种改进的ＢＰ算法的原理进行了研究,通过仿真计算,人统计角度对它们在分类问题、逼近问题随两方面的收敛速度、收敛精度等特性进行了分析比较,并对三种算法中影响网络收敛在因素进行了探讨,为使用者选择适合自己的高性能算法提供了参考。     

提高前馈神经网络学习效率的学习算法探讨

简要分析了最速下降法（Ｓｔｅｅｐｅｓｔ Ｄｅｓｃｅｎｔ Ａｌｇｏｒｉｔｈｍ ,即ＳＤＡ 法）和正交校正共轭梯度法（ＣＧＭ－ＯＣ法）的优缺点,提出了一种进行多层前馈神经网络学习的新算法,即ＳＤ－ＣＧＭ－ＯＣ算法．该算法结合最速下降法与正交校正共轭梯度法的特点,在文中所述实际问题构造模型的基础上,论证了ＳＤ－ＣＧＭ－ＯＣ算法比传统的ＢＰ算法具有更高的学习效率和二次收敛率．实验结果验证了该学习算法的有效性．     

一种改良BP网络方法研究

误差反向传播神经（ＢＰ）网络存在学习速度较慢、易陷入局部极小等缺点。通过自适应步长、反传改进参数γ、数据预处理和权值初始化等改良ＢＰ网络,使标准ＢＰ算法收敛速度大大加快,收敛平稳性获得提高。方法用于钙、镁、铁的三组分混合物同时定量分析,取得一定效果。     

多层神经网络的一种新的学习算法

给出前馈式多层神经网络的一种新的学习算法，该算法的特点是单参数动态搜索，大大减少了误差函数的计算量。给出了详细的算法描述。计算结果表明，新算法的收敛速度较现行的Ｂ－Ｐ算法有明显的改进。     

基于鲁棒误差函数的BP算法

提出一种基于鲁棒误差函数的ＢＰ学习算法,并对这种算法进行了仿真研究。结果表明该算法增强了ＢＰ网络的泛化能力,提高了ＢＰ网络的鲁棒性,加快了ＢＰ网络的收敛速度。     

改进BP算法及其在滚动轴承故障诊断中的应用

对每次权值和阈值的调整均采用固定不变的学习率,是导致传统ＢＰ算法收敛速度慢的一个主要原因。本文从提高收敛速度及精度出发,对改进ＢＰ算法进行了深入研究,在ＢＰ算法中引入统计思想,给出相关系数定义。基于相关系数,采用变学习率策略,提出两种学习率自适应调整算法,并将其具体应用于滚动轴承的故障诊断中。试验证明,此改进算法的收敛速度比传统ＢＰ算法显著提高。     

HDPE/NBR 共混改性的研究

以自制的ＨＤＰＥ－ｇ－ＭＡ作为高密度聚乙烯（ＨＤＰＥ）与丁腈橡胶（ＮＢＲ）的增容剂，应用力学性能的测试，研究了共混体系改性的效果，分析了增容剂的增容作用．结果表明：ＨＤＰＥ－ｇ－ＭＡ起到了增容作用，使ＮＢＲ对ＨＤＰＥ达到了其增韧改性效果．     

ABSTRACTS OF PAPERS

ＡＢＳＴＲＡＣＴＳＯＦＰＡＰＥＲＳＰｕｂｌｉｓｈｅｄｉｎＪｏｕｒｎａｌｏｆＢｅｉｊｉｎｇＩｎｓｔｉｔｕｔｅｏｆＴｅｃｈｎｏｌｏｇｙ，ＣｈｉｎｅｓｅＥｄｉｔｉｏｎＶｏｌｕｍｅ１７，Ｎｏ．４Ｔｈｒｏｕｇｈ６（Ｊｕｌｙ－Ｄｅｃｅｍｂｅｒ，１９９７）Ｅｘｉｓ...     

语音多带激励模型基音搜索算法的一种改进

深入分析了ＭＢＥ模型分析算法的复杂度,认为原算法中的双闭环基音搜索结构有很大的改进余地,提出了一种基于Ｂ－样条二进离散子波变换（Ｂ－ＳＤｙＷＴ）基音检测法的改进ＭＢＥ模型分析算法．其关键在于利用Ｂ－ＳＤｙＷＴ 基音检测原理将这种双闭环搜索算法改造成先开环后闭环的结构．理论分析说明,这种改造可以大幅度地降低基音搜索的复杂度,而不降低其性能．通过仿真实验对改进前、后的ＭＢＥ模型基音搜索算法的复杂度、准确度以及抗噪声能力等方面进行了全面的对比分析．得出的结论是改进算法与原算法相比各项性能均不低于原算法甚至有所改善,特别是证实了理论分析中的复杂度降低作用．     

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。     

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。     

基于粒子群优化算法的BP神经网络在图像识别中的应用

介绍了一种采用微粒群算法与BP算法相结合的方法用于BP神经网络模型优化，来提高模型的收敛速度和精度。仿真结果表明，与BP算法相比较，PSO—BP学习算法训练的神经网络不仅训练时间明显缩短，而且其预报精度也得到了较大的提高。     

基于改进BP算法的商品销售量的预测

提出了一种改进的BP算法，该方法通过结合Cauchy训练来改进传统BP算法，避免传统BP算法容易陷入局部极小点，提高Cauchy训练的训练速度和解决不收敛的问题，并运用该方法于商品销售量的预测，实例表明该方法使网络具有较快的收敛速度和较高的准确度．     

快速收敛全局最优的多层前向神经网络综合反向传播算法

提出一种用于多层前向神经网络的快速收敛全局最优的综合反向传播算法。该算法使用了综合考虑绝对误差和相对误差的广义指标函数,采秀了在网络输出空间搜索的反传技术,具有动态自调整学习率和动量因子,有神经元激活特性自调整、减少平台现象和消除学习过程中不平衡现象的能力。对比实验表明该算法有比基本ＢＰ算法快得多的收敛速度,并能取得全局最优解。     

一种改进的BP网络快速算法

BP神经网络已广泛应用于许多领域,但标准BP算法收敛速度很慢.为了提高标准BP算法的收敛速度,提出一种基于LM数值优化算法,以双极性S型压缩函数为转移函数的改进BP算法.分析了双极性S型函数及LM算法与BP神经网络具体结合实现的方法,并给出了算法步骤.通过实例证明,改进后算法的收敛速度比其它BP算法快.     

The tool for building an NN based on improved BP algorithm

0　ＩＮＴＲＯＤＵＣＴＩＯＮＢａｃｋ ｐｒｏｐａｇａｔｉｏｎＡｌｇｏｒｉｔｈｍ (ＢＰ)ｉｓａｖｅｒｙｕｓｅｆｕｌａｌｇｏｒｉｔｈｍｉｎｍａｎｙａｓｐｅｃｔｓ.Ｂｕｔｉｔｈａｓｔｈｅｆｏｌｌｏｗｉｎｇｐｒｏｂｌｅｍｓ:①Ｔｈｅｌｏｃａｌｌｅａｓｔｐｒｏｂｌｅｍｉｎｅｖｉｔａｂｌｅｄｕｅｔｏｉｔｓｎｏｎ ｌｉｎｅａｒｏｐｔｉｍｉｚｉｎｇｃｈａｒａｃｔｅｒｉｓｔｉｃ②Ｔｈｅｓｌｏｗｃｏｎｖｅｒｇｅｎｔｓｐｅｅｄ③Ｌａｃｋｏｆａｃａｄｅｍｉｃｇｕｉｄａｎｃｅｆｏｒｔｈｅｈｉｄｄｅｎｎｏｄｅｓ’ｎｕｍｂｅｒｃｈ…     

基于ArcReLU激活函数的优化研究

对常用的激活函数进行了研究比较。对曾经提出的一种新型激活函数ArcReLU进行了改进,使其具有更快的收敛速度和更低的计算消耗。实验证明,改进的ArcReLU函数既能显著加快反向传播神经网络的训练速度,又能有效降低训练误差,甚至能避免梯度消失的问题。     

基于遗传BP神经网络的短期风速预测模型

为了提高风电场短期风速预测精度,提出将遗传算法和反向传播(BP)神经网络相结合的预测模型.采用自相关性分析找出对预测值影响最大的几个历史时刻风速,以历史时刻的风速、温度、湿度和气压作为BP神经网络预测模型的输入变量;利用遗传算法的全局搜索能力获得BP神经网络优化的初始权值和阈值;采用优化后的BP神经网络分别建立1、2、3 h的短期风速预测模型.实验结果表明,该方法较BP神经网络具有预测精度高、收敛速度快的优点.