修改的反向传播算法

本文提出一个修改的反向传播算法，并基于这一算法设计了一个能进行故障诊断的神经网络模型。然后，用实验说明了这一算法的实用性。     

修改的反向传播算法

本文提出一个修改的反向传播算法，并基于这一算法设计了一个能进行故障诊断的神经网络模型。然后，用实验说明了这一算法的实用性。     

平滑l1模神经网络学习算法

神经网络误差函数的不同构造将导致不同的学习敛速，本文基于递推辨识技术，对于绝对误差指标函数提出了一种新的平滑方法作为改进的神经元权值修正算法，该平滑思想也适用于其它绝对误差指标下的最优化问题，通过网络对Ｆｅｉｇｅｎｂａｕｍ映射和ＸＯＲ逻辑的学习算例，说明了算法的快速收敛性能。     

动态递归模糊神经网络及其BP学习算法

提出了一种新型的动态递归模糊神经网络，并根据动态递归神经网络的数学模型推导出其动态反向传播学习算法，仿真结果表明对于动态系统的辨识，动态递归模糊神经网络较传统模糊神经网络在辨识精度和稳定性方面具有更好的效果。     

误差反向传播算法的数学推导及实现步骤

提供了人工神经网络的一种算法-误差反向传播算法的数学推导方法及上机实现步骤.     

滚动轴承故障诊断的神经网络技术

文中将神经网络技术运用于滚动轴承故障诊断,着重讨论了传统故障诊断技术所面临的挑战及基于神经网络的故障诊断技术的优越性,传统的故障断专家系统在知识的获取及表达上存在着困难,并且当系统圈套 时,变得非常庞大,不适于在线控制;人工神经网络对信息分布式的存储及处理,具有明显的优点,以滚动轴承故障诊断为例,编制了基于神经网络技术的诊断程序,运行结果表明,该方法具有判断准确、容错性好,适于在线工作,便于推广的优点。     

动态递归模糊神经网络及其BP学习算法

提出了一种新型的动态递归模糊神经网络,并根据动态递归神经网络的数学模型推导出其动态反向传播学习算法,仿真结果表明对于动态系统的辨识,动态递归模糊神经网络较传统模糊神经网络在辨识精度和稳定性方面具有更好的效果.     

基于蚁群算法的多层前馈神经网络

反向传播算法是神经网络中应用广泛的一种多层前馈神经网络模型．但算法有求解精度低、搜索速度慢、易于陷入极小的缺点．蚁群算法是一种新型的模拟进化算法，有正反馈、分布式计算、启发性收敛等特性．这些特性使得解题过程加快，易于实现分布式计算．将蚁群算法和神经网络相结合起来，实现了非线性模型的辨识问题及倒立摆的控制．仿真实验表明：用蚁群算法训练神经网络，可兼有神经网络广泛映射能力和蚁群算法快速全局收敛的性能．     

一种基于混合学习算法的模糊神经网络控制

针对ＢＰ算法容易陷入局部极小的缺点，利用遗传算法极强的全局搜索能力对模糊神经网络控制器参数进行离线优化，并对遗传操作进行了改进，使其最终搜索到全局最优或近似全局最优的附近．再利用ＢＰ算法较强的局部搜索能力和对对象的适应能力进一步进行参数的在线调整．仿真结果表明：该方案的综合性能优于常规模糊控制器．     

嘉陵江北碚站含沙量变化趋势的神经网络模型分析

利用前馈神经网络模型和自适应调整学习率的反向传播算法,分析处理了嘉陵江流域北碚水文观测站30多年的实测数据,对未来几年含沙量变化的趋势进行了非线性预测,并讨论了隐层神经元个数以及迭代的误差标准等参数的最优选择问题.     

The tool for building an NN based on improved BP algorithm

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

BP网络的SPDS训练算法的鲁棒性

证明了作为BP网络的训练算法之一的SPDS算法在收敛的同时具有鲁棒性这一良好性质、实例也 证明了SPDS算法较之BP算法在鲁棒性问题上有较大进步．     

基于BP_Adaboost的目标跟踪算法应用研究

BP神经网络对目标跟踪时,由于其学习效率低及易于陷入局部极小的缺陷影响了跟踪算法的准确性。为提高BP神经网络跟踪模型的准确性,将Adaboost算法和BP神经网络相结合,提出了一种BP_Adaboost神经网络跟踪模型。通过Adaboost算法得到多个BP神经网络弱分类器组成的强分类器跟踪模型,将该模型应用于视频运动目标跟踪进行有效性验证。实验结果分析表明．该方法对运动目标能够准确地进行跟踪．大大提高跟踪算法的兽椿性．     

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。     

BP神经网络Vogl快速算法的改进

针对 BP算法收敛速度慢的特点 ,提出了对 V ogl快速算法的改进方法 .实践证明此改进方法使BP算法的收敛速度得到了较大的改善     

前馈式神经网络的最小二乘学习算法

通过对 Sigmoid 函数求逆,把非线性极值问题转化为线性方程组来处理,巧妙地避开了梯度,从而可以克服 BP 算法的一些缺点,提高了算法的收敛速度.同时采用最小二乘法来求解方程组,进一步提高了收敛速度.算法的计算过程为每次处理一个节点的所有前一层连接权,轮换处理,直到收敛到最小点.     

前馈式神经网络的最小二乘学习算法

通过对Sigmoid函数求逆，把非线性极值问题转化为线性方程组来处理，巧妙地避开了梯度，从而可以克服BP算法的一些缺点，提高了算法的收敛速度．同时采用最小二乘法来求解方程组，进一步提高了收敛速度．算法的计算过程为每次处理一个节点的所有前一层连接权，轮换处理，直到收敛到最小点．     

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.     

BP网络模型的改进方法探讨

随着ＢＰ网络应用的日益广泛,其本身存在的一些问题也越来越充分地暴露出来。首先对ＢＰ网络存在的问题及产生的原因进行了初步探讨,然后针对这些问题及原因,比较系统地研究了影响ＢＰ网络性能的各种改善方法。     

基于预测模型的BP＿Adaboost算法改进

针对 ＢＰ＿Ａｄａｂｏｏｓｔ算法预测精度不高的问题,对算法作了改进：先用遗传算法对每个 ＢＰ神经网络弱预测模型进行优化;然后把优化后的 ＢＰ神经网络模型看作为新的弱预测器;再通过 ＢＰ＿Ａｄａｂｏｏｓｔ算法,用多个被遗传算法优化后的 ＢＰ神经网络弱预测器组成强预测器模型;最后加权整合优化后用 ２０００组随机数据验证改进后算法的预测精度,用 Ｍａｔｌａｂ程序仿真实现改进后的 ＢＰ＿Ａｄａｂｏｏｓｔ算法,并与改进前的 ＢＰ＿Ａｄａｂｏｏｓｔ算法作比较。程序运行结果表明,改进后的 ＢＰ＿Ａｄａｂｏｏｓｔ算法预测精度有了明显提高。