基于迭代学习的BP神经网络权值训练算法

针对传统BP算法存在收敛速度过慢、易陷入局部极小的问题,提出基于迭代学习的BP神经网络权 值修正算法。该算法将迭代学习的原理与神经网络相结合,同时采用本次训练误差和前一次的训练误差修正神经 网络权值,提高了网络训练速度。仿真结果验证了该算法的有效性。     

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．     

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.     

基于MCPSO算法的BP神经网络训练

基于多群体协同进化粒子群算法,提出一种用于BP神经网络训练的新型学习算法.将网络中需要调整权值与偏差组成的矢量看成MCPSO算法中粒子,通过粒子间的竞争与合作,完成网络训练过程.将基于 MCPSO训练的BP网络分别应用于函数逼近和模式分类问题.结果表明,基于MCPSO的神经网络学习算法在收敛速度和学习效率等方面优于其他方法.     

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．     

神经网络与压缩映射遗传算法耦合技术研究

多层神经网络的BP算法的学习过程与网络中的连接权值、传输函数类型的选择以及BP所用的梯度优化算法密度相关，网络可能会出现收敛于局部次优或不收敛的现象。将压缩映射遗传算法应用于BP神经网络的数学模型，构建一种新型的压缩映射神经网络，这种神经网络收敛于全局最优解。     

基于神经网络的可控整流主电路故障诊断实现的研究

介绍了如何构建故障诊断目的的神经网络,模拟故障的实际采集数据和采用BP算法实现了神经网络的学习即神经网络的权值和阈值参数的确定,测试样本的输出结果表明构造网络的实用性和学习训练参数的正确性.     

基于神经网络的可控整流主电路故障诊断实现的研究

介绍了如何构建故障诊断目的的神经网络,模拟故障的实际采集数据和采用BP算法实现了神经网络的学习即神经网络的权值和阈值参数的确定,测试样本的输出结果表明构造网络的实用性和学习训练参数的正确性.     

改进的输出误差法用于不稳定飞机参数辨识

为解决输出误差法在不稳定飞机参数辨识过程中的数值发散问题以及初值依赖问题,设计了一种结合神经网络、粒子群优化算法以及Levenberg-Marquardt算法的系统辨识方法。首先,为解决输出误差法的数值发散问题,以神经网络拟合待辨识系统的动力学特性。不同时刻的飞行试验数据用于训练神经网络,训练好的网络可以直接对下一时刻的运动状态进行预测,从而避免对不稳定运动方程的求解。其次,基于粒子群优化算法搜索Levenberg-Marquardt算法中的最佳阻尼因子,并以改进的LM算法替代输出误差法中的高斯-牛顿算法。接下来,改进的LM算法与训练好的神经网络结合得到了一种新的参数辨识算法。最后,基于不稳定飞机的闭环仿真飞行试验数据对提出的算法进行了验证。研究结果表明:与传统的最小二乘法和人工稳定的输出误差法的估计结果相比,所采用的算法具有更高的估计精度;同时,所提出的算法中可以随机选取待辨识参数的初值,克服了输出误差法对参数初值的依赖。本文的研究成果可以直接用于其他不稳定非线性动力学系统辨识领域,经过修改后还可以用于其他非线性优化领域。     

DE算法改进的炼焦能耗RBF预测模型

针对炼焦能耗计算繁琐、影响因素众多的问题,以目标火道温度、烟道吸力、水分、挥发分和炼焦时间为输入变量,以炼焦能耗为输出变量,提出基于差分进化算法改进的RBF预测模型。由于RBF网络存在学习能力差、收敛速度慢等多个缺点,针对性地改进了差分进化算法优化的能耗预测模型。利用具有强大全局搜索能力的差分进化算法,选择RBF网络中基函数的中心值、宽度和输出权重的计算最优值,以此作为RBF神经网络的中心值、宽度和输出权重。结果表明,改进后的RBF预测模型具有较高的精度、稳定性和训练速度,对降低炼焦能耗、提高焦炭产量和提高企业经济效益具有重要意义。     

灵活性深度调峰下锅炉NO_x排放的神经网络方法预报

利用MATLAB软件中自带的神经网络算法模块对经典文献所载数据和方法进行了校核。在该方法的基础上,将某330 MW机组在深度调峰期间低负荷下的运行数据作为已知数据,就地实测的选择性催化还原技术(SCR)入口NO_x排放值作为输出值,采用经典的Levenberg-Marquardt训练算法,建立了神经网络训练模型。训练结果表明,输出值和目标值的拟合R值接近0. 98,MATLAB软件自带的神经网络算法可以预报SCR入口NO_x的排放值,实现了在深度调峰低负荷运行期间达到降低试验工作量、减少试验成本的目的。     

基于K-均值聚类算法RBF神经网络交通流预测

针对目前道路拥堵等交通问题,本文采用K-均值聚类算法对径向基函数(radial basis function,RBF)网络进行优化,通过K-均值聚类算法把所有的输入样本进行统一聚类,求得所有隐含层节点的RBF中心值Ci,并用最小二乘法(LMS)进行RBF网络的权值调整,同时在一定的时间和路段内对车流量进行数据采集,通过建立RBF神经网络模型,运用Matlab软件把采集的数据、图像进行计算机仿真,仿真结果表明,未加入K-均值聚类的RBF神经网络,其预测输出曲线大致可以和实际输出曲线拟合,但在数据波动较大的时刻,预测曲线的收敛速度偏慢且效率偏低;而采用K-均值聚类算法的RBF神经网络,在实际输出波动较大时,预测输出的曲线收敛速度和准确度都较高,因此,本研究相对于普通的BP神经网络,有更高的预测精度和较好的收敛性。该研究适用于市区内的交通流预测。     

Neural network based on adaptive chaotic gradient descending optimization algorithm and its application in matte converting process

An adaptive chaotic gradient descending optimization algorithm for single objective optimization was presented. A local minimum judged by two rules was obtained by an improved mutative-step gradient descending method. A new optimal minimum was obtained to replace the local minimum by mutative-scale chaotic search algo-rithm whose scales are magnified gradually from a small scale in order to escape local minima. The global optimal value was attained by repeatedly iterating. At last, a BP (back-propagation) neural network model for forecasting slag output in matte converting was established. The algorithm was used to train the weights of the BP neural net-work model. The simulation results with a training data set of 400 samples show that the training process can be fin-ished within 300 steps to obtain the global optimal value, and escape local minima effectively. An optimization sys-tem for operation parameters, which includes the forecasting model, is achieved, in which the output of converter increases by 6.0%, and the amount of the treated cool materials rises by 7.8% in the matte converting process.     

基于小波变换和神经网络的线路保护启动方法

为满足特高压输电线路超高速保护的要求,结合小波变换原理和神经网络原理,提出一种新的特高压输电线路保护的启动方法。该方法运用小波变换检测突变信号的原理,提取故障特征量,并以此作为神经网络的输入,设计启动神经网络,以判断输电线路的运行状态(正常或故障),进而决定是否启动故障选相装置。在PSCAD建立特高压输电系统仿真模型,仿真结果表明:该启动方法能准确判断输电线路运行状态,动作快速、灵敏且不受过渡电阻、故障位置、故障初始角以及噪声干扰的影响,在特高压输电线路超高速保护方面有一定的实用价值。     

预测模型的单神经元PI控制器

针对工业过程和实际控制对象的慢时变非线性的特点 ,设计了一种预测模型的单神经元 PI控制器。采用单神经元 PI控制算法与神经网络预测模型相结合的控制策略 ,用 PI控制规律来确定控制器的输出。用一个自适应神经元网络作为非线性系统的预测模型 ,估计下一步的输出值 ;用一个单神经元实现 PI控制来优化下一步的控制。利用 Matlab/Sim ulink工具对 PI控制器和预测模型的单神经元 PI控制器进行比较仿真实验 ,其控制对象为典型的非线性系统。仿真实验表明 :预测模型的单神经元 PI控制器具有结构简单 ,计算速度快 ,鲁棒性好等特点     

非线性系统模糊神经网络直接自适应控制

提出一种基于模糊神经网络的自适应控制方法。由模糊神经网络构成非线性预测器，利用使预测输出等于参考输出，生成实时控制信号。对自适应算法进行了理论分析，结合实例进行了仿真。     

遗传神经网络在滑坡灾害预报中的应用研究

针对传统BP算法易收敛于局部最优以及网络结构难以确定等问题,引进遗传算法进行混合建模.采用遗传学习算法和误差反向传播算法相结合的混合算法来训练前馈人工神经网络,即先用遗传学习算法进行全局训练,再用BP算法进行精确训练,使网络收敛速度加快并避免陷入局部极小.文中结合实例,对BP神经网络,遗传算法改进的神经网络进行了比较分析.实验表明,利用改进的混合模型可以提高预测精度,缩短收敛时间.