共查询到16条相似文献,搜索用时 85 毫秒
1.
在LMBP算法训练过程中,大型矩阵的求逆运算限制算法的收敛速度,本文针对这一特点,在训练网络的权值和偏移值时采用求解大规模线性方程组的超记忆梯度算法,避免矩阵求逆耗时的缺点,同时对原有的步长因子进行自适应改变,并通过网络修剪对隐层神经元结构进行优化.最后以某型号设备齿轮箱为例进行仿真.结果表明,本文的改进算法能够明显缩短训练时间,并且经过此算法训练的网络有较高的故障诊断性能. 相似文献
2.
阐述了基于神经网络LMBP算法的入侵检测方法,在对网络中的IP数据包进行分析处理以及特征提取的基础上,采用神经网络进行训练或判别,以达到对未知数据包进行检测的目的.由传统的BP算法与LMBP算法的分析与比较得到:LMBP算法解决了传统BP算法的收敛速度慢、易陷入局部最小的问题.实验结果表明,LMBP算法的学习速度快,收敛速度快,将这个算法应用于基于神经网络的入侵检测,效果良好,判别准确率高,为实现高效准确的入侵检测提供了一种有效的方法. 相似文献
3.
4.
神经网络中LMBP算法收敛速度改进的研究 总被引:14,自引:4,他引:10
文章对标准BP算法收敛慢的问题进行了分析,并针对其目前最快的改进版本Levenberg-MarquardtBP(LMBP)进行了深入研究,发现其中涉及的矩阵[JTJ+μkI]求逆是其收敛速度的瓶颈。通过使用LU分解法去除耗时的矩阵求逆运算,极大地减少了LMBP的计算量。此外,简化求增广MarquardtSensitivity矩阵的步骤,也在一定程度上减少了LMBP的计算量。笔者用MicrosoftVisualC++6编程实现了改进后的LMBP算法,发现对这两方面的改进,大大提高了收敛速度。文章对Matlab的基于最速下降的BP算法(Traingdx)、Matlab改进的LMBP算法(Trainlm)、LMBP和作者改进的LMBP(ILMBP)进行了大量的试验。结果发现,ILMBP的平均收敛速度比LMBP快约23倍,比Trainlm算法快约9倍。 相似文献
5.
在核函数的基础上采用向量扩展的方法改进传统的LMBP算法,将输入向量由低维转换到高维,充分利用误差函数的一二阶导数信息,同时结合传统LMBP算法的优点提高网络训练的收敛速度。仿真实验结果表明,改进方法网络训练的迭代次数更少,分类精度更高,对遥感图像分类更有效。 相似文献
6.
LMBP神经网络预测模型在教学评估中的应用 总被引:1,自引:0,他引:1
在分析影响教学质量因素的基础上,对运用LMBP算法建立教学质量评估模型进行了研究,介绍了LMBP神经网络预测模型的计算过程及学习方法,建立了教学质量评估的LMBP预测模型,经测试数据验证,结果比较准确,能克服各种人为因素,具有广泛的适用性。 相似文献
7.
用实时间回馈(RTRL)算法和实编码基因遗传(RCGA)算法训练二阶递归神经网络进行模糊文法推导,表现出了精度高的良好性能,但速度较慢。然而作为目前最快的递归神经网络算法Levenberg-Marquardt(LMBP)算法在模糊文法推导中的应用却很少引起学者们的关注。通过实验对 LMBP算法在正则模糊文法推导中的优势与缺陷等性能进行分析,实验显示了LMBP算法在模糊文法推导中的快速收敛能力。 相似文献
8.
庞明月 《数字社区&智能家居》2014,(28):6643-6644
BP算法是非循环多级网络的训练算法,对人工神经网络的发展起到了重大的推动作用,该文介绍了BP算法的基本原理及其缺陷,并提出了改进BP算法的方法。 相似文献
9.
庞明月 《数字社区&智能家居》2014,(10):6643-6644
BP算法是非循环多级网络的训练算法,对人工神经网络的发展起到了重大的推动作用,该文介绍了BP算法的基本原理及其缺陷,并提出了改进BP算法的方法。 相似文献
10.
11.
一种改进的复数BP神经网络算法研究 总被引:1,自引:0,他引:1
论文提出了复数BP神经网络的一种新结构和算法。算法的主要思想是将复值输人信号的实部和虚部分离,分别训练,使其达到稳定状态。其结构简单,易于实现,只需少量样本点却有很高收敛速度和精度。通过实验和仿真说明论文算法的有效性。 相似文献
12.
13.
通过对BP神经网络学习和数字字符识别问题研究,提出了一种基于改进的神经网络方法解决数字字符识别问题。试验利用Matlab7.0中的人工神经网络工具箱以及纯数字样本进行网络的学习训练。测试结果表明,该算法与传统BP算法相比,具有结构合理、收敛速度快的特点,能够很好地满足数字识别需求,达到了预期设计目的。 相似文献
14.
15.
王继成 《计算机工程与科学》2000,22(3):6-9
通过对人类学习机理和机制的研究,以及对现有BP神经网络学习算法及其改进的深入分析,本文提出了一种新的学习算法。该学习算法使神经网络学习由纯数学推导向智能化(启发式)学习发展,获取解决问题的最佳结构中神经元数及神经元间的联接数随问题的变化而动态变化,克服了目前神经网络学习算法普遍存在的学习时间长、局部极小小等问题。 相似文献
16.