多层神经网络同伦连续BP算法的递归实现

本文提出了一种递归实现的同伦连续ＢＰ算法，该算法可有效地解决ＢＰ网络的全局收敛性问题，同时使网络具有很快的收敛速度。     

地面目标的神经网络识别方法

本文提出一种基于图象矩特征的神经网络目标识别方法，完成了对具有大小、位移、旋转不变性地面目标的识别，采用投影法提高了矩的运算速度，在ＢＰ算法基础上，提出了使用黄金分割法及共轭梯度法相结合的改进ＢＰ算法（ＭＢＰ），提高收敛速度，仿真实验表明，在噪声及部分遮掩的情况下，该方法仍能够具有较高的识别率。     

基于遗传算法和BP算法的多层感知机杂交训练算法

基于梯度下降的神经网络训练算法易于陷入局部最小，从而使网络不能对输入模式进行准确分类。本文提出综合遗传算法和ＢＰ算法的杂交算法ＧＡ－ＱＰ，它结合遗传算法的全局搜索特性和ＢＰ的局部收敛特性，实现对神经网络的有效训练。     

前向神经网络训练的一种快速收敛算法

本文介绍了用于训练前向神经网络的一种算法。本算法基于ＲＬＳ算法，它以输入数据的瞬时变化来寻找最佳权值，以运算的复杂性来换取快速收敛。它与ＢＰ算法相比，迭代次数少于ＢＰ算法的３０％，并且初始值的设置受网络限制很小。     

神经网络识别非平衡样本模式的网络优化方法

本文基于多目标优化的思想，分析了用神经网络实现非平衡样本模式识别与分类时，网络优化过程中基本ＢＰ算法收敛速度低的原因，给出了两种相应的改进算法，并利用这两种算法研究了两例非平衡样本模式的分类问题，研究结果表明：改进的算法有效地提高了网络优化收敛速度。     

IC表面钝化PECVD工艺的计算机模拟

本文介绍了一种新的工艺研究途径－神经网络反向传播算法（ＢＰ算法），并对其网络学习收敛速度的加快进行了讨论，取得了较好的效果；利用改进的神经网络ＢＰ算法，我们通过建立ＩＣ表面钝化工艺的神经网络模型，对ＩＣ表面钝化工艺进行了计算机模拟，精确地预报了实验结果并得到了相关工艺条件与钝化介质膜特性的关系曲线，所编写的神经网络应用程序已用Ｃ语言在计算机上得到了实现。     

一种基于误差变化率的自适应反射传播算法

本文针对ＢＰ算法存在收敛速度慢的缺点，提出一种基于网络动态训练误差变化率自动校正学习步长和冲量因子的自适应反向传播算法。导或问题的仿真结果表明，该方法具有较快的收敛速度。     

前向多层神经网络模糊自适应算法

本文将模糊集理论与人工神经网络的研究相结合，提出一种模糊自适应ＢＰ算法，用典型异或问题与规模更大的打印机磁泄漏信息识别问题进行计算机模拟表明，该算法可使ＢＰ算法的收敛速度明显提高。此项工作为神经网络与模糊系统相结合探索了一条新的途径。     

快速和高精度的前馈网络学习算法

本文针对三层前馈网络提出一种全新的学习算法,该法克服了传统ＢＰ算法因用梯度下降和误差逆向传播而拖慢收敛速度及易陷于局部极小的缺点。所提出的算法是代数型的,计算复杂度为多项式阶。文中给出的一个非线笥时间序列训练算例表明：新算法较ＢＰ算法在计算精度和速度方面均有大幅度提高,在网络规模变大时此算法的优点尤为明显。     

基于误差变化率的自适应反应传播算法及其应用

本文针以ＢＰ算法存在收敛速度慢的特点，提出了一种基于网络动态训练误差变化率自动校正学习步长和冲量因子的自适应反向传播算法，异或问题，非线性系统和参数波动系统辨识的结果表明，该方法具有较快的收敛速度。     

Cloud security situation prediction method based on grey wolfoptimization and BP neural network

Aiming at the accuracy and error correction of cloud security situation prediction, a cloud security situation prediction method based on grey wolf optimization (GWO) and back propagation (BP) neural network is proposed.Firstly, the adaptive disturbance convergence factor is used to improve the GWO algorithm, so as to improve theconvergence speed and accuracy of the algorithm. The Chebyshev chaotic mapping is introduced into the positionupdate formula of GWO algorithm, which is used to select the features of the cloud security situation prediction dataand optimize the parameters of the BP neural network prediction model to minimize the prediction output error.Then, the initial weights and thresholds of BP neural network are modified by the improved GWO algorithm toincrease the learning efficiency and accuracy of BP neural network. Finally, the real data sets of Tencent cloudplatform are predicted. The simulation results show that the proposed method has lower mean square error (MSE)and mean absolute error (MAE) compared with BP neural network, BP neural network based on genetic algorithm(GA-BP), BP neural network based on particle swarm optimization (PSO-BP) and BP neural network based onGWO algorithm (GWO-BP). The proposed method has better stability, robustness and prediction accuracy.     

基于BP神经网络的RSSI测距优化算法

基于接收信号强度指示(received signal strength indication, RSSI)测距的研究和应用领域很广泛,一直是物联网研究的热点. 为降低传统基于反向传播(back propagation,BP)神经网络的RSSI测距误差,文中提出一种基于K-means聚类算法对样本数据进行预处理的BP神经网络测距算法,来解决由于RSSI值衰减程度不同引起的不同距离区间RSSI值和真实距离之间映射关系不均匀的问题. 将K-means聚类算法应用于BP神经网络模型中,对样本数据进行距离区间划分,然后将已经分类好的数据分别输入BP神经网络建立网络模型并进行实验仿真. 结果显示:传统基于BP神经网络的RSSI测距算法的均方根误差为1.425 7 m;而经过K-means算法改进后的BP神经网络测距算法的均方根误差为1.288 7 m,降低了测距误差,并优化了目标RSSI值与真实距离的映射关系.     

基于萤火虫BP神经网络的轴承故障诊断研究

针对BP神经网络训练过程易陷入局部极值导致训练误差收敛速度慢的问题,提出将具有全局寻优的萤火虫算法,结合BP算法共同训练神经网络。在本质上,萤火虫BP神经网络利用萤火虫算法对神经网络进行早期训练,避开局部极值点,得到优化后的神经网络初始权值后,利用BP算法的局部寻优特性对网络做进一步精细训练。轴承故障实验表明,萤火虫BP神经网络的训练误差收敛速度相比BP神经网络、萤火虫神经网络显著提升,故障识别率最高达到99.47%。     

启发式改进BPNN在模式分类领域内的对比研究

采用附加动量BP算法、自适应最速下降BP算法、自适应动量BP算法、弹性BP算法4种启发式改进方法分别对标准BP算法进行改进,并构建了相应的BP神经网络分类模型,将构建的4种分类模型应用于二维向量模式的分类,并进行了泛化能力测试,将4种BP网络分类模型的分类结果进行对比。仿真结果表明,对于中小规模的网络而言,弹性BP算法改进的BP网络的分类结果最为精确,收敛速度最快,分类性能最优;附加动量BP算法改进的BP网络的分类结果误差最大,收敛速度最慢,分类性能最差;自适应学习速率BP算法改进的BP网络的分类结果的误差值、收敛速度及分类性能介于上述两种算法之间。     

基于神经网络的干涉仪测向方法

针对干涉仪测向系统中采用传统算法难以克服系统误差的问题,提出了一种基于神经网络的干涉仪测向方法。通过对干涉仪测向系统进行建模,分析了测向误差来源和解相位模糊算法,建立了基于相位干涉仪测向系统的BP神经网络模型,并采用了Levenberg-Marquardt算法对BP神经网络进行改进。以微波暗室的试验数据为训练数据,利用Matlab工具箱对神经网络进行了验证性的仿真试验。仿真结果表明:与传统的测向算法相比,该算法能克服系统误差,进一步提高干涉仪测向精度,改进后的神经网络的收敛速度得到大大提高。     

基于可见光通信的BP神经网络室内定位算法

提出一种基于可见光通信的BP神经网络室内定位算法,首先通过MDS-MAP算法和最小二乘法获得全网节点的相对坐标,再利用信源节点的坐标信息得到网络内所有节点的绝对坐标,最后通过单隐层BP神经网络优化定位结果。仿真结果表明,该算法比MDS-MAP算法和MDS-MAP(P)算法的相对定位误差小,应用于室内定位可以得到更高的定位精度。     

量子遗传神经网络语音水印算法

传统的BP神经网络通常以梯度下降法作为训练搜索算法,极易陷入局部最优。本文将量子遗传算法引入到神经网络,提出了一种改进量子遗传算法优化BP神经网络系数的语音水印算法。首先利用改进量子遗传算法的良好全局搜索特性,优化BP神经网络的初始系数找出粗略解,然后采用梯度算法精细搜索出神经网络的最优权值和阈值系数,提高网络的收敛精度。理论分析和实验仿真表明,与传统的BP神经网络和遗传算法优化神经网络系数相比,本文提出的神经网络输出误差更小,有更大的水印容量。      

PM2.5测量系统中改进神经网络控制算法优化补偿

针对现阶段PM2.5测量系统的测量精度较低的问题,提出了改进的BP神经网络PID控制算法对其进行优化补偿。通过对粒子群优化算法的速度公式进行了改进,采用优化的粒子群算法优化了BP神经网络,将其用于PID的在线参数调节,以PM2.5测量系统作为研究对象,将改进的BP神经网络PID控制算法与传统PID分别作了仿真研究。研究结果表明,基于改进的粒子群优化算法改进的BP神经网络PID控制算法与传统的PID控制相比,提高了测量精度,在一定程度上减少了误差。     

一种利用Gauss变异优化BP神经网络的方法

为了克服传统BP算法收敛速度慢和局部极小点等问题,提出了一种改进的BP网络训练方法,将改进的BP算法和遗传算法相结合。首先引入遗传算法中群体的概念,选取最好个体中的误差作为最小误差,其次利用Gauss变异生成的两个小随机数作为BP算法中的学习率和冲量系数,实现对两个参数的动态调整,以达到对BP网络的权值优化的目的。实验结果表明,该方法有效提高了BP网络的收敛速度,在训练时间方面具有明显的优越性,具有较好的实用性。