基于BP神经网络的中学考试成绩分类*

针对中学考试成绩,具体详细地设计一种应用于BP神经网络成绩分类器,用BP算法对网络进行有效地训练,经过测试BP神经网络成绩分类器可确定,该方法有效且有很好的分类效果。用改进的BP算法对网络进行训练,使网络很快得到收敛,解决了一般方法收敛慢的缺陷。     

基于改进BP网络的指纹分类

利用遗传算法具有的全局随机搜索能力,设计了一个改进的BP学习算法进行网络训练,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.利用Visual c++编程测试,结果表明,该系统具有分类速度快、效率高的优点,具有一定的实用性.     

基于改进BP神经网络的故障诊断方法

对于常规BP神经网络,其收敛过程存在两个很大的缺陷:收敛速度慢;存在所谓"局部最小值"问题.文章采用了一种自适应学习速率动量梯度下降反向传播算法对BP神经网络进行训练,建立了智能诊断模型,并应用于某型坦克发动机的故障诊断,测试结果表明该方法相比常规BP算法能够更有效诊断发动机油路和气路的故障,从而为故障诊断及判定的自动化提供了一个新思路.     

BP神经网络的双学习率自适应学习算法

在分析标准BP算法、学习率自适应算法和权值平衡算法优缺点的基础上,提出了一种融合学习率和权值平衡的新算法———双学习率自适应学习算法(DSALR算法)。仿真结果表明,该算法在计算速度和精度方面,明显优于标准BP算法、学习率自适应算法以及权值平衡算法。     

基于粗糙集理论和BP神经网络的分层递阶分类算法

根据分层递阶的原则，提出了一种将粗糙集理论与BP神经相结合的分类算法，该算法分别用粗糙集理论和BP神经网络处理决策表中的离散属性和连续属，可以避免对象连续属性离散化中产生不确定的情况。同时粗糙集对于决策表噪声比较敏感，BP神经网络可以克服这个缺点，最后，对3个公共数据库的测试验证了该分类算法的有效性。     

基于广义回归神经网络的设备备件需求预测

为保障设备的正常运行,研究了基于广义回归神经网络的设备备件需求,介绍了决定备件需求的几个因素。通过建立广义回归神经网络,并利用企业的历史统计数据对备件的使用量和使用金额进行了预测,可为备件资金的预测提供支持,并为企业中的其他类型需求预测提供了借鉴作用,以期推进企业的管理水平。     

改进的BP神经网络在故障诊断中的应用

介绍了BP神经网络的结构和学习方法,针对BP网络存在局部极小值和收敛速度慢等问题．提出采用一种基于Levenbe rg-Marquardt算法(LM算法)的改进BP网络,最后通过汽轮机故障诊断实例的仿真研究,结果表明改进算法的性能明显优于常规BP算法,经改进算法训练的网络能大大提高故障的在线诊断能力．具有广泛的应用前景和应用价值。     

基于改进BP神经网络的产品成本预测研究和实现

作为成本管理重要环节的产品成本预测是个非线性系统,目前还很难对其建立准确的数学模型.引入BP神经网络算法对产品成本进行预测,针对BP算法容易陷入局部最小的缺陷,提出了改进BP算法.根据产品成本的具体特征提取特征值并建立相应的神经网络,通过训练,网络具有较强的适应和学习功能,经测试表明,网络具有较高的预测精度,能够为企业生产运营提供可靠的依据.     

基于BP神经网络的物流预测方法

针对传统物流预测方法的局限性，研究了基于BP模型神经网络的物流预测方法，即依据历史数据建立BP神经网络对其进行训练形成物流预测模型。阐明了神经网络具有记忆、学习功能，能够很好地模拟物流发展趋势。大量预测结果的准确性表明基于神经网络的物流预测是一个行之有效的方法。     

基于组合式改进BP神经网络的矿用空压机故障诊断

矿用空压机是煤矿现代化安全生产的重要组成设备,针对目前矿用空压机经常出现的故障,收集了矿用空压机故障征兆和其对应的故障类型,将故障样本数据和模糊神经网络相结合,并根据改进BP神经网络确定网络的输入和输出向量,对矿用空压机进行组合式故障诊断,诊断结果与实际情况比较吻合。运用MATLAB实现神经网络故障诊断仿真,仿真结果表明诊断误差较小,输出向量与实际故障矩阵结果接近。     

基于反向传播模型的知识生产绩效评估方法

为了揭示知识生产绩效评估问题,着重从订单型知识生产的特征入手,建立了订单型知识生产的绩效评估体系,确立了用于订单型知识生产绩效评估的反向传播模型结构.得到了各输入指标对绩效的影响程度及模型训练时权值变化的规律.最后,利用插值算法外延修正了权值,提高了模型精度,同时也对批量型知识生产绩效评估模型做了简要说明.     

基于BP神经网络的带钢表面缺陷的识别与分类

运用神经网络处理非线性问题的优势，将其应用于带钢表面缺陷的识别与分类研究。本文采用灰度共生矩阵的特征提取，提出了基于BP神经网络进行缺陷识别与分类的方法，编制了带钢表面缺陷的识别与分类软件。分类测试表明，该软件有较好的识别与分类效果。     

BP neural network classification on passenger vehicle type based on GA of feature selection

This paper has concluded six features that belong to passenger vehicle types based on genetic algorithm(GA)of feature selection.We have obtained an optimal feature subset,including length,ratio of width and length,and ratio of height and length.And then we apply this optimal feature subset as well as another feature set,containing length,width and height,to the network input.Back-propagation(BP)neural network and support vector machine(SVM)are applied to classify the passenger vehicle type.There are four passenger vehicle types.This paper selects 400 samples of passenger vehicles,among which 320 samples are used as training set(each class has 80 samples)and the other 80 samples as testing set,taking the feature of the samples as network input and taking four passenger vehicle types as output.For the test,we have applied BP neural network to choose the optimal feature subset as network input,and the results show that the total classification accuracy rate can reach 96%,and the classification accuracy rate of first type can reach 100%.In this condition,we obtain a conclusion that this algorithm is better than the traditional ones[9].     

基于PCA-改进算法BP神经网络的软测量技术

本文在利用动量法和自适应改变学习率改进BP神经网络算法的基础上,针对网络权值调整时不容易跳出误差平坦区的问题,进一步对神经网络的学习算法进行了改进,引入一个陡度因子.并与主元分析相结合,形成了PCA-改进算法的BP神经网络.通过在塑料缠绕过程塑料张力预测中的仿真实验结果表明PCA-改进算法后的BP神经网络不但可以提高模型的精度而且也使网络的泛化能力得到了增强.     

基于BP神经网络的销售预测分析系统

销售预测是企业预算管理的基础,对企业的发展和正常生产有着非常重要的作用。首先建立了一套销售预测分析模型系统,对销售历史数据进行统一管理,利用销售预测分析模型给出预测结果报表。同时,建立了基于BP神经网络的预测分析模型。最后,将该系统在某电器厂进行应用,并通过与传统预测方法指数平滑法的比较,验证了该系统的实用性和预测模型的准确性。     

基于BP神经网络的摄像机标定方法研究

在摄像机标定中,由于摄像机镜头存在多种非线性畸变,传统的标定方法需要建立复杂的数学模型来描述,因而增加了系统的复杂性和不稳定性.神经网络可以较好的处理非线性问题.提出了一种基于BP神经网络的标定方法,通过隐式标定来处理二维图像点和世界坐标系中的三维点之间的映射关系,使系统不经过复杂的摄像机内外参数标定,就可以获得物体的三维信息.实验表明,该方法有效可行.     

基于改进BP神经网络的可拓分类器构建

针对运用BP神经网络对可拓集进行分类时收敛速度慢且准确率低的问题,构建了一种基于改进BP神经网络的可拓分类器。由于负域和正域拥有公共边界,处于边界周围的数据会因为BP神经网络自身存在的误差而造成分类错误,为此以关联函数为基础,构建一个样本预处理函数对训练样本进行处理,使训练完的BP神经网络最后的输出结果远离公共边界;重新定义神经网络中的误差计算方法,使其符合可拓分类准则,降低输出值与期望值之间的要求以加快其收敛速度。通过螺杆空压机实例验证了该方法的有效性。     

基于深度卷积神经网络的车标分类

基于深度学习框架Caffe和具有强大计算能力的GPU,运用深度神经网络AlexNet和GoogleNet,对具有不同背景的汽车图像进行网络训练,以达到车辆自动识别的目的。分别对4类车标进行网络训练与测试,实验结果表明,在图像识别分类方面,与传统识别方法相比,深度卷积神经网络更具优势。     

基于BP神经网络的脉冲涡流无损检测分析

本文将多层神经网络BP算法应用于裂纹脉冲涡流检测分析中.对具体的网络结构进行了设计,主要包括网络数据的准备,输入层、输出层的设计,网络初始化权值的选择,隐含层及隐含层节点数的设计,网络的训练及性能评价.结果表明所设计的网络能对表面裂纹深度进行有效的,较高精度的识别.