基于蚁群BP神经网络的汽车排气噪声有源控制

BP算法容易陷入局部极小值,对初值设置敏感,以及学习速度慢等缺陷,而蚁群算法具有全局寻优、正反馈以及分布式计算等特点,提出一种蚁群BP神经网络混合训练方法(AMMAS-BP).采用自适应最大-最小蚁群算法(AMMAS),对BP网络的权值参数进行全局训练,再使用BP算法对其进行局部学习.建立基于AMMAS-BP算法的汽车排气噪声有源控制系统的仿真模型.仿真结果表明,该方法改善了BP算法的收敛速度和收敛精度,提高了控制系统的降噪效果.     

无线传感网络监测数据分类算法仿真分析

研究无线传感网络数据的准确分类问题。针对无线传感网络监测得到的数据属性呈现高冗余特征,用传统的BP神经网络进行分类易陷入局部最优解、泛化能力差、收敛速度慢与精度低等问题,造成数据很难被准确分类,提出用免疫算法优化BP神经网络的分类算法。该算法利用免疫算法所具有的全局收敛特性和个体多样性保持机制,全局搜索优化BP神经网络的权值,再用BP算法对其开展局部搜索工作。仿真实验结果证明,该算法能够有效克服训练经典BP神经网络时容易陷入局部极值的不足,加快了网络的收敛速度,传感器网络数据分类识别的准确率也得到了大幅度提高。     

粗糙集-遗传神经网络在挖掘机故障诊断中的应用研究

针对当前单一的故障诊断方法不能满足实际需求的问题,提出了一种粗糙集-遗传神经网络分类器模型,实现对挖掘机故障分类.该模型首先利用粗糙集理论对神经网络的输入进行属性约简,以减少神经网络的工作量;利用遗传算法优化BP神经网络,解决神经网络易陷入局部极小和收敛速度慢的问题;最后利用约简结果和优化的BP网络进行网络训练.实验结果验证了该方法用于故障诊断的有效性.     

基于蚁群优化的BP神经网络目标威胁估计方法

根据空中目标威胁估计的特点,分析了基于BP神经网络的空中目标威胁估计方法的不足。运用蚁群优化算法(ACO)的全局寻优能力,对BP神经网络的初始权值进行优化,建立了改进的BP (ACOBP)空中目标威胁估计方法,解决了BP神经网络初始权值的随机性和网络易陷入局部极小值的问题,提高了算法的收敛速度。并采用30组训练样本数据及8组测试数据,对算法的性能进行了仿真分析。仿真结果表明,该算法估计结果准确合理,收敛速度和收敛精度均优于BP算法,证明了该方法的有效性。     

基于混沌蚁群的神经网络速度辨识器研究

针对BP神经网络收敛速度慢和易陷入局部极小值的缺点,提出了混沌蚁群优化神经网络的实现方法。该方法在基本蚁群算法的基础上引入混沌因子,并利用混沌的遍历性和随机性,将带有混沌特征的初始化变量线性映射到变量取值区间,从而得到神经网络权值的全局最优值。利用该算法可对直接转矩控制系统进行转速辨识。     

蚁群神经网络及在故障诊断中的应用

<正>将蚁群算法与神经网络相结合,克服神经网络BP算法收敛速度慢、容易陷入局部极小的缺点,结合汽车发动机故障的特点,探讨了一种基于蚁群神经网络的发动机故障诊断系统。仿真实验表明该系统具有一定的实用性。基于BP算法的神经网络早已广泛应用于各种故障诊断中,但该算法具有收敛速度慢、易陷入局部极小等缺点。为此,本文融合蚁群算法,并将其应用于故障诊断中。     

一种基于高维粒子群算法的神经网络结构优化研究

为克服传统BP神经网络在运算过程的不足,提出一种基于高维粒子群算法的神经网络优化方法。通过在高维PSO算法中引入随机变化的加速常数来获得最优权值,对BP神经网络进行优化和训练,再将优化好的高维BP神经网络运用到交通事件自动检测中,通过检测训练算法,并对训练后的数据进行分类测试,把分类测试的结果与传统BP神经网络和经典事件检测算法比较。结果显示,经过优化后的高维粒子群BP神经网络的检测率、算法性能均优于BP神经网络算法和经典算法,其中97,50个测试样本中仅有2个测试样本与应该达到的数值不一致,其他样本都满足测试要求,并且平均优化测试时间是传统BP神经网络检测时间的一半,因此,优化后的BP神经网络算法的性能十分优越。     

基于群智能神经网络的线性直流电源故障诊断

反向传播算法是应用广泛的一种多层前馈神经网络模型,具有求解精度低、易于陷入局部极小值的缺点.群智能研究领域主要有粒子群优化算法和蚁群算法.粒子群优化算法有收敛速度快、算法参数简洁等特性;蚁群算法具有正反馈、启发性收敛等特性.将群智能神经网络的方法应用于线性直流电源的故障诊断:利用蚁群算法来约简故障特征参数;用粒子群优化算法来训练神经网络的权值.实验表明:此方法提高了网络训练效率和故障定位准确性.     

LM算法改进的BP网络在模式分类中的应用研究

针对标准BP算法在进行模式分类时,存在收敛速度慢和易陷入局部极小值等缺陷,采用LM(Levenberg-Marquart)算法对标准BP算法进行改进,分别构建了LM-BPNN和标准BPNN分类模型并对平面上二维向量模式的分类,并进行了泛化能力测试。仿真结果表明,在训练样本数量相等且中小规模网络的条件下,LM-BPNN的收敛速度明显加快,训练准确性和分类精度也明显优于标准BPNN,有效克服了标准BPNN收敛速度慢、易陷入局部最小值的缺点。     

蚁群约简与神经网络用于航空发动机故障识别

为解决航空发动机转子系统故障模式识别这一复杂问题,将蚁群算法与BP神经网络相结合应用于故障模式识别.文中采用蚁群算法对反映发动机运行工况的故障特征参数进行约简,并结合BP神经网络对故障识别过程做了分析,以航空发动机转子系统的故障识别为对象进行了实验验证.结果表明,利用蚁群算法对航空发动机转子系统故障特征参数进行约简,剔除了输入冗余信息,降低了网络数据维数,提高了运算效率和故障识别的正确性.     

PSO算法优化BP神经网络的金融风险预警研究

金融危机是一个非线性的复杂过程,BP神经网络对非线性系统具有很强的模拟能力。针对BP神经网络有收敛速度慢、易陷入局部极小值和振荡等缺点,利用改进的PSO算法优化BP神经网络的权值和阈值,能有效地改善BP神经网络的缺点。对金融风险实例分析的结果表明,综合改进的BP算法相对于BP神经网络算法能明显加快网络的收敛时间,具有较快的收敛速度和较高的诊断准确度,用于金融风险预警是可行的,证实了该方法具有一定的实际应用价值。     

基于改进BP神经网络的数字识别

针对BP(Back Propagation)神经网络易陷入局部极小、收敛速度慢的缺点,提出了一种新的BP神经网络改进算法.与标准BP算法比较,该系统通过结合附加动量法和自适应学习速率形成新的BP改进算法.附加动量法虽然可以使BP算法避免陷入局部极小,但是对初始值的选取比较敏感,而且选取合适的学习速率比较困难.而自适应学...     

基于HHT和概率神经网络的变压器局部放电故障识别

为解决传统傅里叶变换和小波分解对变压器局部放电信号非平稳性的分析缺陷,以及BP神经网络易陷入局部极小点等问题,提出一种基于希尔伯特能量聚类和概率神经网络的变压器局部放电识别算法。算法利用希尔伯特-黄变换提取局部放电信号的希尔伯特能量谱,然后进行指数族聚类计算获得特征值,最后利用概率神经网络进行分类识别。分别对油中悬浮放电、沿面放电等放电类型进行模拟实验,并用此算法进行分析,实验结果表明,该算法所提取的特征值有较高的可分性,且分类识别率高,可以有效地识别变压器局部放电故障类型。     

改进的BP网络算法在图像识别中的应用

采用增加动量因子和自适应学习速率相结合的方法,对BP神经网络算法进行改进,利用改进的BP网络算法,可以有效地抑制网络陷入局部极小值,提高网络训练速度。实验验证表明,改进的算法对图像识别的准确率较高。     

遗传算法优化BP网络对掺假蜂蜜快速识别研究

为了更好地实现对掺假蜂蜜进行检测和识别,提出一种遗传算法优化反向传播(BP)神经网络和激光诱导荧光(LIF)技术相结合的新方法.实验采用蜂蜜、果葡糖浆以及二者以不同比例混合获取的实验样本,每类样本数为150个,共600个实验样本.通过激光诱导荧光技术获取实验数据.将各类样本的70％用于算法模型训练、30％用于模型预测评估.通过PCA降维技术进行特征提取,分别用极限学习机(ELM)算法、BP神经网络算法、GA_BP三种算法进行实验.实验结果表明,相比于极限学习机的82.78％、BP神经网络算法的95.89％的准确率,GA_BP算法对预测样本的预测准确率最高,可达100％.通过将GA_BP与蚁群算法(ACO)优化BP网路、粒子群算法(PSO)优化BP网络作对比,发现GA_BP算法具有运行时间较短、鲁棒性较好的特点.     

基于改进BP神经网络和粒子群优化算法的图像滤波方法的研究

提出了一种基于改进BP神经网络和粒子群优化算法(PSO)的图像滤波方法.该方法利用双曲正切形式的误差函数代替BP神经网络传统的最小均方误差函数(LMS),并将改进后的BP神经网络利用PSO算法优化,用来减小图像噪声对神经网络精度的影响以及避免神经网络陷入局部极小值点,从而提高神经网络去噪能力.实验结果表明,与传统滤波方法相比,该方法不仅能有效地滤除图像中的高斯噪声而且能很好地保护图像细节.     

灰狼算法优化BP神经网络的图像去模糊复原

为了解决传统复原算法在退化图像复原过程中过度依赖先验知识弊端,提出利用BP神经网络学习和泛化能力强的优点进行退化图像复原研究。首先,采用BP神经网络进行退化图像的复原研究。然后,针对BP神经网络在学习过程中由于对网络初始值的过度依赖导致网络收敛速度慢、易于陷入局部极小值的缺点。提出利用灰狼优化算法的全局搜索能力对BP神经网络的初始参数进行优化,并利用改进收敛因子与动态权重指导种群移动的方式对灰狼算法进行改进。实验表明,本文提出的改进灰狼算法优化BP神经网络复原方法与维纳滤波算法、L-R复原算法、BP神经网络和PSO-BP神经网络等复原方式相比,收敛速度和复原精度方面得到大幅度提高,在客观的评价标准结构相似度与峰值信噪比方面都获得较好的数值结果。     

基于BP神经网络的无线定位数据融合模型

针对常规TOA和TDOA的加权最小二乘法定位算法的缺点，提出了一种利用反向传播（BP）神经网络构造将TOA和TDOA定位信息的融合模型，并采用贝叶斯正则优化方法，来解决BP算法收敛慢和容易陷入局部极小值的问题。通过仿真表明，该模型具有较高的定位精度。     

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%。     

基于免疫遗传算法的神经网络在智能故障诊断中的应用

本文设计了一种基于免疫遗传算法的多层前向神经网络,解决了BP算法在故障诊断中易陷入局部极小值的问题,既有神经网络的学习能力和鲁棒性,又具有免疫遗传算法强的全局随机搜索能力。仿真结果表明,这种神经网络能较好地完成复杂生产过程的故障诊断。