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。     

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GA的BP神经网络在多目标优化中的应用

针对传统多目标优化的求解方法通常存在目标权值主观性大,优化目标仅为各目标加权和以及在求解过程中各目标优化的不可操作性等问题,文中提出了一种新颖的多目标优化算法,其将改进后的遗传算法与BP神经网络融合,提出了基于遗传算法的BP神经网络融合算法。该算法将遗传算法与BP神经网络算法相结合,充分发挥遗传算法的全局搜索能力优势和BP算法的局部搜索能力特点,使得多目标优化问题得以求解,加快收敛速度,从而提高了收敛精度。     

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。     

基于改进PSO-BP神经网络的回弹预测研究

在V形自由折弯中,准确地预测板料回弹,有利于实际生产中精确地控制回弹以提高生产效率。由于板料回弹的影响因素众多,呈现出复杂的非线性变化特征,采用传统的BP神经网络难以满足高精度的预测要求,因此为了进一步有效预测板料的回弹,提出基于改进粒子群算法优化的BP神经网络预测模型。对标准粒子群算法的缺陷进行改进,利用改进粒子群算法的全局搜索能力对BP神经网络的权值和阈值进行优化求解,提高了BP神经网络预测模型的收敛精度和泛化能力。将改进PSO-BP神经网络预测模型应用在板料回弹预测中,并与LM-BP神经网络预测模型进行对比仿真,结果表明改进PSO-BP神经网络预测模型具有更高的非线性拟合优度和预测精度。     

无线传感器网络的身份认证体系研究

针对传统的BP神经网络所具有的算法收敛速度慢、容易陷入局部极小等固有缺陷,文章提出了一种优化改进算法的BP神经网络,并利用其构建了分布式入侵检测模型。通过仿真实验证明,该入侵检测模型不仅具有良好的全局搜索能力,而且算法收敛速度较快,具有极佳的入侵检测效果。     

基于改进的小波神经网络的汽车电控汽油机故障诊断

针对现有BP网络在汽车电控汽油机故障诊断中存在的问题,提出将小波函数与神经网络结合构成小波网络,代替BP网络用于故障诊断。并对小波神经网络提出了两个方面的改进。首先是对输出层函数进行了改进,其次是用熵函数代替均方误差函数作为网络的代价函数。仿真结果表明此改进的小波神经网络算法进行汽车电控汽油机的故障是有效的,而且与传统的BP神经网络相比,该改进的小波神经网络具有更强的逼近能力,更快的网络学习收敛速度和能有效避免局部最小值问题。     

优化的神经网络在模拟电路故障诊断中的应用

在检测和诊断模拟电路的故障中,为了解决传统的BP神经网络初始权值和阈值是随机选取的,容易陷入局部最小值,出现不收敛或收敛速度慢的缺点,文中提出了采用粒子群算法来优化传统BP网络的方法。首先利用粒子群算法优化BP神经网络的初始权值和阈值,然后再由改进的BP算法进行训练仿真。通过和在单一改进BP算法下训练的诊断仿真结果进行对比,可以发现通过粒子群算法优化后的神经网络改善了网络不收敛的缺陷,在训练速度以及诊断正确率上都有所提高。     

基于遗传算法的BP网络学习算法研究

介绍了遗传算法和标准BP算法及其改进形式,指出遗传算法和BP算法各自的优缺点.利用遗传算法全局寻优和BP神经网络局部寻优相结合的方法,提高了传统BP神经网络的计算精度和收敛速度.最后进行了仿真实验,结果表明,该方法不仅收敛速度快,而且易达到最优解,具有很高的实用价值.     

基于神经网络的移动机器人多传感器数据融合研究

针对单超声波的测距缺陷,采用多个超声波结合红外开关共同测距,提高整体测量精度;针对BP神经网络训练收敛速度慢,容易陷入局部极小值等缺点,加入动量-自适应因子来改进BP神经网络;将改进的BP应用于移动机器人传感器旅行家II号数据融合中,实践证明,经改进后的BP神经网络收敛精度高误差小,融合后的信息比未经融合的信息更精确。     

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。     

粒子群优化BP-PID的矿井提升机调速系统

传统PID控制器在矿井提升机变频调速系统应用中,由于控制参数固定且不易整定,导致电机转速超调大、电磁转矩和转子磁链脉动大,进而出现矿井提升机调速系统控制效果差的问题。针对这一问题,文中提出一种改进粒子群优化BP神经网络PID控制器的算法。由于BP神经网络算法存在收敛速度慢和极易陷入局部最优的缺点,现将粒子群算法收敛速度快和全局最优特性与神经网络结合,并通过设计神经网络收敛系数进一步加快收敛速度。仿真结果表明,粒子群优化的神经网络控制效果比神经网络好,且效果明显优于传统PID控制器;相较于神经网络PID控制器,矿井提升机转速调节系统稳速调节速度明显提高;与传统PID控制器相比,电机电磁转矩和转子磁链脉动明显降低,具有较强的稳定性和鲁棒性。     

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。     

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...     

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.     

基于改进的BP神经网络空空导弹攻击区解算方法

针对目前空空导弹可攻击区解算精度不高、收敛速度较慢的问题,提出了一种基于BP神经网络的改进的空空导弹攻击区解算方法.引入动量项的算法加快收敛的速度,并采用对灵敏变量插值的方法提高拟合精度,仿真结果表明：该方法具有精度高、参数少、通用性强的优点.     

基亏改进神经网络的柴油机系统故障诊断

BP神经网络可以利用其高度的非线性映射和自组织能力有效解决柴油机系统的故障诊断定位问题。但是标准的BP网络有自身无法克服的一系列问题,因此对标准BP网络的学习方法做出改进．并以此理论建立柴油机系统故障诊断的整体模型。为了检验改进理论的准确性,根据柴油机燃油系统的故障建立网络模型并诊断进行检验．MATLAB仿真结果表明,改进算法有效地提高了学习的效率与稳定性,加快了收敛速度,能有效解决故障的诊断与定位．并且具有良好的稳定性。     

基于改进BP神经网络的车牌字符识别

在分析了BP网络学习算法的缺陷的基础上引入动量项和遗传算法对BP网络学习算法进行改进,大大提高了BP网络的收敛速度.对车牌字符图像进行分割并利用sobel算子进行边缘检测来提取字符特征.然后利用改进的BP网络来自动识别车牌字符,提高了识别的速度和正确率.     

基于BP神经网络的飞行参数估测方法

对传统BP神经网络算法中收敛速度慢和存在局部极小点的问题进行了研究，提出了网络结构的改进方案和优化算法，提高了网络学习速度和预测精度；应用到飞行参数估测问题中，具有算法稳定、估测精确和动态自适应的特点。