基于改进BP网络的图像压缩

针对BP网络的图像压缩技术,提出了一种改进的BP网络局部学习自适应Silva-Almeida(SA)算法,该算法将训练过程分为加速、平稳收敛两个阶段的基础上,同时局部自适应调整学习速率和动量因数两个参数。经曲线拟合试验,其训练精度有较大提高,震荡现象得到进一步改善,训练速度加快。在图像压缩的仿真试验中,相对于目前常用的弹性BP算法(RPROP算法),该算法训练速度加快,重建图像质量有很大提高,利用该算法进行图象压缩可以获得更高的压缩比。     

含TCSC结合DCPF与改进BFA的最大静态电压稳定裕度计算

为了研究电力系统的静态电压稳定问题,提出以最大负荷裕度作为目标函数。基于动态连续潮流法(DCPF)作为潮流计算方法建立数学模型,解决了连续潮流中由于平衡节点的选择不同而使得负荷裕度差别较大的问题,结合细菌觅食算法(BFA)作为寻找最优控制变量组合的优化算法,将最优控制变量带入DCPF以求取最大负荷裕度,并在网络中加入TCSC作为阻抗补偿装置,通过控制无功功率分布以达到改善静态电压稳定的目的。以灵敏度参考,通过对TCSC安装位置寻址以提高负荷裕度,并通过对BFA的改进以改善算法的优化速度与精度。应用该计算方法、研究策略,以IEEE 14节点为例,对最大静态电压稳定裕度进行求解,以验证网络中在安装有TCSC的前提下,结合DCPF与改进BFA对静态电压稳定裕度的改善有效、可行。     

BP神经网络的IAPSOBPNN组合训练算法

针对BP神经网络易陷入局部极小点、泛化能力低的缺陷,提出了BP神经网络的IAP-SOBPNN(Particle Swarm Optimization with Immunity Algorithm Back Propagation Neural Network)组合训练算法,即免疫算法、粒子群算法和BP算法的组合.将此组合训练算法应用到非线性函数逼近和具有复杂非线性动力学特征的股价预测中,仿真实验表明,该算法避免了网络陷入局部极小点,提高了网络的泛化能力,同时为BP网络参数的确定提供了一条崭新的思路.     

神经网络算法在智能体IDS系统中的应用

结合网络入侵和主机入侵方面的检测能力,构建了基于智能体的分布式入侵检测系统的体系结构模型。重点讨论了神经网络入侵检测算法。针对传统的BP网络在入侵检测应用中学习收敛时间和性能上的不足,提出了变速度回归神经网络(采用了批处理技术和动量方法)检测算法,通过对网络数据集的测试表明,该算法较传统BP网络,其学习训练次数大大降低,学习能力显著提高。     

改进BP算法用于入侵检测

为了降低入侵检测系统的误警率,提高检测率,在入侵检测模型中应用了一种改进BP算法.该算法用Cauchy误差估计器代替传统的LMS误差估计器,提高了模型的鲁棒性,降低了训练样本＂异常值＂对收敛速度的影响.最后,以网络数据包为样本数据对模型进行训练,比较了改进BP算法与标准BP算法的实验结果,验证了该算法的优越性.     

基于改进BP算法的商品销售量的预测

提出了一种改进的BP算法，该方法通过结合Cauchy训练来改进传统BP算法，避免传统BP算法容易陷入局部极小点，提高Cauchy训练的训练速度和解决不收敛的问题，并运用该方法于商品销售量的预测，实例表明该方法使网络具有较快的收敛速度和较高的准确度．     

基于APSO-BP耦合算法的岩体力学参数反馈研究

提出了基于自适应粒子群优化(APSO)与误差反向传播(BP)神经网络耦合反馈分析模型(APSO-BP).模型实现对网络结构、权重、阈值的同时优化,借助自适应粒子群算法全局优化能力强、收敛速度快的特点,提高了模型运算效率.采用Schaffer基准函数对该模型和传统遗传算法、BP神经网络、粒子群与BP神经网络组合算法进行测试对比.结果表明该模型更为优越.应用该模型对索风营水电站地下岩体力学参数进行反馈分析,计算位移值与实测值吻合较好,平均误差0.22 mm.     

基于切片模型的快速混合学习算法

针对传统BP神经网络训练收敛速度慢、易陷入局部极小点的问题,将遗传算法与误差放大的BP学习算法相结合,提出基于切片模型的快速混合学习算法.该算法通过将传统神经网络的训练过程划分为许多小的训练切片,并利用遗传算法的并行寻优特性,对采用误差放大的BP训练过程进行监督.通过及时发现收敛速率较快的个体和过滤陷入局部极小点的个体,来保证网络训练的成功率和实现快速向全局最优区域逼近的目的.仿真实验表明,该算法在不增加网络隐层节点数的情况下,显著地提高了网络的收敛精度和泛化能力.     

基于迭代学习的BP神经网络权值训练算法

针对传统BP算法存在收敛速度过慢、易陷入局部极小的问题,提出基于迭代学习的BP神经网络权 值修正算法。该算法将迭代学习的原理与神经网络相结合,同时采用本次训练误差和前一次的训练误差修正神经 网络权值,提高了网络训练速度。仿真结果验证了该算法的有效性。     

基于神经网络的三容水箱液位控制系统辨识

针对三容水箱液位控制系统的滞后、非线性特性,难以用传统的机理方法进行辨识,提出了用BP网络辨识该系统的方法.采用并联型辩识结构,训练网络采用Levenberg-Mararquardt算法和BFGS拟牛顿算法,仿真结果表明,这两种算法用于BP网络辨识该系统效果较好.