基于头脑风暴优化算法的BP神经网络模糊图像复原

该文提出一种基于头脑风暴智能优化算法的BP神经网络模糊图像复原方法(OBSO-BP)。该方法在聚类和变异两方面优化了头脑风暴智能算法,利用头脑风暴优化算法易于解决多峰高维函数问题的特点,自动搜寻BP神经网络更佳的初始权值和阈值,以减少BP网络对其初始权值和阈值的敏感性,避免网络陷入局部最优解,增加网络的收敛速度,减小网络误差,提高图像还原质量。该文采用20张不同的图像,对其模糊图像分别进行维纳滤波复原(Wiener)、基于头脑风暴算法的维纳滤波复原(Wiener-BSO)、BP神经网络复原以及基于头脑风暴算法的BP神经网络(BSO-BP)图像复原实验。实验结果表明,该方法能够取得更好的图像复原效果。     

一种基于神经网络的图像复原方法

提出了一种基于BP神经网络的图像复原算法.在分析图像模糊机制的基础上,为了降低输入维数,该方法采用滑动窗口操作来提取特征,同时为了加快训练速度和改善网络复原效果,首先对图像进行边缘提取,对图像内边缘区域和平坦区域分别采用滑动窗口获得训练集.利用BP神经网络的学习能力,通过训练,建立含有退化信息(高斯模糊)的模糊图像和清晰图像之间的映射关系模型,利用该模型对模糊图像进行复原,得到的复原图像在视觉上和定量分析上都获得了较好的效果.     

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Hadoop的灰狼优化K-means算法在主题发现的研究

快速准确的在海量网络数据中发现热点主题对于网络舆情监控具有重要作用.针对K-means算法对初始中心点选择敏感和全局搜索能力不足的问题,提出一种基于Hadoop的改进灰狼优化K-means的IGWO-KM算法.首先,该算法将灰狼优化算法和K-means算法相结合,利用灰狼优化算法收敛速度快和可全局寻优的优势为K-means搜索最佳聚类中心,减小随机选取初始中心点而导致的聚类结果不稳定性,以获取更好的聚类结果.其次,使用非线性收敛因子改进灰狼优化算法,协调算法的全局和局部的搜索能力.然后,引入正弦余弦算法并进行改进,增强灰狼优化算法的全局搜索能力,优化寻优精度和收敛速度,避免陷入局部最优.之后,使用近邻空间球减少K-means聚类过程中冗余的距离计算加快算法收敛.最后,利用Hadoop集群可批量处理数据的特性,实现算法的并行化.实验结果表明,IGWO-KM算法具有更好的寻优精度和稳定性,相比于GWO-KM算法和K-means,该算法在查准率、召回率和F值均有明显提高,且具有良好的收敛速度和拓展性.     

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。     

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%。     

BP网络的改进研究

针对标准BP神经网络收敛速度慢，学习精度不高的缺点，在标准BP神经网络算法中附加动量项，并以附加动量项的BP网络算法为基础，提出动量-自适应速率法，动量-可调激活函数法以及动量-自适应速率-激活函数法四种改进算法。以太阳黑子预测为实例分析四种改进算法在BP神经网络迭代次数减少，精度提高两方面的实际效果。事实证明，动量-可调激活函数算法对BP网络结构优化，提高收敛速度有明显效果。     

典型人工神经网络在图像复原中的应用

大多数图像复原的实际问题是点扩展函数和原始图像均未知的盲复原问题,相对于传统图像复原算法,人工神经网络为这类问题的求解提供了另外一条全新的途径。人工神经网络具有非线性、自组织、自学习和自适应的特性,适于解决无法建立精确数学模型的问题。通过对BP神经网络、Hopfield神经网络这两种典型的神经网络应用于图像复原问题的总结和分析,归纳出神经网络在处理图像复原问题方面具有的特点,以及两类不同的神经网络复原方法适合解决的问题。     

基于LMBP神经网络的涡流传感器曲线拟合研究

为了正确反映数字式涡流传感器的实际非线性特性,文中利用Levenberg-Marguardt(L-M)算法优化BP的权值修正量,提出了一种快速收敛的LMBP学习算法,从数学角度详细阐述了LMBP算法的学习过程,并在Matlab环境下设计了具体的网络对数字式涡流传感器特性曲线进行拟合。仿真结果表明,较传统BP网络和传统改进BP网络,LMBP网络有着更快的收敛速度和更强的逼近能力。     

改进的BP神经网络算法及其应用

为了进一步优化神经网络算法,提高网络神经算法的速率并提高其稳定性,就现有BP算法所存在的收敛速度慢以及容易陷入局部极小值的弊病,我们将进一步通过一般改进算法解决在神经网络结构优化过程中依然无法解决的问题。依据遗传算法的特征,进一步在经过改进的压缩映射遗传的基础上提出了BP神经网络优化方案。泛函分析中压缩映射原理的应用,一方面解决了困扰人们的BP神经网络算法所固有的缺点,显著地提高了神经网络算法的收敛速度,而且解决了BP神经在运行的过程中和网络连接权值初值的取值紧密相连的缺点。经过大量的计算我们得到如下数据:经过优化改进后,训练时间节约了8.3%,训练步数降低了近17.4%。经过大量的研究实验表明:经过改进后的BP神经网络算法取得了良好的效果,十分具有应用价值。     

一种BP-IA数字调制方式识别方法

为提高数字调制方式的识别速度和准确率,提出一种基于免疫算法(IA)的反向后传(BP)神经网络数字调制方式识别算法。首先对信号的特征进行分析和提取,其次利用具有全局搜索能力的免疫算法优化BP神经网络的权重及阈值,最后利用Levenberg-Marquardt算法训练BP网络。文中不仅给出了详细的算法分析,同时进行了仿真实验。实验结果表明,所提方法的收敛速度明显优于传统的BP算法和遗传算法,在信噪比大于-2 dB时,所提方法的平均识别准确率也优于传统的BP算法和遗传算法。所提免疫优化算法在训练多层前向神经网络时可有效地避免BP算法易陷入局部极小,且算法收敛速度快,具有精确的全局寻优性能,进而提高了数字调制方式的识别准确率。     

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。     

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。     

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。      

改进BP神经网络在物体识别中的应用

针对传统BP神经网络容易陷入局部极小、收敛速度慢和确定隐含层的神经元个数比较困难等缺点,从结构和算法两方面对BP神经网络进行改进。改进后的网络具有较快的收敛速度和较短的运行时间,加强了BP神经网络的学习能力和自适应能力,并将其应用于物体的分类识别,取得了良好的效果。仿真结果表明了此改进方法的可行性和有效性。     

Radon变换和全变分相融合的图像复原算法

图像复原的核心是点扩散函数的估计和直接去卷积算法,针对拍照过程中,相机和被拍摄物体由于相对运动而导致的图像退化问题,提出一种基于Radon变换和全变分相融合的图像复原算法。首先利用radon变换对图像退化模型参数进行估计,然后采用全变分算法复原退化图像,最后在Matlab 2012平台进行仿真实验对算法的性能检验。仿真结果表明,相对于其它图像复原算法,本文算法可以准确估计退化模型参数,获得了更加理想的图像复原效果,具有一定的实际利用价值。     

基于改进BP神经网络的脱机手写文字识别

在MATLAB中构建脱机手写文字识别系统,并利用Levenberg-Marquardt算法对标准BP神经网络的阈值和权值进行优化。经过仿真实验,证明该改进方法克服了在识别过程中BP网络存在的训练时间长、收敛速度慢等缺点,并且提高了系统的识别率,是一种有效可行的BP网络改进方法。     

车牌图像特征提取及改进神经网络的识别算法研究

针对车牌字符图像进行特征提取与识别算法的研究。使用BP神经网络识别算法建立车牌字符图像的识别。由于常规BP神经网络算法本身存在训练过程容易陷入局部最小值、收敛效率低以及网络结构参数不易确定等缺点。另外,BP网络结构参数的选取对算法的性能影响很大,而参数的选取通常是根据经验公式选取的,存在很大的随机性和盲目性,使算法的性能无法得到保证。因此该文使用收敛速度快、适用于全局搜索的PSO优化算法对BP神经网络算法的性能进行优化,研究一种双粒子群优化的改进BP神经网络算法。最后通过车牌识别实验对识别算法进行研究,结果表明,通过对神经网络算法进行改进,使用其建立汉字识别模型、字母识别模型以及混合识别模型的识别准确率均优于常规神经网络算法建立的模型,具有较好的识别性能。