一种随机学习速率的BP神经网络算法

在基本的BP算法及VLBP算法的基础上,根据遗传算法中变异的思想.提出了一种随机学习速率的BP算法.该算法在避免陷入局部最小的问题上有了一定的改善,并明显地加快了收敛速度.     

基于改进BP神经网络算法的永磁同步电动机速度控制系统的优化设计

该文作者以永磁同步电动机的转速控制系统为例,运用改进BP神经网络算法对转速控制器的PI参数进行了优化设计,同时使用MATLAB语言分别对采用常规工程设计法与改进BP神经网络算法所得到的阶跃响应曲线以及这两种设计方法所得到的时域性能指标进行了仿真分析和比较,通过比较可以看出:采用改进BP神经网络算法确能达到进一步优化调速系统性能的目的。     

改进的BP神经网络在地方GDP预测中的应用

BP算法是应用最广泛的人工神经网络算法,但标准的BP算法存在收敛速度慢及易陷入局部极小值的缺陷.针对这些缺陷,综合利用附加动量和变学习率的方法对BP算法加以改进.通过改进的BP算法用MATLAB对2001-2010年广西GDP数据进行了仿真,结果表明,改进的BP算法的收敛速度和预测精度均优于标准BP算法.     

粒子群优化算法与BP算法和遗传算法的比较研究

讨论了粒子群优化算法的基本原理和实现步骤,分析了该算法中各参数的设置.通过一个测试函数,对粒子群优化算法与遗传算法和BP算法分剔进行了比较,结果表明粒子群优化算法在找寻最优解效率上好于其他两种算法.     

优化的模糊控制器在温室系统中的应用

为了更好的对温室因子进行控制,针对温室控制的特点,本文提出了一种遗传算法和BP算法相结合的模糊神经网络控制器,将两种控制方法取长补短,再依据网络的结构特点采用不同的算法来优化控制器的参数,并通过仿真等对其功能进行了分析.结果表明,这种应用是合理的.     

一种改进的 BP 神经网络算法与应用

针对传统 BP 算法存在的收敛速度过慢、易陷入局部极小、缺乏统一的理论指导网络结构设计的缺点,分析了一般的改进算法在神经网络优化过程中存在的问题,从蚁群算法和 BP 算法融合的角度上,并引入了放大因子,提出一种综合改进的 BP 算法.该算法引入放大因子改善 BP 算法易陷入局部极小的情况,结合蚁群算法用于指导网络结构设计,并极大地改善了收敛速度过慢的问题.最后,将改进的 BP 算法与传统 BP 算法进行应用于煤矿瓦斯预测.通过对实验结果的分析,从时间和正确率上都表明改进的 BP 算法要优于传统的 BP 算法     

基于BP算法和ACO算法的故障诊断推理研究

BP算法在故障诊断领域已取得广泛应用,但其存在收敛速度慢且容易陷入局部最小值的缺陷,限制了其进一步的发展;ACO(Ant colony optimization)算法是一种模拟进化算法,已很好地应用于解决旅行商和资源两次分配等经典的优化问题,具有启发式收敛、正反馈以及分布式计算等优点;为此,将ACO算法引入BP算法故障诊断方法中,使用ACO算法对BP网络中的参数即权值、阈值以及学习率等进行优化,定义了一种结合ACO算法和BP算法能对故障进行诊断的新算法,并将其应用于具体的故障诊断实例中,最后,通过100组样本中的95组进行训练,并对剩余5组进行故障诊断,实验证明结合ACO算法和BP算法的新算法较传统的仅使用BP算法的诊断方法具有收敛速度快、诊断精确高以及训练性能好的优点。     

基于改进的GABP算法优化5G天线阵列

为了加快天线建模速度,针对现有天线设计软件天线参数优化速度过慢问题进行了建模研究。首先通过几种常用的启发式算法优化后的多层前馈（Back propagation,BP）神经网络对天线参数进行优化比较,并对其中最优的算法遗传算法优化BP（Genetic algorithm BP,GABP）神经网络算法进行深度改进。其次采用自适应算法和模拟退火算法优化算法对GABP进行优化。最终通过模拟试验验证出自适应GABP算法对于天线参数优化的误差最小。该研究为天线设计软件中天线优化方法提供了一种误差较小的新方法,拥有更高的预测准确度,拟合速度也大大提升。实验对比证明了该算法的可行性。     

基于改进学习的BP网络声音特征信号识别

建立了一个三层前向神经网络对四种声音信号进行识别分类,网络采用改进学习的BP算法训练,即在最速下降法训练的基础上,引入了MOBP动量因子和学习率调整.仿真验证结果表明,所设计的BP网络识别分类误差小,识别正确率高.     

BP神经网络的改进算法及其应用

BP（Back-propagation neural network）神经网络是目前应用最为广泛和成功的多层前馈神经网络之一,分析了BP算法的基本原理,指出了BP算法具有收敛速度慢、易陷入局部极小点等缺陷以及这些缺陷产生的根源,并针对这些缺陷,通过在标准BP算法中引入变步长法、加动量项法等几种方法来优化BP算法。仿真实验结果表明,这些方法有效地提高了BP算法的收敛速度,避免陷入局部最小点。同时．将改进得BP神经网络算法应用于脱机手写体汉字识别系统的实现。使系统较好地回避了汉字结构复杂、变形难以预测等问题,提高了识剐率。     

基于小波变换与MOBP的股价预测

提出了一种基于小波变换与改进动量BP神经网络（MOBP）的股价预测方法。将股票价格所构成的非平稳时间序列小波分解,建立基于优化权值的改进动量BP神经网络（MOBP）预测模型,对分解得到的近似部分与各细节部分分别进行训练,结合各部分的预测结果,可以得到原始序列的预测值。实验结果表明,这种方法预测效果较为理想,且相对于传统的BP神经网络预测的准确度有明显的提高。     

基于小波分解和优选的VLBP特征的表情识别方法*

提出一种基于小波分解和优选的VLBP特征的表情识别方法。该方法首先通过小波分解将原始图像分为几个不同频率的子图像来增强图像信息,然后用VLBP算子对不同频率的子图像运用不同的分块大小提取特征,采用神经网络贡献分析对特征进行选择,最后用SVM分类器进行识别。实验表明,该方法比单纯从原图像中提取VLBP特征更加有效,识别率更高,并且VLBP特征的提取速度快,可用于实时的人脸表情识别。     

超声波热量表流量计量中温度补偿算法研究

针对超声波热量表采用时差法测量流量时,因受温度影响而存在的非线性问题,提出了分别基于曲面拟合和BP神经网络的温度补偿算法。两种算法通过建立温度与流量之间的非线性映射关系,达到补偿流量测量的目的。建模与仿真可知, BP神经网络补偿算法表现出更好的数据融合及预测能力。验证实验表明,相对于现有查表修正算法和曲面拟合补偿算法,BP神经网络补偿算法补偿效果更佳,补偿后流量测量误差在±2.2%以内,绝对误差方差最大值为0.68,补偿效果显著,具有较高的工程应用价值。     

超声波电机转速的PIDNN控制

针对行波超声波电机运行过程中的较强时变性与非线性特征,引入了一种比例—积分—微分神经元网络(PIDNN)电机速度控制器.控制器网络融合了状态转换函数,具备动态映射能力,利用PID控制律先验知识确定权值初值,通过可变学习速度反传算法(VLBP)在线学习,使训练结果快速收敛,不易陷入局部极小,从而实现对超声波电机稳定快速的控制.采用参数变化电机模型对控制器进行仿真校验,仿真结果表明:方法具有较快的响应速度和较高的鲁棒性,能通过在线学习补偿电机运行过程中的非线性.     

数值优化改进的BP网络的模式分类对比

研究了共轭梯度算法、拟牛顿算法、LM算法三类常用的数值优化改进算法,基于这三类数值优化算法分别对BP神经网络进行改进,并构建了相应的BP神经网络分类模型,将构建的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,将不同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,LM数值优化算法改进的BP网络的分类结果最为精确,收敛速度最快,分类性能最优;共轭梯度数值优化算法改进的BP网络的分类结果误差最大,收敛速度最慢,分类性能最差;拟牛顿数值优化算法改进的BP网络的分类结果误差值、收敛速度及分类性能介于上述两种算法之间.     

基于肢体动作序列三维纹理特征的情绪识别

情绪识别在人工智能领域具有广阔的应用前景,目前基于人脸表情的情绪识别已经相对成熟,而根据人类肢体动作进行情绪识别的研究却不多。通过VLBP和LBP-TOP算子从三维空间中提取图像序列的肢体动作特征,分析愤怒、无聊、厌恶、恐惧、高兴、疑惑和悲伤7种自然情绪的特点,并用参数优化的支持向量机对情绪分类识别,识别率最高能够达到77.0%。实验结果表明,VLBP和LBP-TOP算子具有较强的鲁棒性,能有效的从肢体动作中识别人的情绪。     

基于遗传BP神经网络的数据挖掘技术

数据挖掘技术是从大量数据中挖掘知识的有效的工具。BP神经网络和遗传算法是运用在数据挖掘中的两种新兴算法,神经网络的结构复杂、网络训练时间长、收敛速度慢,但其具有较高的正确率,把BP神经网络与遗传算法相结合,可以提高收敛速度,并在有限步内达到较高的精度要求,因此本文提出了一种遗传算法和BP神经网络相互结合的新算法,并把算法运用在数据挖掘技术中。     

Magnified gradient function with deterministic weight modification in adaptive learning

This work presents two novel approaches, backpropagation (BP) with magnified gradient function (MGFPROP) and deterministic weight modification (DWM), to speed up the convergence rate and improve the global convergence capability of the standard BP learning algorithm. The purpose of MGFPROP is to increase the convergence rate by magnifying the gradient function of the activation function, while the main objective of DWM is to reduce the system error by changing the weights of a multilayered feedforward neural network in a deterministic way. Simulation results show that the performance of the above two approaches is better than BP and other modified BP algorithms for a number of learning problems. Moreover, the integration of the above two approaches forming a new algorithm called MDPROP, can further improve the performance of MGFPROP and DWM. From our simulation results, the MDPROP algorithm always outperforms BP and other modified BP algorithms in terms of convergence rate and global convergence capability.     

神经网络动量—自适应学习率BP算法与BP算法的性能比较及其应用

动量－自适应学习率BP算法是对标准BP算法的改进,本文对这两种算法进行了分析,并利用计算机程序对其性能进行了比较测试,利用VISUAL C＋＋和MATLAB开发了仿真测试程序。     

神经网络训练算法的对比及应用

神经网络训练算法以传统的BP算法为基础,不断衍生新的改进算法,如加动量的BP算法,RPORP等。本文把实际问题抽象分为连续型和离散型数学问题,将现有几种训练算法分别应用在这两类问题中,通过对训练结果准确率及性能的对比,总结不同的算法适合应用的领域。