动量-自适应学习BP算法在加工领域的探索

为解决实际加工中试验次数多生产成本高、选取加工参数困难等问题,采用动量-自适应学习BP算法构建BP神经网络预测模型。根据实际情况将典型BP算法改进,得到收敛速度快的动量-自适应学习BP算法模型;用电解加工试验数据对模型结构进行训练,最终建立动量-自适应学习BP神经网络加工预测模型。采用该模型对不同加工参数组合下加工的不锈钢微孔孔径大小进行预测。结果表明,该模型的预测误差低于5%,具有很强的预测能力。     

改进的BP神经网络在医疗中的应用研究

鉴于传统BP神经网络存在诸如收敛速度缓慢和易陷入局部极小值的缺陷,提出在BP神经网络中引入动量因子、陡度因子、自适应学习速率和改进粒子群算法优化BP权值等对传统BP进行改进,使其达到预测误差小、精度高、训练快的目的。改进后用来预测区域内各个年龄段患糖尿病人数百分比。由仿真实验结果可知,改进后的BP神经网络比传统BP神经网络收敛更快、误差更小。     

改进BP神经网络在个人信用评估系统的应用

针对一般BP算法收敛速度慢和易陷入局部极小值的缺陷,提出利用一种自适应学习速率动量梯度下降反向传播算法对网络进行训练。该算法使BP神经网络学习速率和稳定性得到提高,并将这种改进的BP网络应用于个人信用评估系统,验证了该方法的正确性和有效性。     

基于改进小波网络的TE过程故障诊断

针对BP 算法容易陷入局部极小值、收敛速度慢及容易振荡等缺点, 采用小波BP 网络且对小波网络采用基于梯度符号变化的局部学习率自适应算法和引入动量项的改进。将改进后的算法对多变量非线性的田纳西-伊斯曼过程进行了仿真研究, 结果表明改进算法提高了故障分类的辨识精度。     

动量法改进的BP神经网络及其在疲劳裂纹预测模型中的应用

BP神经网络是人工神经网络中的一个典型代表,分析了BP神经网络算法收敛速度慢的原因,研究了一种提高其收敛速度的方法,即将动量法和批处理方法结合起来对BP算法进行改进。建立了低碳钢疲劳裂纹神经网络预测模型,并将改进后的算法应用在模型中,结果表明改进后的算法可以提高学习速度,提高仿真测试结果可靠性。BP神经网络是描述疲劳裂纹演化行为的有效工具,并且可以取得较好的预测精度。     

基于神经网络的储粮测控专家系统的研究与应用

将神经网络应用于专家系统中,利用神经网络系统的学习功能解决传统专家系统在知识获取、推理能力、自学习能力上的缺陷,与粮情测控系统相结合,提出了一种改进BP算法.该算法加入动量项,然后对自适应算法进行了一些适当改进,进而给出了该算法的理论推导和具体实现步骤.与未改进的BP算法相比,该方法协调了训练次数多而引起的学习效率和收敛速度之间的矛盾,提高了BP算法的熟练速度和收敛速度.实验结果也说明了该方法的快速性、有效性、稳定性.     

BP网络模型的改进方法综述

介绍了BP网络模型、BP算法、BP算法存在的问题及其原因、针对BP算法三个主要问题（隐层数及隐层节点个数的难以确定、收敛速度较慢,易陷入局部极小点）的改进方法进行了探讨,提出了动量法、遗传算法、混沌法等方法。     

基于MB栅格回波强度和改进BPNN的底质分类

提出了基于多波束栅格图像和改进神经网络的底质分类方法,研究了多波束栅格回波强度的提取方式和改进的反向传播(BP)神经网络.论述了波束脚印包络内以采样数量进行等角度栅格分配获取回波强度所在位置序列值,并在传统BP神经网络基础上附加动量因子和自适应学习率,同时为激活函数添加斜率和偏置可随误差信号进行修正.改进的BP神经网络不仅可以提高神经元的自适应能力,而且可以明显加快算法的收敛速度.利用提出的方法进行底质分类,实验结果表明,提出的方法显著提高了海底底质分类的分辨率和精度.     

基于自适应遗传算法的神经网络字符识别

为了增强传统自适应遗传算法在进化初期的鲁棒性及避免早熟收敛,给出了一种改进算法,并利用这一算法来调整BP模型的网络权值与阈值,最后将新算法应用于字符的识别．仿真结果表明,新算法比BP算法具有更强的识别能力．     

BP 神经网络改进算法的应用

目的通过 MATLAB 实现 BP 神经网络的改进算法. 方法采用了动量法和学习率自适应调整的策略. 结果运用 MATLAB 对 BP 神经网络进行初始化和训练. 结论实践证明, 改进了的 BP 神经网络算法, 提高了学习速度, 增加了算法的可行性. 利用 MATLAB 软件提供的工具箱编制 BP 网络解决非线性问题是一种便捷、有效、省事的途径.