嵌入式大气数据传感系统及其BP网络校正算法

介绍了嵌入式大气数据传感系统及其数学模型和校正过程．研究了该系统的BP网络校正算法;提出了以BP网络为基础的迎角、侧滑角和形压系数的校正算法,并对该算法应用MATLAB软件进行了验证;该校正算法采用BP网络,分别以当地迎角、当地侧滑角和马赫数作为BP网络的输入．以真实迎角、真实侧滑角和形压系数作为输出,通过对BP网络进行训练,从而得到系统的校正算法;计算结果表明,该算法在精度、可靠性和实时性等方面可以满足系统的设计要求;在精度上,由于BP网络对非线性函数的无限逼近特性,可以用更少的参数实现同样的数据精度,易于实现。     

广义逆在嵌入式大气数据传感系统中的应用

应用广义逆矩阵对嵌入式大气数据传感系统中的算法进行简化,提出了以Moore-Penrose广义逆矩阵为基础的动压、静压和修正参数的改进算法,并对其进行了收敛性分析,最后,应用M atlab软件进行了数字计算验证。计算结果表明:改进算法具有确定的收敛性,由于避免了迭代过程中求解逆矩阵,达到同样的精度所需要的计算时间只相当于原有算法的70%,改进算法可以满足系统的精度、可靠性和实时性要求。     

基于遗传BP算法的车型识别技术在智能交通中的应用

车型识别技术作为智能交通系统中关键技术,特征识别法具有较高的识别精度、鲁棒性、实时性,是车型分类技术的主要方法.但是该方法存在两个主要问题:车型分类网络需要优化,目标特征提取算法性能与工程应用要求尚有差距.针对上述问题展开研究,引入遗传算法、动量项等对BP算法优化车型分类网络、采用耗时低的Surendra背景提取算法、迭代阈值分割算法改善目标特征提取工作的实时性,仿真结果表明,基于遗传BP算法构建的车型识别系统的精确性、鲁棒性等关键性能达到系统设计要求.     

基于粒子群优化算法的BP网络学习研究

文章提出了基于粒子群优化的BP网络学习算法。在该算法中,用粒子群优化算法替代了传统BP算法中的梯度下降法,使得改进后的算法具有不易陷入局部极小、泛化性能好等特点。并将该算法应用在了高速公路动态称重系统的设计中,实验证明:这种算法能够明显减少迭代次数、提高收敛精度,其泛化性能也优于传统BP算法。     

基于LM算法的现场测量系统的传感器非线性误差校正方法

BP神经网络及其改进算法虽然在测量精度方面有所改善,结构的不确定性、训练时间长的缺点限制了其在现场测量系统的应用.在引入LM算法的同时,并通过分段的方法对其缺陷进行了改进.仿真结果证明了该方法具有收敛速度快、实时性强的特点.     

基于改进型粒子群优化算法的BP网络在股票预测中的应用

本文提出了基于改进型粒子群优化的BP网络学习算法。在该算法中,首先改进了传统的BP算法,有效地使得网络中输入层、隐含层和输出层结点个数达到一个最优解。然后,用粒子群优化算法替代了传统BP算法中的梯度下降法,使得改进后的算法具有不易陷入局部极小、泛化性能好等特点,并将该算法应用在了股票预测的应用设计中。结果证明明：该算法能够明显减少迭代次数,提高收敛精度,其泛化性能也优于传统BP算法。     

基于BP网络与改进的PSO算法的入侵检测研究

本文针对入侵检测系统中的误检率,提出了一种将BP网络和改进的PSO算法相结合的方法。该方法基于BP网络算法的局部精确搜索和改进的PSO算法的全局搜索的特性,并且用改进的PSO算法优化BP网络的权值、阈值,克服BP网络算法易陷入局部极值的弊端。在入侵检测系统中应用该网络结构,能准确地发现已知的攻击行为,并能进一步预测新的攻击行为,减少了入侵事件的漏报和误报。通过KDD99 CUP数据集进行仿真实验,与基于PSO-BP算法、传统的BP算法的入侵检测系统相比较,表明改进的PSO-BP算法的迭代次数较少、收敛速度快、检测率高,有一定的有效性。     

一种改进BP网络学习算法

针对BP神经网络的原始算法收敛速率慢、学习精度低、训练过程易陷入局部极小值问题,为解决上述问题,提出一种以变学习率BP算法为基础的改进算法,通过区分隐层和输出层的学习率,并用交叉熵作性能函数,提高算法的学习精度和训练速度,并经过数学推导,得到改进箅法的实现公式.将改进算法应用于奇偶数判别问题进行仿真,仿真实验结果与其它类似的方法进行比较后,发现改进算法大大降低了网络迭代次数,缩短了网络的训练时间,提高了训练精度,验证了该算法的有效性.     

采用BP 神经网络及其改进算法改善传感器特

本文采用BP多层前馈神经网络及其改进算法对传感器特性进行补偿 .提出附加动量法、自适应参数变化法为主要内容的BP神经网络改进算法 ,有效地改善了BP网络传统算法收敛慢、容易收敛到局部最小点的缺陷 ,并编制了训练程序 .结果表明 ,经BP改进算法处理后 ,传感器性能大幅度改善 ,改进的BP算法拟合精度更高 ,计算时间更短     

基于遗传BP网络的股市预测模型研究与仿真

股票价格走势已经成为人们关注的焦点,为了更精确的预测股票价格,得到更合理的股票投资意见,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.建立了基于遗传BP网络的股市预测系统模型,对贵州茅台股票价格进行预测.仿真结果表明,经遗传算法改进后的BP神经网络模型在降低计算和预测的平均误差的同时,迭代次数比一般BP神经网络模型也大大减少.因此适用于求解如股市预测等非线性问题,具有较高的精确度和应用价值.     

基于遗传优化神经网络的电子舌在黄酒检测中的应用

采用遗传学习算法和误差反向传播(BP)算法相结合的混合算法来训练前馈人工神经网络,从而提高神经网络的收敛质量和收敛速度,并将此算法运用到电子舌对黄酒的检测上。与经典BP网络及附加动量项BP网络的训练与预测进行了比较。结果显示:遗传优化BP算法具有预测精度高、收敛速度快及运行时间短的优点,是一种快速、可靠的方法。     

基于遗传优化神经网络的电子鼻对可乐的检测

采用遗传学习算法和误差反向传播(BP)算法相结合的混合算法来训练前馈人工神经网络,从而提高神经网络的收敛质量和收敛速度,并将此算法运用到电子鼻对可乐的检测上.与经典BP网络及附加动量项BP网络的训练与预测进行了比较,结果显示:遗传优化BP算法具有预测精度高、收敛速度快及运行时间短的优点,是一种快速、可靠的方法.     

基于遗传算法的神经网络控制器在导航系统中的应用

目前广泛运用于神经网络中的误差反向传播训练时间较长,且易陷入局部最优。该文首次在遗传算法中使用一种新的个体选择方法,并利用遗传算法和误差反向传播算法相结合训练神经元的连接权值,能够优化控制器性能参数和全局搜索能力,在航向控制系统中的仿真数据显示比单纯误差反向传播算法误差更小。     

一种基于遗传算法的改进的BP算法

提出一种利用遗传算法对BP算法的改进方案。充分考虑了BP算法的精确性和遗传算法全局寻优的特点．使BP算法摆脱局部极小的困扰,并且所训练的网络能够达到要求的精度。     

RCGNN：一种基于实数编码的遗传神经网络预测方法

将遗传算法与神经网络相结合,提出一种实数编码、自适应选择、算术交叉、高斯变异、爬山操作的改进遗传BP神经网络RCGNN,利用遗传算法对神经网络权值和阈值进行优化。以时间序列预测的实例进行编程计算表明,用遗传算法进行网络训练,其收敛速度快,最终总误差最小,预测准确率高。对算法中参数进行的相应研究表明,增加爬山操作次数能很好地提高网络训练的速度,同时使误差下降快;爬山操作越多,收敛速度越快,最终误差越小,但计算运行时间也会增加。     

基于MEA-BP的微波加热褐煤温度预测

对于微波干燥褐煤的温度采样数据具有多峰非平稳特性,采用小波阈值滤波能够较好地保留原始数据的细节信息。而直接使用反向传播（ BP）神经网络来建立对微波加热物料温度预测模型,具有预测精度低、收敛速度慢且容易陷入局部极小点等缺点。采用具有极强全局寻优能力的思维进化算法（ MEA）来优化BP（ MEA-BP）神经网络的初始权值和阈值。实验结果表明：经MEA-BP神经网络具有更高的预测精度和泛化能力,预测性能得到了显著的提高。     

基于实数编码遗传算法的混合神经网络算法

该文比较了神经网络与遗传算法的特点,提出了一种融合遗传算法和BP算法的神经网络算法设计。该方法采用了基于实数编码的改进遗传算法来替代随机设定神经网络的初始权阈值,然后由改进的LMBP算法在已由遗传算法确定了的搜索空间中对网络进行精确训练。仿真结果表明神经网络的逼近能力和泛化能力得到了综合提高,能够有效抑制遗传算法初期收敛的发生,确保了快速达到全局收敛,克服了传统BP算法精度低、收敛速度慢、容易陷入局部极小的缺陷。     

利用遗传算法改进BP学习算法

首先介绍了遗传算法和标准BP算法及其改进形式,并指出遗传算法和BP算法各自的优缺点,然后着重讨论了如何采用遗传算法和梯度BP算法相结合的方法来训练前馈神经网络,从而提高神经网络的收敛速度和收敛质量。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,具有一定的实用价值。     

基于核偏最小二乘的锌层重量预测模型

为了给带钢热镀锌生产的质量控制提供必要的决策支持和分析手段,针对气刀对锌层重量的控制工艺,提出了基于核偏最小二乘回归的锌层重量预测模型。利用核函数将低维空间的非线性回归转化为高维空间的线性回归,克服了实际生产工艺中非线性因素对预测模型的不利影响。应用鞍山钢铁集团公司带钢热镀锌的生产实际数据进行验证,结果表明,基于核偏最小二乘的锌层重量预测方法与线性偏最小二乘、BP神经网络等方法相比,具有更好的预测精度。