基于BP神经网络的非线性函数拟合

该文介绍了神经网络领域中BP神经网络的特点及其算法原理,对BP网络权值的修正规则进行了推导,并对BP网络存在的问题提出了几点改进,在此基础上对一组非线性函数的采样数据进行拟合。实验结果表明,BP神经网络能保证拟合误差在很小的范围之内,说明了其拟合的有效性。     

基于RBF神经网络的传感器非线性误差校正方法

介绍了利用人工神经网络进行传感器非线性误差校正的原理。提出了传感器非线性误差校正的径向基函数(RBF)神经网络方法,并与采用BP神经网络校正非线性误差进行了比较。最后给出了一个仿真实验,实验结果表明:采用RBF神经网络可以明显提高网络收敛速度,大大减小传感器非线性误差,校正效果优于BP神经网络。     

基于改进BP网络8/6极SRM非线性建模的研究

针对开关磁阻电机(SRM)磁化曲线高度饱和、非线性的特点,提出一种基于改进的BP神经网络建立开关磁阻电机模型的方法。该方法构造了一个将连接权值变为参数可调函数的BP神经网络。通过分析开关磁阻电机磁链与转矩特性获得神经网络的训练样本,经过训练,实现开关磁阻电机非线性建模,并在Matlab/Simulink中建立开关磁阻电机控制系统(SRD)仿真模型。仿真与实验结果的对比,证明了此建模方法可行。与传统BP神经网络建模相比,该方法节约了计算时间,具有很强的泛化能力和较高精度,有效地提高了收敛速度。     

嵌入式软件体系结构级能耗建模方法

从软件体系结构层面出发,假设体系结构级软件特征量与嵌入式软件能耗之间存在非线性函数关系(线性函数关系可被认为是一种特殊的非线性函数关系),并以此假设为基础,提出了一种利用BP神经网络在体系结构级估算软件能耗的模型,能耗模型对5个体系结构级软件特征量进行度量,使用BP神经网络拟合出软件特征量与嵌入式软件能耗的非线性函数关系,并通过实验验证了模型的有效性和假设的合理性.     

采用BP神经网络拟合光纤位移传感器特性曲线

采用BP神经网络对光纤位移传感器特性曲线进行拟合。通过实验获得光纤位移传感器的实验数据,引入BP神经网络对光纤位移传感器的输入输出特性曲线和迟滞特性曲线进行拟合。Matlab仿真结果表明,该方法取得了较好的曲线拟合效果。     

GA-BP神经网络的非线性函数拟合

由于BP神经网络具有良好的非线性映射能力,但在极值寻优时易陷入局部极值。本文利用具有全局搜索寻优的遗传算法优化BP神经网络(GA-BP),用于非线性函数拟合,弥补了BP网络寻优时的缺点。通过实例比较分析,GA-BP神经网络明显地提高了拟合精度,也使模型具有较强的应用性与推广性。     

基于新的改进粒子群算法的BP神经网络在拟合非线性函数中的应用

介绍了一种基于新的改进粒子群算法(NIPSO)的BP神经网络来解决拟合非线性函数所出现的误差较大的问题。此算法在粒子群优化算法基础上,分别让权重和学习因子非线性和线性变化,建立基于新的粒子群优化算法的新模型,再与BP神经网络结合之后来拟合非线性函数。结果表明,新的改进粒子群优化算法更加合理且高效地提高了BP神经网络的拟合能力,减小了拟合误差,提高了拟合精度。     

基于BP神经网络的图像颜色温度检测方法研究

高温物体的颜色与物体的温度存在复杂的非线性关系.基于BP神经网络在非线性函数逼近方面有优良特性,提出了用BP神经网络拟合高温物体颜色模型HSV中参数H、S与温度的映射关系的测温法.实验证实该测温法是可行的,且较传统的测温方法简单,误差小.     

混沌粒子群神经网络在非线性函数拟合中的应用研究

BP神经网络虽然是目前应用最广泛的神经网络模型,但其自身有易陷入局部极小值和收敛速度慢的缺点。本文提出了一种利用混沌粒子群算法来改进BP神经网络。该算法的基本思想是用混沌粒子群算法对BP神经网络的初始权值和初始阈值进行优化。对粒子群算法进行混沌优化,提高粒子群算法的全局搜索能力;用混沌粒子群算法优化后得到的最优解作为BP神经网络的初始权值和阈值。通过对非线性函数的拟合实验,发现改进后的结果与普通的BP神经网络的结果相比,具有更高的准确性,提高了拟合的精度。     

一种开关磁阻电机建模方法的研究与实现

由于开关磁阻电机的非线性特点,难以建立一个精确的开关磁电机的模型,为了精准建立开关磁阻电机模型,利用径向基函数神经网络良好的非线性映射能力在获取准确磁链样本数据基础上训练神经网络,利用训练的径向基神经网络构建开关磁阻电机非线性模型.在此基础上,采用角度位置控制和电压脉宽调制控制相结合的方法搭建开关磁阻电机驱动控制系统的仿真框架.仿真结果表明:利用径向基函数神经网络的方法可以克服开关磁阻电机的非线性问题,所建立的开关磁阻电机模型可以正常稳定运行.从而证明上述方法的合理有效性.     

A constrained optimization method based on BP neural network

A constrained optimization method based on back-propagation (BP) neural network is proposed in this paper. Taking the maximization of output for example, using unipolar sigmoid function as transfer function, the method presents a general mathematical expression of BP neural network constrained optimization and derives the partial derivative of output with respect to input. On this basis, the fundamental idea, algorithms and related models are given in this article. When BP neural network is on the basis of fitting, this method can adjust the input values of BP neural network to make the output values maximal or minimal. Therefore, with this method the application of BP neural network is expanded by combining BP network’s fitting with optimization. At the same time, the article also provides a new method to study the black-box problem. The experiments show that the constrained optimization method is effective.

     

基于遗传优化的BP神经网络法在甲烷检测中的应用

针对传统的最小二乘法拟合红外传感器的输出特性曲线时存在误差大、计算复杂,传统的BP神经网络法拟合红外传感器的输出特性曲线时存在网络收敛速度慢、易陷入局部极小的问题,通过分析改进的最小二乘法和改进的基于遗传优化的BP神经网络法的拟合效果,指出改进的BP神经网络法拟合度较高,并给出了改进的BP神经网络法在甲烷体积分数检测中的实验结果。结果表明,该方法能够拟合出理想的曲线,有效提高了红外传感器的检测精度及响应速度。     

基于BP神经网络的凸轮升程曲线拟合研究

基于BP神经网络方法,研究了凸轮升程曲线的拟合及BP神经网络拓扑结构、运行参数的选取规则。利用BP神经网络可实现复杂的凸轮升程曲线精确拟合,而不必事先假定凸轮升程曲线类型。实例表明采用BP神经网络拟合的凸轮升程曲线具有良好的速度、加速度连续性,保证了凸轮良好的动力性能。     

"弹性"BP神经网络在识别带有噪声字母中的应用

字符识别是模式识别中的一个典型应用,通过训练网络可以教会计算机如何识别字符,这在票据处理方面可以大大地提高效率.该文中所建立的神经网络具有Sigmoid型可微函数的三层BP神经网络,它可以以任意精度逼近任何连续函数,实现输入和输出之间的任意非线性映射.文中分析了BP神经网络的“弹性”学习算法,利用五位二进制数来识别的输出26种状态.建立的一个三层的BP神经网络能对带有噪声的26个英文大写字母进行识别.利用MATLAB编写仿真程序对BP神经网络进行训练,仿真结果表明训练的BP神经网络可以对给定的带有噪声的字母正确地识别.     

基于BP神经网络的隐式曲线构造方法

隐式曲线与曲面是当前计算机图形学研究的热点之一。通过把BP神经网络与隐式曲线构造原理相结合，提出了一种构造隐式曲线的新方法，即首先由约束点构造神经网络的输入与输出，把描述物体边界曲线的隐式函数转化为显式函数；然后用BP神经网络对此显式函数进行逼近；最后由仿真曲面得到物体边界的拟合曲线。该新方法不同于传统的对显式函数的逼近方法，因为传统方法无法描述封闭的曲线；也不同于基于优化的拟合隐式曲线方法，因为它无须考虑函数的形式或多项式的次数。实验表明，该新方法有很强的物体边界描述能力和缺损修复能力，因而在物体边界重建、缺损图像复原等领域有一定的应用前景。     

利用神经网络建立液力减速器模型

根据液力减速器的试验数据,利用BP神经网络建立数学模型,给出了BP神经网络结构和适合计算机编程的神经网络算法。通过对神经网络拟合曲线、多项式拟合曲线及实际试验曲线对比和分析,结果表明,神经网络建立的液力减速器模型精度比较高,用神经网络建立非线性系统的数学模型是一种有效的方法。     

基于MATLAB的BP神经网络在猪等级评定中的应用研究

为了客观评估猪肉各项指标和猪肉等级,采用MATLAB神经网络工具箱中的BP人工神经网络,利用猪胴体图像特征参数和活体猪图像特征参数建立BP神经网络模型。分别用猪胴体图像特征参数样本60个和活体猪图像特征参数样本80个进行了网络训练,并采用不同的BP神经网络隐含层的传递函数和隐含层神经元数量,得到 BP神经网络模型。通过仿真,将仿真结果与人工评估结果进行对比,结果表明BP人工神经网络模型可以评估猪肉各项指标和等级识别。在猪肉胴体图像特征指标下评价猪肉等级准确率达到98%,在活体猪图像特征参数评价猪肉等级准确率达到80%。说明猪肉胴体图像特征比活体猪图像特征参数更能代表猪肉质量品质也符合客观现实;同时也表明MATLAB神经网络工具箱中的BP人工神经网络可以应用在猪的等级评定中。     

基于BP神经网络的天平校准数据处理方法研究

针对天平校准公式拟合法方,提出了基于BP神经网络的公式拟合方法。分析了典型的3层BP神经网络的结构,论述了其应用于天平公式拟合的可行性。讨论了常规多项式公式拟合方法以及BP神经网络的公式拟合方法,并给出了BP神经网络的训练过程和使用方法。最后通过一组天平校准数据对BP神经网络进行训练,并给出拟合结果。     

粒子群算法优化BP神经网络的粉尘浓度预测

对综采工作面粉尘浓度预测的方法是建立BP神经网络预测模型.为了提高算法的拟合能力及预测的准确度,使用粒子群算法对目标函数进行改进,即将粒子群算法寻到的最优权值和阈值应用于神经网络预测模型求综采工作面粉尘浓度.比较分析新的预测模型与常用的灰色模型以及标准的BP神经网络算法,结果表明粒子群优化的神经网络算法的拟合能力和预测的准确率显著提高.