基于MCPSO算法的BP神经网络训练

基于多群体协同进化粒子群算法,提出一种用于BP神经网络训练的新型学习算法.将网络中需要调整权值与偏差组成的矢量看成MCPSO算法中粒子,通过粒子间的竞争与合作,完成网络训练过程.将基于 MCPSO训练的BP网络分别应用于函数逼近和模式分类问题.结果表明,基于MCPSO的神经网络学习算法在收敛速度和学习效率等方面优于其他方法.     

基于遗传—模拟退火算法的过程神经网络的训练及应用

过程神经网络是一种新型的神经网络,其输入及权值皆为时变函数,因此存在学习算法复杂度高、对初值敏感的问题.本文鉴于BP算法的不足提出了一种过程神经网络的学习算法,将输入函数和网络权值按正交基展开的过程神经网络,采用遗传算法与模拟退火算法相结合的方式进行网络训练,既避免了陷入局部最优解,又克服了模拟退火算法达到最优解造成的迭代次数增加问题,使网络具有较快的收敛速度和较高的逼近精度,文中给出相应的学习步骤和参数选取方法,同时以水淹层识别实验为例,验证了算法的有效性.     

一种基于混合遗传算法学习的过程神经网络

提出了过程神经网络的一种学习算法.利用基函数的正交性,将输入函数和网络权函数表示为同一组正交基的展开形式后,使用遗传算法与BP算法结合的混合遗传算法训练过程神经网络,为简化计算,对权值基函数的选取和离散数据的函数拟合方法进行了调整,减少了误差.并以木材生长密度预测为例,验证了算法的有效性.     

一种改进的BP网络快速算法

BP神经网络已广泛应用于许多领域,但标准BP算法收敛速度很慢.为了提高标准BP算法的收敛速度,提出一种基于LM数值优化算法,以双极性S型压缩函数为转移函数的改进BP算法.分析了双极性S型函数及LM算法与BP神经网络具体结合实现的方法,并给出了算法步骤.通过实例证明,改进后算法的收敛速度比其它BP算法快.     

神经网络式电力负荷预测的混合计算

针对BP算法存在的缺陷,如训练速度慢,易收敛于局部极小点及全局搜索能力弱等,利用遗传算法能够进行全局最优化搜索这一特点,提出了一种新的用于BP网络训练的混合算法,即遗传算法与改进的BP算法相结合的混合训练方法.将所提出的混合训练方法应用于神经网络式电力负荷预测中,结果表明:所提出的算法与单一的BP算法相比,不仅可避免陷入局部极小点,而且提高了网络的训练速度和负荷预测精度.     

基于改进PSO的神经网络短期电力负荷预测模型

针对短期电力负荷预测问题,提出了一种基于改进粒子群算法(PSO)的BP神经网络预测模型.选取与电力负荷大小密切相关的季节、天气情况、当天最高温度、当天最低温度、日期性质、上年同期历史数据为神经网络的输入变量,电力负荷大小为输出变量,建立基于BP神经网络的电力负荷预测模型,同时利用改进的粒子群算法对神经网络进行训练.该训练算法具有较高的精度,能够建立较精确的短期电力负荷测量模型.仿真结果表明,基于改进粒子群算法的BP神经网络电力负荷预测模型预测精度较高,具有一定的应用价值.     

隐层改进的BP网络在织物染色配色中的应用

为提高BP网络及其改进网络的收敛和泛化能力,依据计算机配色理论,深入研究了BP神经网络的优缺点,在此基础上提出了一种基于隐层输出反馈改进的BP网络训练算法应用于织物染色配色的算法,并按照此算法进行了织物染色的计算机配色实验。实验验证了人工神经网络算法在织物染色配色中应用的可能性和可靠性,为神经网络模型在织物染色配色中选择和构造合适的高性能网络结构提供了参考。     

基于Matlab的BP神经网络在大坝观测数据处理中的应用

建立大坝观测数据处理的BP人工神经网络模型,用正交变换法来初步优化设计大坝变形分析的模型结构.运用Matlab工具箱函数建立网络模型,选择合适的训练函数,并采用正则化的算法以缩小网络的规模,改进BP算法提高学习速度和算法的可靠性.实例表明,基于Matlab的神经网络优化设计能比较有效地避免BP网络的固有缺陷,在精度和训练速度上得到提高.     

智能算法在双辊铸轧过程铸轧力计算中的应用

在双辊铸轧过程中,铸轧力的控制是铸轧过程稳定进行和提高薄带质量的关键.为了控制铸轧力,必须建立铸轧力计算数学模型,本文采用了一种基于贝叶斯方法的前向神经网络训练算法以提高网络的泛化能力,在网络的目标函数中引入了表示网络结构复杂性的惩罚项,融入“奥克姆剪刀”理论,避免了网络训练的过拟合.将上述网络应用于铸轧过程的铸轧力计算,具有很高的计算精度,同时在收敛速度、稳定性和泛化能力方面都优于传统的BP神经网络.     

遗传算法和BP算法相结合进行图像匹配

将神经网络理论应用于图像匹配 ,提出采用遗传学习算法进行全局寻优、利用BP算法进行精确训练、优化BP(backpropagation)神经网络权重学习和训练的神经网络图像匹配算法 .实验表明该算法的收敛性能及学习速度优于传统的BP神经网络图像匹配算法及其他同类改进算法 ,具有寻优的全局性和精确性 .     

PNN网络在公路隧道施工通风系统安全性评价中的应用

隧道施工通风系统的可靠运行是保障隧道正常、安全施工的一个重要条件.本文针对研究对象的特点及研究目的、要求,运用概率神经网络(PNN)对隧道施工通风系统的指标进行仿真,仿真结果表明概率神经网络(PNN)仿真结果与运用BP网络的仿真结果一致,对于欲将研究对象归类分等的系统,运用概率神经网络(PNN)比BP网络更优越.     

改进遗传算法与粒子群优化算法及其对比分析

进化算法作为一类新的优化搜索方法，广泛应用于各种优化问题．现对简单遗传算法进行了改进，采用实值编码，并与模拟退火算法及基于适值排序和随机选择的方法相结合，形成了改进遗传算法．同时还介绍了一种新的进化算法一粒子群优化算法．将这两种优化算法应用于函数优化，并对优化结果进行了对比分析．比较结果表明，改进遗传算法和粒子群优化算法都可以在函数优化方面表现出较好的健壮性，但在找寻最优解的效率上，粒子群优化算法较好．     

基于BP神经网络的工作面周期来压预测

针对现有工作面周期来压预测方法在算法结构复杂、计算量较大等问题,探索一种高效、准确、易于使用的工作面周期来压预测方法。以淮南潘集矿区20个已采工作面作为工程研究背景,采用BP神经网络预测原理,在分析工作面周期来压的影响因素基础之上,设计出一种基于BP神经网络的工作面周期来压预测方法,通过MATLAB编程实验表明BP神经网络在工作面周期来压的预测中具有较高的精度。     

一种嵌入式Linux实时调度机制改进方案

在分析传统实时调度器不足的基础上,提出了一种新型智能调度器模型,并通过修改RT-Linux的内核函数,包括实时算法的初始化函数和调度函数,实现了多种调度算法的集成,为用户提供统一的使用界面.最后对新的调度机制进行了算法复杂性分析和性能测试,实验表明,新的调度机制能够较好地满足系统实时性要求.     

基于自组织的网上答疑系统的设计

针对当前网上答疑系统存在的一些问题,提出了一种基于自组织理论的自组织网上答疑系统的设计方法,阐述了系统的理论基础、系统功能和特征．给出了系统设计流程及具体的设计过程．经实际应用表明,系统具有较好的答疑效果和较高的答疑质量．     

基于改进的BP神经网络进行车牌定位的研究

采用改进的BP神经网络，对汽车图像中车牌定位的方法进行了研究。选取训练样本图像，以人工定位后的图像为导师信号，将图像的灰度序列直接采用改进的BP算法进行训练，以期提高定位的精度和速度。试验结果表明，用改进的BP网络对灰度图像直接感知，在定位精度和速度方面取得较好的效果。     

二维时延有序反向传播神经网络模型与算法

基于有序系统的概念,文中提出了一种二维时延有序反向传播神经网络模型并给出了相应的有序BP算法,同时指出传统的BP算法可看作是该算法的一种特例。该模型可用于模式识别、图像处理等领域。文中最后对5类飞机模型纵向像识别的实验比较,结果表明该模型及算法比传统的BP算法在性能上有一定的优越性。     

基于改进BP学习算法的GPS高程转换

针对标准BP算法在GPS转换中的不足,给出改进的BP学习算法,通过对工程实例分析比较得出改进的BP算法在转换GPS高程中可以大大减少BP神经网络的训练时间,提高高程转换的效率.     

基于改进粒子群神经网络的提升机故障诊断

针对BP神经网络对提升机制动系统进行故障诊断存在着收敛速度慢和可靠性差等缺点,提出了一种基于粒子群神经网络的故障诊断方法.根据制动系统故障征兆与故障类型之间的非线性和耦合性,建立了提升机制动系统的故障诊断模型;采用改进的粒子群算法优化BP神经网络的连接权值和阈值,应用于制动系统的故障诊断,缩短了神经网络的训练时间,提高了故障诊断的精度.仿真结果表明该诊断方法具有故障诊断能力强和诊断效率高等特点.     

多级志愿动态概率筛选算法的研究

目前的选课系统存在着一些普遍问题,如选课不公平、实时性差、人工干预工作量大等,这些现象主要是和选课算法的好坏有直接的关系.本文对志愿分级筛选算法进行了改进,采取的改进方法是多级志愿、动态概率筛选.通过改进后的算法在选课系统中的应用和对实验数据的分析,证明了该算法是可行的,并且具有良好的公平性,实时性和选课的高命中率,达到了预期的设计目标.