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GA-BP神经网络的广州市降雨量预测

BP神经网络模型在预测领域中应用十分广泛,但其在网络学习过程中存在缺陷,结合遗传算法(GA)能够得到改善。历年的降雨量可以视为时间序列问题,本文分别建立BP神经网络和基于GA的BP神经网络对广州市降雨量进行预测,模型测试显示,GA-BP模型的预测效果优于BP模型。最后应用GA-BP神经网络模型对2014年的广州降雨量进行预测,预测结果为1635.1毫米。     

基于GA-BP神经网络的成都市房价预测模型

在采用BP神经网络进行预测的时候,很可能会出现收敛速度慢和预测精度不足等问题。而遗传算法的全局搜索能力,能够调整BP神经网络的初始权值和阈值,达到效果优化。分别用BP神经网络和GA-BP神经网络建立了房价预测模型,选择成都市房价及其主要相关影响因素的数据进行实验,对模型的最终预测效果进行对比。实验结果显示,改进后的GA-BP神经网络比BP神经网络预测精度高、收敛速度快。     

基于GA-BP神经网络的装甲车辆电路板故障诊断

针对典型BP神经网络在装甲车辆电气系统电路板故障诊断中容易出现自适应效果差、局部极小值等问题,通过引入遗传算法（genetic algorithm,GA）,对典型BP神经网络的各层参数进行优化,从而对典型BP神经网络故障诊断模型进行改进。为了验证模型的可靠性,以装甲车辆电气系统中80式灭火系统控制盒电路板故障诊断数据为例,对参数优化后的模型进行分析验证,结果表明,改进后的模型能够有效克服BP神经网络模型自适应不够的问题,并避免网络陷入局部极小值,从而有效提升装甲车辆电气系统电路板故障诊断效率和质量。     

基于GA-BP神经网络的胎儿体重预测分析

胎儿体重是判断胎儿发育、保障孕产妇安全的重要指标,但是胎儿体重无法直接测得,只能根据孕妇体检数据进行预测.提出了一种基于遗传算法优化BP神经网络（GA-BPNN）的胎儿体重预测模型,首先采用回归模型和特征归一化预处理得到的历史体检数据建立孕妇连续体重变化模型,然后利用遗传算法（Genetic Algorithm,GA）优化BP神经网络的初始权值和阈值,建立胎儿体重预测模型.从我国东部某医院2016年孕产妇中随机抽取3000例样本数据,将本文的模型与基于传统BP神经网络（BPNN）的预测模型进行比较,实验结果表明,本文提出的GA-BPNN胎儿体重预测模型不仅加快了模型的收敛速度,而且将胎儿体重预测精度提高了14%.     

基于GA-BP神经网络的产品质量安全风险预警研究

为了解决大数据环境下产品质量风险预警的人工智能化,论文设计了一种基于遗传算法改进BP神经网络算法的产品质量安全风险预警方法.根据产品质量检测项目的风险权重不同,论文建立了基于GA-BP神经网络的质量安全风险预警模型.以智能门锁产品的检测数据进行风险预警实验,实验结果表明该预警方法提高了风险预警的精度和学习效率.     

非线性函数的自适应分区多神经网络学习及仿真实验

根据BP神经网络学习非线性函数的精度与所学函数的区间大小及变化率等有关，提出了一种非线性函数的自适应分区多神经网络学习方法，这种方法根据学习精度的要求，自适应地把所学函数分成若干区间，分别用一个BP神经网络去学习，从而使学习精度大大提高，最后，给出了学习一维函数和多维函数的仿真实例，其结果表明分区学习的精度可提高10倍以上。     

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。     

一种用于非线性函数逼近的小波神经网络

提出一种用于非线性函数逼近的小波神经网络，给出了网络的参数训练方法。从信息熵的概念出发，改进了网络参数训练的目标函数，并利用引入动量项的最速下降法训练网络权值、尺度因子和平移因子。仿真实验表明，该小波神经网络用于非线性函数逼近时优于同等规模的BP网络，且其训练方法亦具有收敛速度快、逼近精度高等优点。     

一种基于最优分段函数逼近的过程神经网络训练算法

提出了一种基于最优分段函数逼近的过程神经网络学习算法。将网络时变输入信号和连接权在一定精度下表示为分段函数的拟合形式,根据最小均方误差准则,构建 PN N基于函数基展开的训练算法。选择低阶分段函数作为基函数,利用其良好的柔韧逼近和光滑可导性质,快速实现网络待定参数对函数样本的自适应学习。网络训练中,只需迭代调整分段函数的连接系数,可有效减少模型中的参数冗余、提高PNN对实际问题的建模能力。     

基于GA-BP神经网络的环境质量评估方法

应用神经网络技术进行环境质量评估,为了提高评估的准确度和科学性,涉及多目标的复杂系统,因此对环境保护和正确决策制定具有重要意义.利用一种基于遗传算法优化BP神经网络进行环境质量评估的新方法.利用遗传算法优化BP神经网络初始权值,充分发挥GA全局寻优的能力和BP算法局部细致搜索优势.并通过MATLAB工具进行仿真模拟计算.结果表明,基于GA-BP算法的神经网络系统对环境质量评估有着良好的性能,与标准BP网络相比,收敛速度快,具有更好的全局收敛性,并提高了评估准确率对保护环境提供依据.     

基于混合GA-BP算法优化的神经网络在机器人地面控制中的应用

在机器人地面控制中,针对BP算法易陷入局部极小、收敛速度慢的缺点,根据遗传算法具有全局寻优的特点,将二者结合起来形成一种训练神经网络的混合GA-BP算法;通过算法比较和实例结果分析,表明该算法可以有效、可靠地运用于机器人地面控制,并可方便地应用于其它方面.     

一种基于遗传BP神经网络的预测模型

目前神经网络常用于数据挖掘及金融预测中,提出了一个改进的稳定且高效的遗传BP神经网络预测模型.在该模型中提出了一种能够真实反映BP网络结构的编码,并对二进制编码与实数进行映射而不改变染色体的表达方式,以便更好地进行杂交变异.同时还提出了一种更能准确地反映网络误差的误差函数,它是利用相对误差并综合其他相关因素来定义的,通过实验对比分析,该误差函数使预测更加准确.最后,从编码方式以及网络误差出发提出了相应的遗传算法的适应度函数.实验中对股票及其他数据进行了测试,并与其他的预测模型进行了对比分析.通过实验表明,提出的遗传BP神经网络模型适用于长趋式预测,同时预测结果准确率高.     

基于增强GA-BP神经网络的软件错误定位方法

在软件开发和后期维护的过程中,进行软件调试来定位错误并修正错误是其中最复杂且成本最大的一部分;文章针对现有基于神经网络的软件错误定位方法中的权值和阈值设定不方便、鲁棒性差等问题,结合正交实验设计思想和遗传算法(Genetic Algorithm),提出了一种基于增强遗传BP神经网络的软件错误定位方法;并将其同基于GA-BP神经网络的和基于BP神经网络的定位方法都在MATLAB上进行了实验,实验数据来源西门子测试集,从结果上看,基于增强GA-BP神经网络的软件错误定位方法在定位错误的效率和精确度上都有一些进步。     

一种复杂函数的高阶ADALINE网络逼近方法

提出了一种改进的Adaline神经网络结构,并推导出了它的学习算法,通过这种方法,可以将一类关系复杂的非线性隐函数用简单的二次函数来逼近,同时还将这种方法应用到升降台剪叉机构的控制中,从而以一种简便的方法实现了台面匀速控制要求.     

用于非线性时间序列预测的POD-RBF神经网络

基于正规正交分解(Proper Orthogonal Decomposition,POD)提出一种适用于非线性时间序列预测的径向基函数(Radial Basis Function,RBF)神经网络模型-POD-RBF神经网络模型.该模型在选取中心时考虑了时间序列数据之间的时序关系,并且使得中心的选取具有并行性.股票价格预测问题的模拟结果表明,POD-RBF神经网络可以有效地用于非线性时间序列预测问题.与基于硬C均值(Hard C-means,HCM)聚类的RBF神经网络(HCM-RBF)和基于正交最小二乘(Orthogonal LestSquare,OLS)的RBF神经网络(OLS-PBF)相比,POD-RBF神经网络不仅具有更好的训练、预测精度,而且具有更好的收敛稳定性、更好的泛化能力和抵抗噪声干扰的能力.     

基于BP神经网络固冲发动机燃气流量调节控制

在针阀式固冲发动机燃气流量调节优化控制问题的研究中,为优化燃气流量调节,建立了针阀式燃气流量调节燃气发生器工作过程中的动态模型,分析了动态模型的频域特性,并通过仿真进行了验证.针对燃气流量调节系统是一非最小相位系统,具有负调特性,设计了一种遗传算法优化BP神经网络PID控制器.仿真结果表明所提出的控制方法可以有效减小固体火箭冲压发动机燃气流量调节的负调峰值和超调量,缩短系统调节时间,有效地提高了固冲发动机的工作性能.     

非线性神经网络的研究

该文在研究感知器基本模型的工作原理和几何意义的基础上,着重分析了感知器基本模型的局限性。为了使感知器模型有更大的应用范围,该文主要从如何用感知器来解决非线性问题的角度来研究推广感知器模型。