改进BP算法及其在滚动轴承故障诊断中的应用

对每次权值和阈值的调整均采用固定不变的学习率,是导致传统ＢＰ算法收敛速度慢的一个主要原因。本文从提高收敛速度及精度出发,对改进ＢＰ算法进行了深入研究,在ＢＰ算法中引入统计思想,给出相关系数定义。基于相关系数,采用变学习率策略,提出两种学习率自适应调整算法,并将其具体应用于滚动轴承的故障诊断中。试验证明,此改进算法的收敛速度比传统ＢＰ算法显著提高。     

基于鲁棒误差函数的BP算法

提出一种基于鲁棒误差函数的ＢＰ学习算法,并对这种算法进行了仿真研究。结果表明该算法增强了ＢＰ网络的泛化能力,提高了ＢＰ网络的鲁棒性,加快了ＢＰ网络的收敛速度。     

一种快速敛于全局最小点的BP新算法

局部最小问题是ＢＰ算法本身固有缺点。本文针对这一问题，提出了一种改进算法－ＢＰ算法。该算法把较大的学习率能导致网络振荡这一消极因素，成功地转化为使网络能跳出局部最小的有利机制，同时在调整学习率时，有效地运用了模拟退火思想，从而使ＢＰ网的学习过程能够以较快的速度收敛于全局最小点。     

新型BP网络用于非线性化学体系的研究

提出了一种杂化ＢＰ网络模型及新型变步长算法，使常规ＢＰ算法的收敛平稳性及收敛速度获得了改善，对两类非线性化学体系的实例研究表明该网络较多元线性回归及常规ＢＰ网络具有更好的学习与预测效果。     

多层前馈神经网络中改进BP算法的研究

首先给出了多层前馈神经网络中的ＢＰ算法,针对实时监测和诊断领域中对收敛速度和精度的较高要求,提出了一种面向诊断的自适应ＢＰ算法,仿真结果表明,该方法既能有效地减小振荡,又能提高收敛的精度和速度。     

误差反向传播算法的优质改进及其应用

对误差反向传播（ＢＰ）算法进行了深入分析,从影响ＢＰ算法收敛速度的两个重要原因一代价函数和激励函数出发,对其进行改进,提出了一种实用,高效的改进算法,并用于机械故障诊断中,实验结果表明,训练１００次后,网络平方和误差ｅ〈Ｅ－１１．０,４００次地ｅ〈Ｅ－６０．０收敛效果和测试效果极佳。     

多层前馈神经网络中改进BP算法的研究

首先给出了多层前馈神经网络中的ＢＰ算法,针对实时监测和诊断领域中对收敛速度和精度的较高要求,提出了一种面向诊断的自适应ＢＰ算法,仿真结果表明,该方法既能有效地减小振荡,又能提高收敛的精度和速度。     

用BP网络诊断汽轮发电机组振动故障

针对ＢＰ网络的不足，提出了自适应学习率的ＢＰ网络算法，该算法从根本上解决了ＢＰ网络中学习率的取值和收敛速度慢的问题，并有效地解决了ＢＰ网络易收剑到局部最小点的问题，并将这种改进的算法应用于汽轮发电机组的故障诊断中，结果表明该方法可行。     

新型BP网络用于非线性化学体系的研究

提出了一种杂化ＢＰ网络模型及新型变步长算法，使常规ＢＰ算法的收敛平稳性及收敛速度获得了改善，对两类非线性化学体系的实例研究表明该网络较多元线性回归及常规ＢＰ网络具有更好的学习与预测效果。     

基于遗传BP算法的高斯基函数网络的非线性系统辨识

针对ＢＰ算法收敛速度慢而且可能陷入局部极小值的特点,提出了基于遗传ＢＰ算法的高斯基函数网络的辨识方法,并将它应用于非线性系统进行辨识,仿真实验结果表明该方法比基于传统的ＢＰ算法具有更快的收敛速度和精度。     

A Kind of Second－Order Learning Algorithm Based on Generalized Cost Criteria in Multi－Layer Feed－Forward Neural Networks

A kind of second-order algorithm——recursive approximate Newton algorithm was given by Karayian—nis. The algorithm was simplified when it was formulated. Especially, the simplification to matrix Hessian was very reluctant, which led to the loss of valuable information and affected performance of the algorithm to certain extent. For multi-layer feed-forward neural networks, the second-order back-propagation recursive algorithm based generalized cost criteria was proposed. It is proved that it is equivalent to Newton recursive algorithm and has a second-order convergent rate. The performance and application prospect are analyzed. Lots of simulation ex-periments indicate that the calculation of the new algorithm is almost equivalent to the recursive least square multi-ple algorithm. The algorithm and selection of networks parameters are significant and the performance is more ex-cellent than BP algorithm and the second-order learning algorithm that was given by Karayiannis.     

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.     

一种快速收敛的BP算法

在常规算法的基础上，提出了一种基于变斜率算法与共轭梯度算法的接力逆向传播算法。通过寻找神经元激活函数的最优斜率集来加速迭代，还充分利用了共轭梯度算法的快速二次收敛的特点。计算表明，该算法收敛速度快、学习精度高。     

BP网络学习算法改进方案的探析

Ｂ Ｐ 网络是目前应用最为广泛的神经网络,但由于 Ｂ Ｐ 网络采用的是梯度下降法,这就不可避免地会出现网络学习收敛速度慢及容易陷入局部极小等问题。此外,学习因子和惯性因子选取对网络的收敛有较大的影响,但它们只能凭 经验确定。因此, Ｂ Ｐ 网络的有 效应用受到 了一定的限 制。针对 Ｂ Ｐ网络的学习收敛速度慢这一主要缺陷,对改进激励函数、改进 误差函数、改进一般化误差、学 习因子和惯性因子的自适应调整、梯度下降法与直接搜索法相结合、全局 优化、非线性优化、拓仆修正算 法等多种改进方案按改进原理进行了分类综述,并在此基础上,通过解决 Ｘ Ｏ Ｒ 问题的仿真实验对部分改进方案进行实验性评价,分析说明了它们的优劣和特点。     

基于人工神经网络的负荷预报模型

针对基于ＢＰ（ＢａｃｋＰｒｏｐａｇａｔｉｏｎ）学习算法存在的问题,提出了变步幅最速下降和共轭梯度的混合算法来训练人工神经网络,并建立负荷预报人工神经网络模型．为了提高预测精度,对预报权值进行在线修正．实例证明,混合算法在全局收敛特性和收敛速度上要好于基本ＢＰ算法,所建立的预报模型能达到令人满意的精度．     

基于最小扰动BP算法的水下机器人运动控制

针对神经网络学习中学习率起到的重要作用,本文提出一种基于最小扰动的神经网络BP算法,通过建立一个计算动态学习率的算法,在不影响网络学习的情况下,使得网络权值的变化最小,从而提高神经网络的稳定性和收敛的速度,作者运用该神经网络算法设计了水下机器人的运动控制器,实验结果表明,该算法具有良好的学习能力,据此设计的控制器控制效果良好,具有实用价值。     

BP人工神经网络模型的进一步改进及其应用

针对BP网络存在的缺点 ,有多种改进方法 .本文在文献 [3]的基础上 ,从算法和网络结构设计方面又进行了综合改进 ,不仅加快了网络的收敛速度 ,而且优化了网络的拓扑结构 ,从而增强了BP神经网络的适应能力 .将新改进的BP网络用于成都市消费预测 ,取得令人满意的效果 .     

动态流量软测量建模方法研究

为了解决工业中动态流量测量困难的问题,引入软测量方法对动态流量进行测量.考虑BP算法建立软测量模型时收敛速度慢,易陷"局部极小"等不足,提出一种经遗传算法优化的BP网络进行软测量建模,用遗传算法先确定BP网络的网络结构和参数,将训练一定次数后得到的连接权值作为遗传计算的初始值,再用遗传算法确定BP网络的最优连接权值,最后把用BP算法训练得到的网络用于建模.文中对在燕山大学液压实验室采集的数据进行仿真,实验结果表明这种改进的建模方法在模型的训练速度和精度上有了较大的改善.     

贝叶斯改进BP神经网络在织物染色配色中的应用

针对BP算法及其改进算法泛化能力不强的问题,探讨了用贝叶斯正规化算法与LM算法的结合来提高BP神经网络的泛化能力。结果表明,在相同网络规模或误差条件下,贝叶斯正规化算法泛化能力明显优于基本BP算法及其它改进的BP算法,且收敛速度较快。因此文中把贝叶斯正规化算法与LM算法结合应用到了织物染色的计算机配色中,其预测的配方和实验的数据比较接近,证明了该方法的可行性。     

Effective prediction of DEA model by neural network

In this paper,a fast neural network model for the forecasting of effective points by DEA model is proposed,which is based on the SPDS training algorithm.The SPDS training algorithm overcomes the drawbacks of slow convergent speed and partially minimum result for BP algorithm.Its training speed is much faster and its forecasting precision is much better than those of BP algorithm.By numeric examples,it is showed that adopting the neural network model in the forecasting of effective points by DEA model is valid.