快速收敛全局最优的多层前向神经网络综合反向传播算法

提出一种用于多层前向神经网络的快速收敛全局最优的综合反向传播算法。该算法使用了综合考虑绝对误差和相对误差的广义指标函数,采秀了在网络输出空间搜索的反传技术,具有动态自调整学习率和动量因子,有神经元激活特性自调整、减少平台现象和消除学习过程中不平衡现象的能力。对比实验表明该算法有比基本ＢＰ算法快得多的收敛速度,并能取得全局最优解。     

BP神经网络训练的函数变步长搜索调整法

通过深入分析了ＢＰ神经网络的步长调整，采用函数变步长搜索法来提高网络的学习速度，提出一种新的改进的ＢＰ算法，该算法在速度和收敛性方面比传统ＢＰ算法优越。     

神经网络自适应学习步长研究

论述了神经网络学习算法的研究现状和存在的问题，分析了ＢＰ算法中学习步长选取的局限性，建立了ＢＰ网络输出误差的非线性规划模型，并根据文献［６］的状态空间混合算法，推导出了一种自适应调整学习步长的公式。推得的学习步长能够利用环境改变的信息反馈不断自动改变。     

用BP算法加速倒立摆的模糊控制过程

提出了一种用ＢＰ算法调整经验规则，加速倒立摆模糊控制过程的方法。并基于解析型模糊控制器的原理和人工神经网络ＢＰ算法的训练模式，对这种自适应模糊控制系统进行了仿真研究。     

采用人工神经元的智能PID控制

采用单个人工神经元构成智能ＰＩＤ控制器．以系统的误差信号作为神经元的输入，神经元的权系数相当于传统离散ＰＩＤ的比例、积分、微分系数，神经元的输出为实际控制信号的修正值．利用ＢＰ学习规则在线修正神经无权值，以便能够获得在线自动寻优，调整ＰＩＤ控制器参数．该方法适用于被控系统模型未知、非线性严重和参数变化较大的场合．本文对一非线性系统进行了仿真，结果表明该控制器具有很强的自适应和自学习能力．     

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。     

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。     

BP网络的自适应步长因子算法

利用灰色理论的关联度方法，提出了ＢＰ网络的自适应步长因子算法，加快了ＢＰ网络的学习速度。最后以异或问题为例说明了该算法的正确性和可靠性。     

一种BP神经网络的学习算法及其改进

本文详细推导了典型ＢＰ神经网络学习算法,并给出了一种基于动量和学习速率自适应调整的虎法。仿真结果表明,改进算法的学习速度和收敛性得到了明显的提高。     

一种再增强模糊神经网络控制器的建立

利用模糊控制的推理功能使神经网络得以简化，减少了学习单元的数量，提高了收敛速度，利用神经网络的并行特点使模糊控制表更容易实现，利用ＢＰ算法为自适应模糊控制提供了一种通用的规则再增强自适应算法，仿真验证了这种再增强模糊神经网络控制器的合理性。     

基于神经网络的自适应相位纠偏器在电液伺服系统中的应用

针对电液伺服系统正弦响应中存在相位滞后的现象,基于Adaline神经网络,使用LMS自适应滤波算法设计了自适应相位纠偏器(APC)。当响应信号对输入信号有相位滞后时,利用LMS算法对神经网络的权值进行调整,经加权后的输入信号作用于控制系统,从而消除相位滞后。该方法并不需要对控制对象进行辨识,能保证控制系统的实时性。仿真和试验结果表明,自适应相位纠偏器能有效消除相位滞后,快速跟踪输入信号。     

一种新的深度卷积神经网络的SLU函数

修正线性单元(rectified linear unit,ReLU)是深度卷积神经网络常用的激活函数,但当输入为负数时,ReLU的输出为零,造成了零梯度问题;且当输入为正数时,ReLU的输出保持输入不变,使得ReLU函数的平均值恒大于零,引起了偏移现象,从而限制了深度卷积神经网络的学习速率和学习效果.针对ReLU函数的零梯度问题和偏移现象,根据"输出均值接近零的激活函数能够提升神经网络学习性能"原理对其进行改进,提出SLU(softplus linear unit)函数.首先,对负数输入部分进行softplus处理,使得负数输入时SLU函数的输出为负,从而输出平均值更接近于零,减缓了偏移现象;其次,为保证梯度平稳,对SLU的参数进行约束,并固定正数部分的参数;最后,根据SLU对正数部分的处理调整负数部分的参数,确保激活函数在零点处连续可导,信息得以双向传播.设计深度自编码模型在数据集MINST上进行无监督学习,设计网中网卷积神经网络模型在数据集CIFAR-10上进行监督学习.实验结果表明,与ReLU及其相关改进单元相比,基于SLU函数的神经网络模型具有更好的特征学习能力和更高的学习精度.     

一种短期负荷预测的自适应神经网络方法

提出了自适应BP神经网络模型预测短期负荷的方法。依据负荷的日相关性把历史负荷分成24组样本数据,再用BP网络来映射样本数据。采用初始化样本数据,增大节点作用函数陡度,变换隐层节点作用函数形式,自适应调整学习参数等方法提高了BP网络的学习速度,得到了较为满意的预报结果．     

农网低电压原因分析与治理

农村低电压产生的原因主要在硬件设施和运行管理两个方面,消除农村低电压的措施也应从这两方面着手;合理配备配电变压器和供电线路符合要求是关键;同时,加强农网供电运行管理,做好无功补偿自动投切、消除三相不平衡等工作,农村用户的低电压现象可基本消除。     

改进的BP算法在短期负荷预测中的应用

提出了一种改进的BP神经网络学习算法,并将其应用于短期电力负荷预测中,通过采用基于响应函数输出限幅和自适应调整学习率等措施,来提高神经网络本身的效率和精度,仿真结果验证了改进措施的有效性,取得了满意的预测结果.     

递推合成BP网络预测特性及性能分析

对递推合成ＢＰ网络用于时间序列预测时其训练精度、输入层及隐层节点数、训练样本长度对预测误差的影响进行了分析,并对递推合成ＢＰ网络用于汽轮机振动自适应预测的应用前景进行了展望。     

载波通信中基于神经网络的谐波控制应用研究

在对载波通信干扰源进行总结的基础上,提出一种采用自适应和以人工神经网络为基础的方式抑制谐波电流的方法.人工神经网络保持更新和输入,其权重可通过BP算法调整,改变它的输出与输入自适应、神经模糊控制规则的成员变量和显示功能.在电磁兼容基础上使用有源滤波器和电源滤波器来实现电力线载波通信.     

神经网络辅助的组合导航系统信息融合方案

传统的Kalman滤波器自适应能力弱，而单纯的神经网络滤波器估计精度较差，且网络训练经验性太强。面向组合导航领域，提出BP神经网络辅助自适应联邦Kalman滤波器方案，设计并实现了SINS／GPS／TAN／SAR智能化容错组合导航系统。结合自适应滤波和神经网络两种方法共同提高系统的自适应能力，并提出新的神经网络输入量，改善了算法的实时性。系统的估计精度得到显著提高，仿真结果证明了该方案的可行性和有效性。     

利用多普勒信息提高自适应波束形成的稳健性

当快拍数较少和存在系统误差时,自适应波束形成性能急剧下降,特别是当输入信噪比较大时,会出现严重的信号相消现象．文中利用时域信息提出一种新的自适应波束形成方法,理论分析表明,该方法为目标多普勒频率已知条件下最大似然估计结果．该方法能有效地克服信号相消现象,并且具有良好的波束保形能力和快速收敛特点,计算机仿真结果验证了这些优点