基于MapReduce的BP神经网络算法研究

随着信息化社会的飞速发展,需要进行数据挖掘的数据量急剧增大,传统的串行化BP神经网络训练方法在处理海量数据集时存在很大问题,如耗时过长,甚至内存不足无法训练。为了解决这个问题,提出了一种在云计算环境下,基于MapReduce的BP神经网络训练方法 MR-GAIBP,实验证明,提出的方法,相比于已有的方法拥有更快的收敛速度和更高的精度,在大数据集上有更快的训练速度。     

基于输入分片扰乱的BP神经网络MapReduce训练方法

BP神经网络的MapReduce训练中,每个map训练任务产生的中间权阵只对该训练节点上的输入分片收敛,为提高BP神经网络的训练效率,保证MapReduce训练的全局收敛性,提出一种基于输入分片扰乱的MapReduce训练方法。通过对训练样本集进行系统抽样来扰乱输入分片,并产生新的输入分片,依靠新的输入分片以map任务的原权阵为基础进行迭代训练,可加速MapReduce训练达到收敛的进程;为提高map训练任务的局部收敛速度,在每轮次的训练完成后,选取map任务产生的权阵中全局误差最小者,作为下轮次各map训练任务的初始权阵。在Hadoop集群上的实验表明,该方法可使MapReduce训练BP神经网络的效率得到很大提升。     

基于遗传BP神经网络的数据挖掘技术

数据挖掘技术是从大量数据中挖掘知识的有效的工具。BP神经网络和遗传算法是运用在数据挖掘中的两种新兴算法,神经网络的结构复杂、网络训练时间长、收敛速度慢,但其具有较高的正确率,把BP神经网络与遗传算法相结合,可以提高收敛速度,并在有限步内达到较高的精度要求,因此本文提出了一种遗传算法和BP神经网络相互结合的新算法,并把算法运用在数据挖掘技术中。     

基于样本期望训练数的BP神经网络改进研究

BP算法是神经网络中最常用的算法之一.标准BP算法存在的最主要问题就是易于陷入局部极小、收敛速度慢等问题.针对BP算法的这些问题,出现了许多改进的措施,如引入变步长法、加动量项法等.提出了一种基于样本期望训练数的改进BP算法,仿真实验说明了该算法可以明显提高BP网络学习速度,并且具有简单通用性,可以和其他方法结合,进一步提高算法的收敛速度.     

基于BP神经网络的垃圾邮件过滤器研究

针对电子邮件特征向量庞大的问题,采用K-L变换与遗传算法（GeneticAlgorithm）相结合的KLGA算法对邮件向量进行降维。对于基于BP神经网络的邮件过滤器,采用遗传算法来优化神经网络权值,进一步提高邮件分类效果。通过试验数据表明,此优化方法能够快速、高效地对垃圾邮件进行过滤。     

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。     

基于遗传算法优化BP神经网络的窃电分析

目前我国存在着严重的窃电现象,窃电手段繁多而且隐蔽,这使得工作人员的反窃电工作越来越难。基于供电企业能够采集用户用电数据,本文通过选取用户的相关历史数据进行处理和分析。根据对窃电数据特性的分析研究,挑选出月用电量、台区线损值、最大线损值、功率因素、三相不平衡率、合同容量比六个电气参量作为窃电数据的分析指标,采用遗传算法优化BP神经网络算法构建窃电分析模型,对指标样本数据进行分析,得到用户的窃电嫌疑系数,筛选出用电情况异常用户。本方法能够较方便、全面、智能的分析用户的用电情况,为供电企业实施反窃电工作指明了大致的方向,简化了反窃电的许多工作。     

基于遗传算法与BP神经网络的故障诊断模型

为了克服单独应用BP算法时存在的缺陷,利用遗传算法(GA)对其进行了改进,建立了基于遗传算法与BP神经网络相结合的诊断模型,此外在二进制编码方法的基础上,讨论了十进制的编码方法与实现以及网络模型参数取值与学习次数间的相互影响等关键问题。     

基于优化BP神经网络的销售预测算法研究

已知国内房屋售价具有一定的不完整的规律性,其会因季节变换、人群流动、国家相关政策等一系列因素而呈现一定的规律.与此同时,该规律性并没有确定的单一因子可以直接影响,故其售价与全部因素之间的关系也是非线性的.针对这一问题,利用神经网络输入量的非线性、冗杂性和可不完整性,对一段时期内的房屋售价进行预测是一种合理的预测方法.基...     

基于回归神经网络自适应快速BP算法

动态递归网络Elman网络结构简单,运算量少,适合于实时系统辨识。以Elman网络结构推导了在线学习算法。针对于传统BP算法会产生局部收敛和收敛速度慢等缺点,提出了一种改进的自适应BP算法,运用到回归神经网络,提高了在线学习的速度与收敛速度,仿真实验表明了此算法的有效性和快速性。     

量子遗传算法优化BP神经网络的网络流量预测

为了提高网络流量的预测精度,提出了一种改进的多种群量子遗传算法优化BP神经网络的网络流量预测模型。在确定了神经网络的结构后,采用多种群量子遗传算法对BP神经网络的初始权值和阈值进行优化。该模型利用K均值聚类算法将种群划分成若干子种群,多个子种群分别进化以保持种群的多样性。子种群间通过移民操作进行信息交互,减小了算法陷入局部最优的概率。同时采用一种自适应的量子旋转门调整策略加快算法的收敛速度。仿真结果表明,相较传统方法,该模型在网络流量预测方面具有收敛速度快、预测精度高的优点。     

基于BP网络的权值更新快速收敛算法

针对标准BP网络学习算法收敛慢的问题,提出了两种权值更新的快速收敛算法,即基于梯度变化率的快速传递算法和基于梯度方向的弹性传递算法,并在煤矿事故救援游戏式训练系统中进行仿真和比较,让游戏角色根据井下空气成分学习判断危险程度,以便受训人员或仿生机器人采取相应的措施。仿真结果表明,所提算法的收敛时间比标准算法有一定改善。     

基于改进的BP神经网络入侵检测方法研究

针对遗传算法局部搜索能力弱和收敛速度慢,在选择操作之后加上了禁忌搜索算法,并对交叉操作进行改进,最后用禁忌搜索作为变异操作,从而加快算法的收敛速度,并用此改进的遗传算法来优化BP神经网络的权值。实验证明,采用该方法优化BP神经网络权值,能克服BP神经网络收敛速度慢、局部极小问题。     

基于遗传算法和BP网络的物体识别方法

目前常用的物体识别方法,其过程非常复杂,信息量和计算量都很大.结合遗传算法的神经网络方法,充分利用GA的全局搜索能力、BP算法的局部搜索能力和鲁棒性强的特性,提出了一种用遗传算法全局优化神经网络拓扑结构和网络权值的新编码方案进行物体识别方法.仿真结果表明,该方法既解决了BP神经网络对初始权值敏感和容易局部收敛的问题,又加快GA.BP网络的收敛速度,提高收敛精度且识别率较高,从而验证了该方法的有效性.     

基于遗传算法的BP神经网络在企业资信评估中的应用

提出了一种新的企业资信评估方法.通过把神经网络和遗传算法有机地结合起来,既克服了传统BP网络训练时间长、易陷入局部极值的缺点,又利用遗传算法提高了网络全局收敛的效率.该模型采用C#.NET SQL server 2000实现.实验结果表明,基于遗传算法的BP神经网络系统对企业资信评估有着良好的性能.     

BP神经网络模型的优化

文中综述了ＢＰ神经网络模型的一些优化方法,并对这些方法进行了分析,最后提出了存在的问题和进一步的工作。     

基于进化神经网络的BLDCM调速控制

针对标准BP算法存在全局搜索能力弱和易陷入局部极小点等缺点,将遗传算法与BP神经网络相结合,构造了一种新的进化神经网络GA-BP算法,并将该算法应用于无刷直流电机调速系统的控制,仿真结果表明,与传统的PI控制系统相比,该算法得出的电机控制曲线几乎无超调,与基于BP算法的速度控制系统相比较,具有收敛速度快、不易陷入局部极小的优点。     

一种基于BP网络的错帖检测新算法

提出了一种基于BP神经网络与图像不变矩的页面识别方法。应用规则矩的快速算法对一幅图像计算,将得到的7个图像矩不变量作为识别特征向量,输入到BP神经网络中进行识别,并最终确定出分类对象以达到对页面文字、图形以及图文的识别。通过实验仿真表明应用文中的方法能够对页面进行快速的训练与识别,既得到了较高的识别率,又满足了实时性要求。     

基于BP神经网络的传感器交叉敏感性抑制

多传感器系统通常都存在交叉敏感性问题,传感器静态性不仅受某一个环境参量的影响,有时甚至受多个非目标参量的影响,致使测量精度低。提出一种基于BP神经网络的传感器的交叉敏感性抑制的方法,并应用到实际的检测系统中。通过对应用神经网络前后的数据进行比较分析,表明该方法大大降低了交叉干扰,提高了测量精度,达到了预期效果。