基于自适应学习速率的改进BP神经网络

BP神经网络自被提出以来,便作为非线性系统的辨识工具在模式识别、系统控制等多领域得到广泛应用。但BP算法仍存在缺陷,在学习时容易陷入局部极小。本文采用调整神经元转换函数的方法,并采用学习速率自适应调整来克服网络训练速度慢、不易收敛到全局最优等缺点。通过仿真实验表明,改进后的方法可行。     

基于深度神经网络和联邦学习的网络入侵检测

在高速网络环境中,对复杂多样的网络入侵进行快速准确的检测成为目前亟待解决的问题。联邦学习作为一种新兴技术,在缩短入侵检测时间与提高数据安全性上取得了很好的效果,同时深度神经网络（DNN）在处理海量数据时具有较好的并行计算能力。结合联邦学习框架并将基于自动编码器优化的DNN作为通用模型,建立一种网络入侵检测模型DFC-NID。对初始数据进行符号数据预处理与归一化处理,使用自动编码器技术对DNN实现特征降维,以得到DNN通用模型模块。利用联邦学习特性使得多个参与方使用通用模型参与训练,训练完成后将参数上传至中心服务器并不断迭代更新通用模型,通过Softmax分类器得到最终的分类预测结果。实验结果表明,DFC-NID模型在NSL-KDD与KDDCup99数据集上的准确率平均达到94.1%,与决策树、随机森林等常用入侵检测模型相比,准确率平均提升3.1%,在攻击类DoS与Probe上,DFC-NID的准确率分别达到99.8%与98.7%。此外,相较不使用联邦学习的NO-FC模型,DFC-NID减少了83.9%的训练时间。     

基于PSO的BP神经网络学习算法

针对标准反向传播(BP)算法收敛速度慢和易陷入局部极值等缺陷,提出一种基于粒子群优化的BP神经网络学习算法。采用标准BP梯度下降法调整权值,利用粒子群优化算法进行网络权值及阈值的修正。将该算法与标准BP算法及传统基于粒子群优化BP网络算法进行仿真比较。实验结果表明,该算法能够克服标准BP算法的缺点,性能优于其他2个BP网络优化模型。     

基于自适应学习率BP神经网络的火点定位模型

为了解决传统BP （Back Propagation）神经网络收敛较慢的问题,通过BP神经网络搭建火点预测模型,采用一种自适应学习率的方法改进BP神经网络,经比较该算法收敛较快,模型输出可达到预期效果.同时利用现场可编程逻辑门阵列（FPGA）的动态可重构技术实现了改进后的神经网络,通过仿真和结果测试,该设计在预测结果的基础上又大大减少了预测时间,为环保预测、检测轨迹规划提供了一定的理论基础.     

基于Metropolis准则的BP神经网络学习算法研究

本文针对BP神经网络训练学习过程中，连接权在调整时容易陷入局部极小使得进一步调整失去作用的问题，提出了一种有助于提高BP神经网络逼近精度的方法——基于M!缸。酬逸准则的神经网络学习算法。该算法整体采用传统的BP算法，但在一定条件下依据概率进行连接权的调整，使权值以一定的概率跳跃，跳出局部极小区，最终达到全局极小。仿真结果表明了这一算法的有效性。     

基于可信语义深度学习的文本文献搜索方法

针对传统文本搜索返回结果不准确、不满意的问题，提出一种基于可信语义深度学习的文本搜索方法。首先为了充分挖掘文本的可信语义，通过文本中的信任事实，以及人机交互标注的方式计算文本的可信度。利用网络爬虫抓取大量文本文献学习训练数据，并且构建深度学习神经网络模型，以文本的语义矩阵为输入，以文本的可信度为输出，通过有监督学习，训练出评估文本可信度的深度学习神经网络模型。最后应用该神经网络模型实现文本文献的搜索。通过“中国政治党建”领域的搜索实验表明：该方法在平均可信度方面优于传统搜索方法。     

基于神经网络集成学习算法的金融时间序列预测

本文在传统神经网络(NN)、循环神经网络(RNN)、长短时记忆网络(LSTM)与门控循环单元(GRU)等神经网络时间预测模型基础上, 进一步构建集成学习(EL)时间序列预测模型, 研究神经网络类模型、集成学习模型和传统时间序列模型在股票指数预测上的表现. 本文以16只A股和国际股票市场指数为样本, 比较模型在不同预测期间和不同国家和地区股票市场上的表现.本文主要结论如下: 第一, 神经网络类时间序列预测模型和神经网络集成学习时间序列预测模型在表现上显著稳健优于传统金融时间序列预测模型, 预测性能提高大约35%; 第二, 神经网络类模型和神经网络集成学习模型在中国和美国股票市场上的表现优于其他发达国家和地区的股票市场.     

基于深度神经网络结构的互联网金融市场动态预测

近些年,互联网金融市场在国内外迅速发展;同时,针对互联网金融市场的研究也成为了学术界的热点.相比于传统金融市场,互联网金融市场具有更高的流动性和易变性.针对互联网金融市场的动态(日交易量和日交易次数)进行研究,提出了基于深度神经网络结构的融合层次时间序列学习的预测模型.首先,该模型可以实现对多序列(市场宏观动态序列和多种子序列)特征变量输入的处理,并且在时间和序列特征2个维度上利用注意力机制来融合输入变量.其次,模型设计了基于预测序列平稳性约束的优化函数,使得模型具有更好的稳健性.最后,在真实的大规模数据集上进行了大量的实验,结果充分证明了所提出的模型在互联网金融市场动态预测问题上的有效性与稳健性.     

基于AHGA+BP的神经网络混合学习策略

在自适应递阶遗传算法(AHGA)中融入BP操作可以在对神经网络结构进行优化的同时,充分利用遗传算法的全局寻优能力在大范围内搜索可能的误差极值区域,并利用BP算法沿误差最速下降方向在极值点附近快速搜索,从而达到全局最优和快速搜索的有机结合。通过对混沌时序信号的预测,表明了混合学习策略在较大程度上改进了神经网络的学习性能和泛化能力。     

基于深度神经网络的微博文本情感倾向性分析

随着新型社交媒体的发展,作为传播网络舆论的重要媒介,微博已然成为挖掘民意的平台.自然语言处理技术可以从微博文本中提取有效情感信息,为网络舆情监控、预测潜在问题及产品分析等提供科学的决策依据.为了克服现有的浅层学习算法对复杂函数表示能力有限的问题,本文尝试融合深度学习的思想,提出基于Word2Vec和针对长短时记忆网络改进的循环神经网络的方法进行中文微博情感分析.在两万多条中文标注语料上进行训练实验,实验数据与SVM、RNN、CNN作对比,对比结果证明,本文提出的情感分析模型准确率达到了91.96%,可以有效提高微博文本情感分类的正确率.     

基于BP神经网络下用电负荷预测

城市日常生活和发展离不开用电,对用电情况进行分析可以为预测提供依据,进而探讨和解决生活中的用电问题。首先简述BP神经网络,而后基于神经网络从单一时间因素预测用户用电负荷量,结果具有一定的误差,考虑多因素影响,引入温度因素,对用户用电负荷量再次预测,最后分析神经网络下用电负荷预测的结果。     

基于BP神经网络的PID控制器研究

BP神经网络的PID控制器依赖于灵敏度信息实现参数在线调整,获得灵敏度信息非常重要。利用符号函数来获得灵敏度信息,计算不精确,利用RBF对被控对象在线辨识获得灵敏度信息,收敛速度慢。提出了一种新方法,即在RBF神经网络辨识的基础上,当误差较大时,利用符号函数获得灵敏度信息,以加速收敛;当误差较小时,利用RBF神经网络在线辨识获得灵敏度信息,以提高控制精度。仿真结果表明算法收敛速度快、精度高,控制效果优于符号函数实现的参数调整方法。     

基于Matlab的BP神经网络应用

BP学习算法是一种单向传播的多层前向网络,Matlab中的神经网络工具箱是以人工神经网络理论为基础,基于Matlab的工具箱,结合西瓜仁重的预测,验证了BP神经网络预测西瓜仁重的可行性,且BP算法收敛速度快,误差小,值得在预测作物生长中推广。     

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Matlab的BP神经网络应用

BP学习算法是一种单向传播的多层前向网络,Matlab中的神经网络工具箱是以人工神经网络理论为基础,基于Matlab的工具箱,结合西瓜仁重的预测,验证了BP神经网络预测西瓜仁重的可行性,且BP算法收敛速度快,误差小,值得在预测作物生长中推广。     

Optimizing Financial Engineering Time Indicator Using Bionics Computation Algorithm and Neural Network Deep Learning

Computational Economics - The present work aims to optimize the time index of financial engineering to improve the efficiency of financial decision-making. A Back Propagation Neural Network (BPNN)...     

基于BP神经网络的工业互联网异常数据主动防御研究

为了提高工业互联网异常数据的安全性,提出基于BP神经网络的工业互联网异常数据主动防御研究.仿真结果表明,采用该方法进行工业互联网异常数据监测的主动防御能力较好,异常数据加密性能较强,提高了工业互联网的安全性.     

基于改进BP神经网络的网络故障诊断研究

针对网络故障诊断过程中故障规则难以提取的问题,提出一种基于改进BP神经网络的故障诊断方法。以网络故障信息为样本对BP网络进行训练,利用其强大的自适应能力和非线性映射能力,建立起网络故障信息与故障模式输出之间的映射。同时,为了避免BP网络的学习算法陷入局部极小值,提高故障诊断的效率和精确度,采用L-M优化算法来对网络进行训练。另外,采取初期终止的方法提高BP网络的泛化能力。实例表明,该方法有效提高了网络故障诊断的有效性。     

基于BP神经网络在物联网多敏感信息同源检索

针对物联网中多用户相似源敏感信息检索方法运算速度慢、结果质量较差问题,提出一种物联网多敏感信息同源检索算法.准确分析物联网各应用层,构建隐层的3层BP神经网络模型,引入动态因子的学习算法,结合多维仿生信息理论的点同源连续性规则,推导出多敏感信息同源相似度特征,排序信息同源相似度特征的相关性级别并输出,最终完成物联网多敏...