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。     

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。     

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。     

基于步长优化和共轭梯度法的改进BP算法

本文针对传统ＢＰ算法存在的两个常见问题进行了讨论，提出了基于步长优化和共轭梯度法的改进ＢＰ算法。新的算法避免了目前由人为经验确定迭代步长的缺陷，并能有效克服局部极小值。这样可使网络加快收敛，稳定性变好。     

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。     

一种改良BP网络方法研究

误差反向传播神经（ＢＰ）网络存在学习速度较慢、易陷入局部极小等缺点。通过自适应步长、反传改进参数γ、数据预处理和权值初始化等改良ＢＰ网络,使标准ＢＰ算法收敛速度大大加快,收敛平稳性获得提高。方法用于钙、镁、铁的三组分混合物同时定量分析,取得一定效果。     

用FUZZY规则加速BP网络的收敛速度

本文提出了一种用ＦＵＺＺＹ规则修正ＢＰ神经元网络的学习步长的方法，计算结果表明本文提出的方法在加速ＢＰ网络收敛速度方面是行之有效的。     

水泥立窑神经网络控制系统

本文采用自适应变步长的ＢＰ算法，提出了水泥立窑煅烧过程的神经网络控制方案，仿真计算结果表明，本方案是切实可行的。     

基于神经网络的交流伺服系统快速混合算法控制

标准的ＢＰ算法的最大局限在于：它不能保证收敛于神经风络总误差函数的全局最小点，而且由于“贪婪”的固定步长的最陡下降算法，有时连局部极小点也达不到。本文采用一种混合算法：将修正的快速ＰＩＤ型ＢＰ算法与Ｓｏｌｉｓ＆Ｗｅｔｓ随机最优化方法相结合，实现快速的、在有限迭代次数内达到全局最小的神经网络ＢＰ算法，并由此而构成控制顺应用于交流伺服驱动系统的控制。仿真结果证明该方法可以达到预期的目的，具有快速性、全     

适合于BP学习的共轭梯度法

基于ＬＭＳ的标准ＢＰ算法收敛速度极慢，而共轭梯度法要求精确的线性搜索，这在神经网络的高维权空间中是难以实现的。本文提出了一种新的ＢＰ学习算法，它采用一种对线性搜索要求不高的改进的共轭梯度法与一种简单的不精确线性搜索相结合，极大地提高了ＢＰ学习速度。经多次测试表明，与标准ＢＰ算法相比，该算法的效率提高了二个数量极。     

一种基于BP网络的改进

BP神经网络存在其固有的缺陷：收敛速度慢、易陷入局部极小、网络结构难以确定等.本文针对BP网络学习速度慢的缺点.用熵函数作为误差函数来对BP算法进行改进,提高了收敛速度和稳定性.通过对标准BP网络和相对熵方法在不同学习速率上收敛速度的比较实验证明,相对熵BP网络在收敛速度和稳定性方面有着明显的优越性.     

自适应学习速率法在变压器故障诊断中的应用

为了提高电力变压器故障诊断的准确率,针对油中溶解气体分析,提出了一种基于误差自动调节修正因子的自适应学习速率法,使神经网络通过自身的误差变化过程自动调整学习速率修正因子,保证网络总是以最大的可接受学习速率进行训练,从而提高网络收敛速度。针对电力变压器故障气体及故障类型的特点,建立了电力变压器故障诊断BP（Back—Propagation）网络模型,应用该算法和原算法对该故障诊断网络模型进行训练。仿真结果表明,该算法的训练次数减少了35．4％,收敛速度提高了44．9％,有效地改善了网络模型的性能。将该算法应用于电力变压器故障诊断,能较为精确地判断出电力变压器的故障类型,故障诊断准确率达90．8％。     

一种基于BP网络的流量分类方法

针对传统的网络流量分类方法准确率低、开销大、应用范围受限等问题,提出了一种基于BP网络的流量分类方法。该方法改进了标准的BP网络算法,采用基于Lyapunov函数得到的自适应学习率,并引入遗传算法优化网络的初始连接权值和阈值,使网络避免陷入局部最小,加速了网络收敛过程。实验结果表明,采用改进的BP网络算法来处理网络流量分类问题具有明显的优势：该方法的收敛速度和拟合精度均优于标准BP算法,而且流量分类准确率高于NB算法。     

基于改进BP学习算法的GPS高程转换

针对标准BP算法在GPS转换中的不足,给出改进的BP学习算法,通过对工程实例分析比较得出改进的BP算法在转换GPS高程中可以大大减少BP神经网络的训练时间,提高高程转换的效率.     

粒子群优化的BP神经网络在电梯群控系统中的应用

目的提出基于粒子群优化的BP神经网络获取评价电梯群控系统派梯性能指标的新方法．方法综合考虑电梯运行特性,确定电梯调度控制策略,建立了电梯运行性能的评价指标函数,利用神经网络自学习功能获取评价指标的初始权值和阀值,针对平均候梯时间对比研究了普通BP神经网络算法和粒子群优化BP神经网络算法．结果将优化的权值和阀值代入BP神经网络获得平均候梯时间,粒子群优化的BP神经网络与BP神经网络相比,减少了迭代次数,缩短了运行时间．结论仿真实验表明,该方法可以避免BP神经网络训练中产生局部极小值,加快BP神经网络训练速率,提高电梯群控系统控制的速度．     

基于BP神经网络的数字图像修复

考虑到BP神经网络非凡的学习能力和非线性映射能力,提出了利用BP神经网络修复数字图像.由于一般的BP神经网络收敛速度较慢,且易陷入局部极小,产生振荡现象.因此考虑在梯度下降算法的基础上引进动量因子,结果发现收敛速度加快、振荡现象减轻.该方法根据待修复区域的边界寻找相似块,利用相似块周围像素数据得到BP神经网络的权值和阈值.试验表明:文中的方法相对于利用偏微分方程(如BSCB方法)速度要快,而且具有更大的ISNR.     

油漆调色系统的改进算法

根据现有CAID系统中色彩设计和色彩生产难以协调统一的问题以及油漆厂的实际需求，在原有的“基于神经网络的油漆调色系统”基础上，创建了BP网络样本数据库，找到了一种适用于实际应用的有效的BP改进算法。研究测试的结果表明，BP改进算法能够弥补原有算法精度速度不够理想的不足，解决了电脑调色的问题。     

基于Matlab的BP神经网络在大坝观测数据处理中的应用

建立大坝观测数据处理的BP人工神经网络模型,用正交变换法来初步优化设计大坝变形分析的模型结构.运用Matlab工具箱函数建立网络模型,选择合适的训练函数,并采用正则化的算法以缩小网络的规模,改进BP算法提高学习速度和算法的可靠性.实例表明,基于Matlab的神经网络优化设计能比较有效地避免BP网络的固有缺陷,在精度和训练速度上得到提高.     

神经网络在过程建模中的应用

阐述了神经网络用于过程建模目前存在的问题，提出了改进的方法，并将此应用到了大型炼油厂脱蜡过程的建模中。通过比较改进前后的ＢＰ算法仿真结果可以看出，改进后的算法在网络的训练收敛速度上有了较大提高。     

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.