基于蚁群优化算法的BP神经网络的RPROP混合算法仿真的研究

本文对蚁群优化算法的BP神经网络中的RPROP混合算法进行了研究,提出了利用蚁群优化算法,结合RPROP混合算法解决无线网络传感器中如何处理信息服务点中大量的冗余数据、网络运行速度等相关问题,通过建立系统构架及信息服务点,证明该算法能够延长BP神经网络的生命周期,加快BP神经网络的收缩速度,能够将网络中信息服务点的重复数据进行有效的合并处理,并及时过滤掉非正常信息服务点的数据,减少数据服务点的能量消耗,期训练过程中迭代次数改善明显,解决BP神经网络的学习、训练时间冗余等问题,同时具有较强的计算、寻优等能力,提高了网络分类正确率和运行的效率,是一种较为实用的算法,完全能够满足日益增长的无线互联网终端的运行需要。     

BP神经网络的改进算法及其应用

BP（Back-propagation neural network）神经网络是目前应用最为广泛和成功的多层前馈神经网络之一,分析了BP算法的基本原理,指出了BP算法具有收敛速度慢、易陷入局部极小点等缺陷以及这些缺陷产生的根源,并针对这些缺陷,通过在标准BP算法中引入变步长法、加动量项法等几种方法来优化BP算法。仿真实验结果表明,这些方法有效地提高了BP算法的收敛速度,避免陷入局部最小点。同时．将改进得BP神经网络算法应用于脱机手写体汉字识别系统的实现。使系统较好地回避了汉字结构复杂、变形难以预测等问题,提高了识剐率。     

BP神经网络的改进算法及其应用

BP(Back-propagation neural network)神经网络是目前应用最为广泛和成功的多层前馈神经网络之一,分析了BP算法的基本原理,指出了BP算法具有收敛速度慢、易陷入局部极小点等缺陷以及这些缺陷产生的根源,并针对这些缺陷,通过在标准BP算法中引入变步长法、加动量项法等几种方法来优化BP算法。仿真实验结果表明,这些方法有效地提高了BP算法的收敛速度,避免陷入局部最小点。同时,将改进得BP神经网络算法应用于脱机手写体汉字识别系统的实现,使系统较好地回避了汉字结构复杂、变形难以预测等问题,提高了识别率。     

改进BP算法在识别含噪声字符中的应用

提出了一种基于人工神经网络的含噪声文字的识别方法.以改进的人工神经网络BP算法为基础,设计了一个文字识别系统,对英文字母、数字和汉字进行识别,通过用带有噪声的文字来训练网络,提高了网络的容错能力.实验结果表明,改进的BP算法降低了网络训练次数,有效地对由数字、英文字母、汉字组成的样本集进行训练,实现了对多种字符的正确识别.     

改进人工蜂群优化BP神经网络的分类研究

针对BP神经网络对初始权重敏感,容易陷入局部最优,人工蜂群算法局部搜索能力和开发能力相对较弱等问题,提出一种基于改进人工蜂群和反向传播的神经网络训练方法。引进差分进化思想改进人工蜂群算法,并对跟随蜂的搜索行为进行更准确的描述。用改进的人工蜂群全局搜索神经网络的初始权重,防止神经网络陷入局部最优。用新的方法对神经网络训练进行分类。实验结果表明,该算法相对于标准的BP神经网络,有效提高了分类正确率,泛化能力较强。     

一种改进的BP算法及其MatLab仿真

基于最优化理论,提出了基于新拟牛顿方程的改进拟牛顿算法训练BP神经网络.改进算法使用了一组新型的Hesse矩阵校正方程,使得改进拟牛顿算法具有全局收敛性和局部超线性收敛性.该文将改进的拟牛顿算法与BP神经网络权值的训练结合,得到一种新的BP神经网络权值的训练算法.与传统的神经网络权值学习的拟牛顿算法比较而言,采用改进算法的神经网络的收敛速度明显加快.改进算法能有效解决BP神经网络收敛速度慢的缺陷,显著提高了BP神经网络的学习训练收敛速度和学习精度.     

BP算法改进的研究

BP算法是神经网络中最常用的算法之一.分析传统的BP算法思想,发现它存在着诸如易于陷入局部极小、收敛速度慢等问题.针对BP算法的这些问题,分3个着手点,即:相关参数、激励函数和误差函数,归纳一些行之有效的改进方法,论述这些方法的主要思想,并分析它们的改进效果.     

改进BP算法的研究及应用

文中先对BP算法进行了分析,然后针对标准BP算法的不足进行了改进,通过对作用函数进行修正、自动调节学习率以及选择初始权值后得到了改进的BP算法,并给出了在车牌识别技术中的应用实例.对比分析识别数据,可以看出改进后的算法具有收敛速度快、识别时间短、识别率非常高等方面的优点,识别性能得到了很大优化.     

改进BP神经网络在木构古建筑中的寿命预测

标准的BP神经网络存在训练速度慢、容易陷入极小点、泛化能力低的特点。文中用附加动量项和改进学习速率相结合的方法对标准的BP神经网络进行了改进,并将其应用在木构古建筑的寿命预测中。仿真结果表明,和标准的BP神经网络相比,改进后的BP神经网络提高了泛化能力,能较准确地拟合训练值,避免了在确定计算参数过程中所产生的计算误差。     

BP神经网络在水质参数预测中的应用

本文利用BP神经网络良好的非线性映射特性,建立了水质预测模型,分别建立三种不同训练算法的氨氮预测神经网络,利用MATLAB神经网络工具箱编程实现。选用大量数据,反复加以训练,通过比较,挑选拟合程度好、精度误差小、泛化性能优秀的预测神经网络,并根据测试样本加以检验分析,最终选定L-MBP网络作为氨氮含量神经网络预测方案。     

基于PCA的GHA算法在BP网中的融合应用

针对传统特征提取方法和BP神经网络相结合而存在的缺点,提出一种新的分类器模型“PCABP网”。首先利用PCA特征向量来初始化PCABP网的初始层权值矩阵,由此新模型的初始层起到取代PCA进行特征提取的作用。其次在训练过程中通过GHA和GD算法对初始层投影权值矩阵进行动态调节来优化特征向量。该方法从源头样本来优化“类别分离”和“特征提取”,找到对样本降维和分类的最佳契合点,以此来替代传统模式识别中“首先单独特征提取,其次利用分类器分类”的方式。在FERET人脸库上的实验结果验证了该方法的有效性。     

BP算法的改进及其在Matlab上的实现

针对BP算法这种当前前馈神经网络训练中应用最多的算法,在介绍BP神经网络的基础上,对标准的BP网络训练算法存在的收敛速度慢、易陷入局部极值的严重缺点,提出了几种学习算法上的改进;进而介绍了改进蹬算法在Matlab神经网络工具箱中的函数实现。最后应用实例利用Matlab神经网络工具箱对标准BP算法及改进的算法进行语言编程、仿真。仿真结果显示,改进后的算法在极值、收敛速度上得到了很大的改善。     

基于BP训练数据选取的压气机特性曲线计算

基于BP神经网络方法,研究了压气机特性曲线的拟合及BP神经网络结构设计。对不同训练数据选取方法和比例情况下的BP神经网络进行了计算,分析BP神经网络数据选取与网络泛化能力之间的关系。分析结果表明,均匀顺序选择的BP神经网络在压气机特性曲线仿真上具有更优的泛化能力。     

浅谈BP神经网络在模式识别中的应用

模式识别技术在各行各业都有广泛的应用。在工业检测、医疗仪器的样本检查分析、军事卫星侦察、人工智能方面有着举足轻重的作用。该文介绍基于BP神经网络的模式识别方法。运用一种基于BP神经网络的改进算法,将基于学习的思想引入到模式识别中,对样本数据进行学习和训练,形成良好的网络,最后对与已训练好的网络进行检验的整个过程,由于达到了一定的准确度,避开了传统方法计算属性权重的问题。     

应用BP神经网络对自然图像分类

针对图像的低层视觉特征和高层语义特征之间的鸿沟,利用一个多输出的BP神经网络,分析低层视觉特征,提取图像的主要颜色、灰度共生矩阵和7个不变矩向量作为网络的输入,用语义期望值作为网络的输出,并用加入动量因子和自适应学习率的BP算法来训练该网络。训练完成后,该网络能够对自然图像进行多种语义分类,从而建立起了从低层视觉特征到语义特征之间的映射。改进的BP算法提高了训练的速度和可靠性,实验证明,该方法取得了较好的检索查全率和准确率。     

一种基于进化算法的BP神经网络优化方法及应用

针对BP网络的不足,分析了一般进化算法在神经网络结构优化过程中存在的问题,根据物种内优生优育原则和物种间相互竞争、相互学习的生物学原理,提出了一种新的基于进化算法的神经网络优化方法。该方法不但有效弥补了BP神经网络在网络结构、权值选择上的随机性缺陷,缩小了神经网络结构的解搜索空间,加快了BP网络的收敛速度,进而提高了搜索效率,而且还起到对网络的结构和权值进行同时进化的作用。实验结果表明该方法取得了良好的效果。     

一种基于进化算法的BP神经网络优化方法及应用

针对BP网络的不足,分析了一般进化算法在神经网络结构优化过程中存在的问题,根据物种内优生优育原则和物种间相互竞争、相互学习的生物学原理,提出了一种新的基于进化算法的神经网络优化方法。该方法不但有效弥补了BP神经网络在网络结构、权值选择上的随机性缺陷,缩小了神经网络结构的解搜索空间,加快了BP网络的收敛速度,进而提高了搜索效率,而且还起到对网络的结构和权值进行同时进化的作用。实验结果表明该方法取得了良好的效果。