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。     

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。     

基于条件对数似然的BP神经网络多类分类器

BP神经网络分类器存在收敛速度慢的缺陷,为了提高分类器性能,针对这一缺陷对BP算法进行改进. 提出将条件对数似然（CLL）准则融入到监督性BP神经网络多类型分类过程中,利用CLL的可分解性优势,计算测试样本的条件概率,在误差反向传播时利用条件概率对权值进行相应的加权降权操作,简化误差反馈过程中的计算量. 在实验中对改进算法的收敛速度和准确率进行了测试,说明了该算法的有效性及实用性.     

融合全局和局部特征并基于神经网络的表情识别

在表情中含有最多特征信息的是面部眉毛、眼睛和嘴巴这三个区域,为充分利用这些特征,减少图像中无用信息在识别过程中对计算机内存的占用,提高人脸表情识别系统的准确率和速度,首先采用haar 和 adaboost人脸检测算法,对图像中的人脸进行识别,获得人脸图像并提取眉毛、眼睛和嘴巴,生成局部(眉毛、眼睛、嘴巴)二值化图,利用PCA方法对人脸图像降维,降维后的全局和局部灰度特征值组成一个列向量。样本由表情数据库产生,经过神经网络样本训练后,进行表情识别。结果表明,该系统对人脸表情识别速度明显快于Gabor 小波算法;识别的准确率高于单独使用PCA算法和神经网络算法;消耗内存比用Gabor 小波算法少,运行较流畅。得出结论：因为提取出包含表情特征信息集中区的眉毛、眼睛和嘴巴,尽可能地多保留了这些局部特征信息,因而提高了表情识别准确率,同时,采用PCA方法对原始图像进行降维处理,有效的减少了信息冗余。     

基于主成分分析的股票指数预测研究

预测中输入变量的选取影响预测的速度和精度,传统方法选取输入变量主观性强,预测效果欠佳。本文使用主成分分析法选取输入变量,计算量小,预测效果更好。以沪市综合指数预测为例进行仿真计算,仿真结果表明了使用主成分分析法选取输入变量的有效性,它明显减少了预测时间,改善了预测精度。     

一种提高神经网络泛化性能的罚项最优脑外科模型*

最优脑外科过程是一种训练后网络剪枝算法,计算的复杂度非常高,通过把剪枝条件以惩罚项的形式纳入神经网络的训练目标函数中,把正则化方法的结构优化蕴涵于网络训练过程,构建面向最优脑外科过程的计算模型,实现网络训练过程和最优脑外科过程并行剪枝,既保持了最优脑外科过程的准确性,又具有正则化的高效性,提高了神经网络模型的泛化性能。该模型在理论上具有收敛性,其有效性和可行性通过给出的Levenberg-Marquardt方案仿真实验也得到了说明。     

人工神经网络泛化问题研究综述*

从理论、方法（思想）和技术三个层次回顾了以往工作,讨论了模型复杂度、样本复杂度及两者之间关系的相关研究;在实际中,通过控制模型复杂度、调整样本等具体技术可以在一定程度上提高神经网络的泛化能力,但这些技术仍然存在一些问题没有解决。最后提出了对今后研究的展望。     

复杂环境中的车牌字母和数字识别研究

当前车牌识别的研究大都是针对正常环境进行的,对于复杂环境下的车牌难以达到识别要求。本文提出一种用BP神经网络构造并行神经网络的车牌字母和数字识别方法,利用PVM网络在虚拟并行平台上实现了并行神经网络,最后对复杂现场环境下获取的车牌进行了实验。实验结果证明,该算法具有良好的性能,能在28ms内实时准确的识别车牌字母和数字。     

基于WT/PCA的自适应神经网络人脸识别方法

提出一种基于小波变换和自适应人工神经网络的PCA人脸识别方法。该方法首先在预处理中对图像进行光照强度的补偿,然后用小波变换的方法提取人脸图像的低频子带,再用PCA方法提取特征分量,并用BP人工神经网络进行训练和识别。此算法将PCA优化的特征抽取与神经网络的自适应性相结合,取得了较高的识别率和优良的抗噪声性能。     

CMAC 算法收敛性分析及泛化能力研究

利用矩阵理论和线性方程组迭代收敛的一般性原理,在不附加特殊条件折情况下,证明了CMAC算法在批量和增量两种学习方式下的收敛定理,对在关联矩阵正定条件下得出的结论进行推广和改进。在此基础上提出了一种学习率自寻优的CMAC改进算法,并提出一种简单可行的评价CMAC网络整体泛化性能的指标,通过计算仿真验证了收敛定量的正确性和改进算法的优越性,并研究得出了CMAC网络各个参数对其泛化性能影响的相关结论。