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.     

BP神经网络算法的改进及在Matlab中的实现

分析了BP神经网络算法收敛速度慢的原因，研究了一种提高其收敛速度的方法，即将动量法和批处理方法结合起来对BP算法进行改进，提高学习速度，并给出了算法思想，用Matlab神经网络工具箱对神经网络进行了初始化和训练，仿真测试结果证明该方法是可行，具有实用性。     

基于改进粒子群算法的BP神经网络模型研究

为解决BP神经网络局部性收敛度慢的问题,提出了基于改进粒子群算法的BP神经网络模型．该方法通过粒子群进化速率动态调整惯性权重因子,提高了算法的收敛速度和全局搜索最优值的能力．提出的模型和改进的算法模拟仿真表明：该方法对收敛速度和精度有更好的拟合性．     

遗传神经网络在滑坡灾害预报中的应用研究

针对传统BP算法易收敛于局部最优以及网络结构难以确定等问题,引进遗传算法进行混合建模.采用遗传学习算法和误差反向传播算法相结合的混合算法来训练前馈人工神经网络,即先用遗传学习算法进行全局训练,再用BP算法进行精确训练,使网络收敛速度加快并避免陷入局部极小.文中结合实例,对BP神经网络,遗传算法改进的神经网络进行了比较分析.实验表明,利用改进的混合模型可以提高预测精度,缩短收敛时间.     

基于神经网络的储粮测控专家系统的研究与应用

将神经网络应用于专家系统中,利用神经网络系统的学习功能解决传统专家系统在知识获取、推理能力、自学习能力上的缺陷,与粮情测控系统相结合,提出了一种改进BP算法.该算法加入动量项,然后对自适应算法进行了一些适当改进,进而给出了该算法的理论推导和具体实现步骤.与未改进的BP算法相比,该方法协调了训练次数多而引起的学习效率和收敛速度之间的矛盾,提高了BP算法的熟练速度和收敛速度.实验结果也说明了该方法的快速性、有效性、稳定性.     

电力负荷短期预测的神经网络方法研究

设计了一个三层神经网络模型来实现电力系统的短期负荷预预.采用了改进的BP学习算法,以提高训练的收敛速度.预测仿真结果表明,所设计的神经网络是可以进行短期负荷预测的.     

BP算法的改进及其在焊接过程控制中的应用

BP算法存在着收敛速度较慢、易于陷入局部极小点的问题，为了解决该问题，对BP算法作了大量仿真试验和深入分析后，发现神经网络各层间权值调节量存在较大的差异，从而提出了一种新的改进方法，充分发挥神经网络各权值对网络训练的贡献，试验结果表明，新算法与基本的BP算法相比大大提高了网络收敛速度，用改进的算法和焊接过程进行了控制仿真，获得了较好的结果。     

改进的BP神经网络在医疗中的应用研究

鉴于传统BP神经网络存在诸如收敛速度缓慢和易陷入局部极小值的缺陷,提出在BP神经网络中引入动量因子、陡度因子、自适应学习速率和改进粒子群算法优化BP权值等对传统BP进行改进,使其达到预测误差小、精度高、训练快的目的。改进后用来预测区域内各个年龄段患糖尿病人数百分比。由仿真实验结果可知,改进后的BP神经网络比传统BP神经网络收敛更快、误差更小。     

基于一类改进遗传算法的进化神经网络研究

分析传统遗传算法易早熟收敛的主要原因,提出一类改进的遗传算法以及一种基于改进遗传算法的前馈神经网络设计方法,用以同时完成对网络结构空间和权值空间的搜索。该算法将普通遗传算法的交叉算子和遗传算子进行改进,利用模拟退火算法、BP算法和小生境技术来加快算法的收敛速度,改善解的性能。通过对异或(XOR)、噪声模式识别等前馈神经网络性能的一组测试,与BP算法进行比较,实验结果表明,该算法能够有效抑制遗传算法初期收敛的发生,有效地提高多层前馈神经网络的收敛精度和收敛速度,由此得到的神经网络的泛化能力也较好,能够达到根据训练样本自动优化设计多层前馈式神经网络的目的,并可获得更为简洁的网络结构。     

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.     

BP神经网络的改进算法及在大坝变形分析与预报中的应用

针对传统的BP算法收敛速度慢、精度较低的缺陷,本文以西津大坝26#点的50期观测数据为例,选择了4个变形因子,进行了改进的BP神经网络在大坝变形分析与预报中的应用与研究.在此基础上,比较了改进的BP神经网络与传统的BP神经网络的预报效果.结果表明:改进的BP神经网络无论在学习算法的收敛速度,还是在预报精度上,都得到了大幅度的提高,且有一定的推广意义.     

基于MB栅格回波强度和改进BPNN的底质分类

提出了基于多波束栅格图像和改进神经网络的底质分类方法,研究了多波束栅格回波强度的提取方式和改进的反向传播(BP)神经网络.论述了波束脚印包络内以采样数量进行等角度栅格分配获取回波强度所在位置序列值,并在传统BP神经网络基础上附加动量因子和自适应学习率,同时为激活函数添加斜率和偏置可随误差信号进行修正.改进的BP神经网络不仅可以提高神经元的自适应能力,而且可以明显加快算法的收敛速度.利用提出的方法进行底质分类,实验结果表明,提出的方法显著提高了海底底质分类的分辨率和精度.     

基于改进的BP神经网络模型的雷达网效能评估

为拓展雷达网效能评估的内容、改进评估方法和提高评估效率,重构了雷达网效能评估指标体系,给出了各指标的量化模型和方法;针对BP神经网络收敛速度慢、局部极小化问题,提出了利用遗传算法(GA)优化BP神经网络的方法,并采用GA+BP神经网络模型对雷达网部署方案进行了评估优选.仿真结果表明,运用GA算法改进的BP神经网络具有更快的收敛速度和更高的预测精度,可作为雷达网效能量化评估的有效手段,为雷达兵作战筹划提供科学决策依据.     

卷积神经网络的优化在车牌号识别上的运用

通过与传统神经网络对比,分析了利用卷积神经网络(CNN)进行车牌号图像识别中的特征提取过程,提出了优化卷积和池化的过程来提高算法的收敛速度和准确率。运用Py Charm环境建立了改进后的车牌号识别模型,并通过实验验证了其正确性与识别速度。通过BP神经网络、传统Le Net-5 CNN和改进后的CNN对相同的字符集进行对比分析实验,得出了改进后的CNN模型的优势。     

基于粒子群优化算法的BP神经网络在图像识别中的应用

介绍了一种采用微粒群算法与BP算法相结合的方法用于BP神经网络模型优化，来提高模型的收敛速度和精度。仿真结果表明，与BP算法相比较，PSO—BP学习算法训练的神经网络不仅训练时间明显缩短，而且其预报精度也得到了较大的提高。     

快速收敛的BP神经网络算法

以标准BP算法为基础,应用Levenberg Marquardt最优化方法,提出了一种快速收敛的BP算法———LMBP算法。经实验验证并与标准BP算法及其它改进形式比较,LMBP算法大大提高了收敛速度,而且性能稳定。这为BP神经网络应用于实时性要求高的场合(如在线检测)提供了算法基础。该算法的缺点是计算量大,所需计算机内存大,不适合大型网络的计算。     

一种改进BP神经网络在模式识别中的应用

为了提高神经网络识别的速度及实用性,在传统BP神经网络的基础上,提出了一种动态调整网络结构的改进网络模型,给出了该模型在应用中的算法,并做了特征提取．仿真结果表明,与传统的BP神经网络比较,改进网络的初始权值的选取相对容易,有效降低了陷入局部极小的可能,提高了网络收敛和识别的速度．     

改进蚁群算法与BP网络融合预测铅酸蓄电池SOC

人工神经网络通过模拟人脑神经网络的方式记忆、处理信息,具有很高的智能性,近些年来,被广泛应用在太阳能用铅酸蓄电池剩余电量预测的研究中,但是,收敛速度慢、对初值敏感以及较易陷于局部极小值等是单一神经网络算法难以解决的缺点.针对该问题,将蚁群算法进行改进并与BP神经网络相融合,先采用改进的蚁群算法将BP神经网络的权值参数进行全局训练,然后,采用BP神经网络算法进一步进行局部学习,从而获得最优的BP神经网络权值.最后,通过MATLAB仿真和实验验证了本课题所采用的改进蚁群与BP网络融合算法能明显改善BP网络的收敛速度以及预测精度,能准确地预测出太阳能蓄电池SOC.     

遗传算法和BP算法相结合进行图像匹配

将神经网络理论应用于图像匹配 ,提出采用遗传学习算法进行全局寻优、利用BP算法进行精确训练、优化BP(backpropagation)神经网络权重学习和训练的神经网络图像匹配算法 .实验表明该算法的收敛性能及学习速度优于传统的BP神经网络图像匹配算法及其他同类改进算法 ,具有寻优的全局性和精确性 .     

基于改进的Chebyshev神经网络的用水量预测

针对目前Chebyshev神经网络存在的不足,从算法和网络结构方面进行了综合改进。改进后的Chebyshev神经网络不仅符合生物神经网络的基本特征,算法简单,收敛速度快,而且网络输入可以是任意值,是一种多输入的多层前向神经网络模型,因而扩大了网络辨识模型的能力与学习适应性,并有逼近任意线性和非线性映射的优异特性。用改进的Chebyshev神经网络对城市的家庭用水需求量进行建模和预测。仿真结果表明,改进的Chebyshev神经网络为预测家庭用水需求量提供了一种有效的方法,它不仅具有优良的预测能力,而且在相同精度的前提下,其收敛速度也优于一般的BP网络。