一种改进的BP神经网络算法及其应用

BP算法是目前应用最为广泛的神经网络学习算法,但原始算法收敛速率慢,训练过程易陷入局部极小值以及隐层节点数选择困难.针对这些问题提出了不少改进措施,文中提出了一种改进的BP神经网络算法,在BP算法基础上,从训练算法着手,通过误差的变化趋势,动态调整权值以提高网络的收敛速率;通过数学推导,从理论上验证了该算法的有效性.用MATLAB软件对文中的改进算法进行仿真,并且与其它方法进行比较,结果表明,改进后的算法在收敛速率和抑制噪声等方面有很好的效果,从实验上验证了该算法的有效性.     

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。     

ICCP重力匹配辅助导航算法研究及改进

迭代最近等值线算法(ICCP)是一种重要的匹配辅助导航算法,ICCP虽稳定性高,却具有实时性差的缺陷.通过研究与分析可知,采样结构是导致算法实时性差的关键因素,并且改变算法的采样结构可有效解决算法实时性差的问题.在改进ICCP的基础上,又通过“二次迭代”技术,将匹配位置用于更新测量和指示重力,并重新进行匹配解算,可进一步提高算法的匹配精度.仿真结果表明,以上工作对算法实时性和精度的改进是有效的.     

改进的BP神经网络算法及其应用

研究提高神经网络算法的快速性和稳定性问题,针对BP算法收敛速度慢且易陷入局部极小值的缺点,分析了一般改进算法在神经网络结构优化过程中存在的问题,并根据遗传算法的特点,提出了一种改进的基于压缩映射遗传的BP神经网络优化方法.算法通过引入泛函分析中的压缩映射原理,不但解决了BP算法收敛速度慢且易陷入局部极小值的缺陷,加快了BP网络的收敛速度,而且还弥补了BP神经网络在学习过程中与网络连接权值初值选择密切相关的不足.与传统的BP算法相比,训练步数减少了17.4387%,训练时间节省了8.2774%.实验结果表明改进的方法取得了良好的效果,可应用于实践中.     

BP神经网络在弹丸落点预测中的应用

针对传统弹丸落点预测方法存在的解算时间长、易产生累计误差等问题,提出了基于BP神经网络的预测方法,并且在标准BP算法的基础上使用Levenberg-Marquardt(LM)算法来改进网络参数的训练过程.利用大量的弹丸飞行状态参数和落点信息对构建的模型进行训练,得到用于预测弹丸落点的BP神经网络模型,并对其进行了仿真测...     

GPU加速的神经网络BP算法*

近年来图形处理器(GPU)快速拓展的可编程性能力加上渲染流水线的高速度及并行性,使得图形处理器通用计算(GPGPU)迅速成为一个研究热点。针对大规模神经网络BP算法效率低下问题,提出了一种GPU加速的神经网络BP算法。将BP网络的前向计算、反向学习转换为GPU纹理的渲染过程,从而利用GPU强大的浮点运算能力和高度并行的计算特性对BP算法进行求解。实验结果表明,在保证求解结果准确度不变的情况下,该方法运行效率有明显的提高。     

前馈神经网络BP算法在环保神经网络系统的应用

文章探讨应用反向传播算法建立一个能预测、推理、诊断、分析并确定污染源的生态系统环保神经网络，这种网络是一个具有自适应学习能力的模式识别系统，能从经验中学习适合不同需要的判别函数，是一种有指导的训练。     

改进的萤火虫算法在神经网络中的应用

基本萤火虫算法存在容易陷入局部最优及收敛速度低的问题,提出了一种改进进化机制的萤火虫算法（IEMFA）。在群体进化过程中赋予萤火虫改进的位置移动策略,并利用改进后的萤火虫算法来优化传统BP神经网络的网络参数。测试结果表明,基于改进萤火虫算法的BP神经网络具有更好的收敛速度和精度。     

Matlab神经网络工具箱BP算法比较

BP前馈网络,应用的最为广泛的神经网络,目前拥有许多算法。研究了Matlab神经网络工具箱提供的多种BP算法函数各自的优势和不足,以能在各种不同条件面对不同问题时选用更合适更快速的算法。在介绍了这些算法的基本原理的基础上,以一级倒立摆模型为例进行仿真研究。分别选用简单网络和复杂网络,并对学习步长做了改变,对比了各种BP算法在不同情况下的迭代次数和仿真时间,验证了新型BP算法的优势,得出了对简单网络和复杂网络应该如何选用BP算法的结论。     

改进的人工蜂群算法在神经网络中的应用

人工蜂群算法是模拟蜜蜂采蜜行为而提出的一种新的启发式仿生算法,属于典型的群体智能算法。提出了一种改进的人工蜂群算法,并利用改进后的人工蜂群算法来优化传统BP算法（神经网络算法中的误差方向传播算法）中网络参数的权值。实验结果证明该优化算法提高了BP神经网络收敛解的精度,加快了BP神经网络收敛速度。     

改进BP神经网络模式识别在消除惯导漂移误差中的应用

为了能实时地消除惯导陀螺漂移误差,在数字地图为基础的前提下,引入了改进BP神经网络模式识别技术,并设计了相应的三维数字地形辅助惯性组合导航算法——BP算法。在匹配过程中,分别给定了不同的数字地形模式和不同载体的机动轨迹。利用C＋＋程序进行算法中的数值计算,然后通过Matlab软件模拟导航数值仿真。多次实验证明,提出的方法具有很好的可靠性和可行性,具有重要的工程应用价值和理论借鉴意义。     

基于FPGA的手写数字BP神经网络研究与设计

手写数字逆向传播（Back Propagation,BP）神经网络由输入层、隐藏层、输出层构成。训练数据是MNIST开源手写数字集里60?000个样本,BP算法由随机梯度下降算法和反向传播算法构成,采用network小批量数据迭代30次的网络学习过程,训练出合适的权重和偏置。利用现场可编程门阵列（Field Programmable Gate Array,FPGA）硬件平台,Verilog代码实现BP算法、时序控制各层网络训练状态、Sigmoid（S型）函数及导数线性拟合是设计重点。初始化均值为0,方差为1的高斯分布网络权重和偏置,采用小批量数据个数[m]为10,学习系数[η]为3,在系统中输入样本及标签利用Quartus13.0和modelsim仿真与分析,工程运行迭代30次时间是4.5 s,样本识别正确率是91.6%,与软件python2.7相比满足了硬件设计的实时性和手写数字识别的高准确率。     

BP神经网络在教学质量评价体系中的应用

教学质量评价是对教学质量进行过程控制的重要手段。采用多层前传网络结构（back-propaga-tionnet2workconstruction,BP网络）,测试教学质量评价体现的完整性,让教学质量评价系统更充分的体现其功能,希望能通过BP神经网络的自学习自识别模式理论更好的对评价的指标进行衡量,从而更好的对评价的结果的有效性、合理性进行把握。     

神经网络中处理鞍点的LMBP改进算法

针对目前神经网络中的Levenberg-Marquardt反向传播(LMBP)算法在训练过程中有可能迭代到鞍点的问题,提出一种能有效克服鞍点的LMBP改进算法。计算鞍点处雅克比矩阵的正特征值对应的特征向量并将其作为新的搜索方向。通过实例对比传统LMBP算法与改进LMBP算法的效果,证明改进的算法能有效地脱离鞍点并进一步收敛到极小点处。     

基于神经网络的混合优化算法研究

为了在资源有限的嵌入式系统中提高智能特性,需要研究开发具有较好逼近和泛化能力的、以及代码简单的神经网络.本文采用具有很强全局寻优能力的遗传算法以及局部寻优能力较强的梯度下降法,结合两者的优点形成了一种神经网络混合优化算法.对遗传算法操作算子做了改进,能同时优化神经网络的结构和权值及阈值.仿真实验结果表明,该混合优化算法能够有效地对神经网络的结构和权值及阈值优化,优化后的神经网络有较好的逼近能力和泛化能力.     

BP网络改进算法及其在故障诊断中的应用

针对基本BP算法在接近最优点时收敛速度变慢的缺点,提出一种BP网络的快速训练算法。将网络训练过程分为两个阶段,首先采用BP算法使其接近最优点,再改用共轭梯度法以加快收敛速度。仿真结果表明该算法是一种快速的方法。并将其应用于故障诊断中,结果表明了该方法的可行性。     

基于环境星红树林特征指数的LAI估算

基于环境星影像红树林反射率特征建立红树林特征指数,通过实测红树林叶面积指数与特征指数、常用植被指数NDVI和SR之间线性相关性的建立,研究提出的 特征指数在LAI估算中的能力。提出的红树林特征指数BSTDEV与LAI的R2最高,达0.7616,且误差也最小。同时BSTDEV较常用植被指数更全面地反映了不同浓密程度的 红树林LAI的分布情况,未出现NDVI或SR在LAI估算中对稀疏或浓密红树林的低估。研究结果表明,基于红树林在环境星中建立的特征指数不仅能够有效地指示红树林 ,辅助实现区域红树林的提取,同时在红树林LAI估算中也有着一定优越性。     

基于BP的远程视频传输控制方法

在远程实验网络中,控制命令等TCP数据会出现较大延迟。为此,提出一种基于BP神经网络的视频传输控制方法。利用BP对网络利用率进行估计,根据估计结果,综合网络日常负载情况,调节视频流传输速率。实验结果表明,该方法能够保证控制命令等TCP数据的及时传输。     

基于Chebyshev神经网络的图像复原算法

退化图像的点扩散函数难以准确确定,为此,提出一种基于Chebyshev正交基函数的前向神经网络图像复原算法。该算法以一组Chebyshev正交基为隐层神经元的激励函数,采用BP算法对权值进行修正,达到收敛目标。给出2类Chebyshev神经网络的实现步骤及其相应衍生算法的图像恢复实现步骤。实验结果表明,该算法能较好地实现图像复原。