一种鲁棒BP算法及其在非线性动态系统辨识中的应用

利用多层前馈神经网络的非线性建模特性，基于动态ＢＰ网络的串并联和并联模型，提出了一种高鲁棒性ＢＰ算法，与传统的ＢＰ算法相比，鲁棒ＢＰ算法有５个优点：（１）适合于非线性动态系统辨识，（２）辨识精度高；（３）不必内插所有训练样本；（４）具有高鲁棒性，能抵制过失误差和量测误差；（５）收敛速度得到了改进，因为错误差样本的影响得到了适度的抑制，把该算法用于非线性动态系统辨识，仿真结果表明此方法是有效的。     

一种基于动态人工神经网络的Wiener模型辨识

提出了一种新的辨识模型对Ｗｉｅｎｅｒ模型进行辨识,该模型 线性动态神经元串联一静态网络模型组成,利用线性动态神经元对Ｗｉｅｎｅｒ模型的线性动态部分建模,利用静态ＢＰ网络逼近模型的静态非线性部分,并且给出了统一的ＢＰ辨识算法,仿真结果表明了该方法的有效性。     

动态过程辨识的一种BP鲁棒算法

针对ＢＰ算法在进行系统辨识时存在着速度慢、非平滑内插、受噪声影响很大、逼近精度不高，特别是对强干扰不具有鲁棒性等问题，提出一种ＢＰ网络的鲁棒算法，该算法直接利用样本点对样本点的分布特征进行估计，并采用带有损失因子的与误差分布有关的二次型能量函数，并用于动态系统辨识。仿真结果表明了算法不仅对白噪声具有鲁棒性，而且对强干扰也具有鲁棒性。     

基于系统辨识的神经网络鲁棒性研究

给出了神经网络鲁棒性的概念,基于系统辨识的 ＢＰ网络、 ＲＢＦ网络和 Ｅｌｍａｎ网络的鲁棒性问题进行了分析和研究。仿真结果表明,神经网络用于非线性系统辨识有其广阔的前景。     

神经网络并联辨识算法的收敛性研究

神经网络可用来建立非线性动态系统的模型，其辨识模型可分为串联并联辨识模型和并联辨识模型两种，后者的思路源于基于参考模型自适应方案的输出误差辨识模型，对观测扰动有较强的抑制能力。本文对这种神经网络并联辨识结构的收敛性进行了研究，指出在网络参数满足一定条件时并联预测过程收敛，且并联辨识算法具有局部收敛性，仿真实验验证了上述结论。     

神经网络在细纱机中的应用

介绍了一种基于PLC和DSP的细纱杌控制系统.该系统针对细纱机控制系统的非线性与传统PID控制方法的不足,提出了一种改进型基于RBF神经网络在线辨识的单神经元PID自适应控制方法.该方法构造了一个RBF网络对系统进行在线辨识,建立起在线参考模型,由单神经元控制器完成控制器参数的学习,从而实现控制器参数的在线调整.仿真试验结果表明.该控制器控制精度高,动态性能好,其控制效果优于传统的PID控制器.     

蔗糖结晶过程的建模与控制

该文从设计煮糖结晶过程控制方案的角度出发,首先提出了采用Elman动态神经网络对煮糖结晶过程进行建模的新方法,以实验中采样到的煮糖结晶过程中过饱和度的输入输出数据训练网络,并采用动态反向传播学习算法根据误差不断调整网络参数直至达到要求精度;Elman神经网络辨识可使辨识过程简化并提高了辨识精度。然后在此基础上设计了自适应模糊控制器。最后的仿真实验以Elman神经网络模型为参考模型,使用自适应模糊控制算法控制过饱和度,取得了较好的控制效果。结果显示所设计的控制系统适合于控制煮糖结晶过程这样一类复杂非线性系统     

共轭梯度法在BP网络中的应用

该文针对广泛使用的前向多层网络的ＢＰ算法存在的收敛速率低、有局部振荡的缺陷,提出了共轭梯度法改进ＢＰ算法,它在共轭梯度方向修正权值、使用概率接受原则决定目标函数值变化的取舍。同时给出了提高网络抗过配合性能的罚函数方法。实例证明：在不同的初值下,共轭梯度法均具有快的全局收敛性。     

基于BP神经网络的自适应控制

本文利用ＢＰ神经网络对被控对象进行在线辨识和控制。为实现自适应控制，本文对ｓｐｅｃｉａｌｉｓｅｄ ｌｅａｒｎｉｎｇ算法进行了改进，在此基础上，本文还提出了一种基于ＢＰ网络的自适应ＰＩＤ控制器。     

一种前馈神经网络的卡尔曼滤波学习方法

本文针对前馈神经网络误差反向传播算法收敛速度慢且常常收敛于局部极小值等缺陷，提出了一种基于推广卡尔曼滤波估计的快速学习新方法，与ＢＰ算法相比较，该方法不仅学习收敛速度快，数值稳定性好，所需学习次数和隐节点数少，而且所需调节参数少，便于工程应用，非线性系统建模与辨识的仿真计算结果表明，该方法是提高网络学习速度、改善学习性能的一种有效方法，可有效解决工业过程等非线性系统建模与辨识问题。     

基于改进BP神经网络的预测模型及其应用

对BP神经网络的结构及其训练算法进行了研究,并针对传统BP算法的缺陷,提出了一种采用L—M算法的改进BP神经网络。在此基础上建立了基于改进BP神经网络的非线性系统预测模型,并通过具体的仿真及实践结果验证了改进BP神经网络的有效性。     

BP网络改进模型的性能对比研究

文章通过实例对BP网络的几种代表性改进模型进行了性能对比研究。分析了BP网络基于标准梯度下降法和基于数值优化方法的算法改进和训练策略改进获得的代表性模型的优缺点,并结合遥感图像分类实例,对其收敛速度和分类效果进行了对比分析,其结果可为BP网络模型的选择和改进提供一些思路和借鉴。     

改进的HS算法优化BP神经网络的入侵检测研究

基于传统BP神经网络的入侵检测中，BP神经网络算法模型存在着易陷入局部最优且初始值随机性较大的缺陷。初始值的选择直接影响到BP神经网络的训练效果，较好的初始值有利于BP神经网络跳过局部最优，从而提高训练效率。针对BP神经网络的缺陷，提出了用改进的和声搜索算法对BP神经网络的初始值进行优化，使得BP神经网络得到一组较优的初值的方法。实验结果显示，改进的和声搜索算法具有更高的适应度函数值，将该算法优化的BP神经网络用在入侵检测中，能够显著提高算法检测率和收敛速率。     

BP神经网络的研究进展

通过对传统BP神经网络缺点的分析,从参数选取、BP算法、激活函数、网络结构4个方面综述了其改进方法,介绍了各种方法的原理、应用背景及其在BP神经网络中的应用,同时分析了各种方法的优缺点。指出不断提高网络的训练速度、收敛性和泛化能力仍是今后的研究方向,并展望了BP神经网络的研究重点。     

柔性神经网络训练算法的研究

针对经典BP网络训练速度慢、易陷入局部最小值而无法收敛的弱点,提出用具有高度柔性的柔性神经网络代替经典网络,并以矩阵作为基本运算单位导出了柔性神经网络训练的最速下降法和LM(Levenberg Marquard)算法。矩阵作为基本运算单位的优点是可以用高效矩阵库LAPACK来编写程序,提高了数值计算的精度和速度。仿真结果表明了算法的有效性。     

一种分式过程神经元网络及其应用研究

针对带有奇异值复杂时变信号的模式分类和系统建模问题，提出了一种分式过程神经元网络．该模型是基于有理式函数具有的对复杂过程信号的逼近性质和过程神经元网络对时变信息的非线性变换机制构建的。其基本信息处理单元由两个过程神经元成对偶组成。逻辑上构成一个分式过程神经元，是人工神经网络在结构和信息处理机制上的一种扩展．分析了分式过程神经元网络的连续性和泛函数逼近能力，给出了基于函数正交基展开的学习算法．实验结果表明，分式过程神经元网络对于带有奇异值时变函数样本的学习性质和泛化性质要优于BP网络和一般过程神经元网络。网络隐层数和节点数可较大减少，且算法的学习性质与传统BP算法相同．     

基于粒子群优化算法的BP网络学习研究

文章提出了基于粒子群优化的BP网络学习算法。在该算法中,用粒子群优化算法替代了传统BP算法中的梯度下降法,使得改进后的算法具有不易陷入局部极小、泛化性能好等特点。并将该算法应用在了高速公路动态称重系统的设计中,实验证明:这种算法能够明显减少迭代次数、提高收敛精度,其泛化性能也优于传统BP算法。     

基于神经网络的解耦控制方法

本文介绍了BP算法的基本原理及其实现步骤,并将BP算法应用于神经网络解耦器和PID神经网络的训练中,即本文中各个神经网络的训练算法均采用BP算法,提出了一种神经网络在线解耦控制算法,即将神经网络解耦和神经网络PID控制两者结合,对系统进行解耦控制。将解耦与控制结合,既避免了单独采用自适应PID控制时控制效果不佳的问题,又避免了单独采用解耦时原有控制器不能适应变化后的对象问题。最后对一组双输入双输出耦合系统进行了仿真研究。     

神经网络在化工过程故障诊断中的应用

针对现代复杂的化工生产过程,提出一种基于神经网络的故障诊断方法。并分别将典型的BP算法和改进后的BP算法用于TE（Tennessee Eastman）模型的故障诊断中。经过诊断结果的比较,得出标准的BP算法在实际应用中具有收敛速度慢等缺点;自适应学习速率动量梯度下降的BP算法以及用L-M（Levenberg-Marquardt）法先对BP网络进行优化的BP算法具有收敛速度快、不易陷入局部极小值等优点,其中又以L-M优化BP算法效果最好。结合rIE模型的仿真结果可以看出,L-M优化BP算法在工业实际中具有很大的优势。     

提高BP网络收敛速率的又一种算法

提高BP网络的训练速率是改善BP网络性能的一项重要任务。该文在误差反向传播算法(BP算法)的基础上提出了一种新的训练算法，该算法对BP网络的传统动量法进行了修改，采用动态权值调整以减少训练时间。文章提供了改进算法的仿真实例，仿真结果表明用该方法解决某些问题时，其相对于BP网络传统算法的优越性。