基于MATLAB的改进BP神经网络的实现与比较

BP神经网络应用广泛,且算法很多,研究多种神经网络的优势与不足,以能在不同对象下选取合适的神经网络算法。运用MATU出来实现各种BP神经网络的设计和训练。并以函数逼近为例,通过对不同的BP神经网络仿真与原函数图像的拟合,比较不同的BP神经网络的性能,验证新型BP网络的优势,得出如何根据对象选取神经网络的结论。     

基于MATLAB的神经网络数字逻辑设计及性能比较

文章利用神经网络实现基本的数字逻辑功能,并在MATLAB上进行了仿真。通过加入带有噪声的输入值以测试网络的稳健性能,这是一个比较和优化不同网络性能的过程。为了找到能够更好地实现基本数字逻辑的网络模型和训练算法,文中对感知器网络、BP网络和RBF网络做出了一系列的比较分析。尤其是对BP网络中的不同训练算法,均根据MATLAB的仿真情况文中做出了比较,结果可作为网络选用依据。     

基于复合正交神经网络的自适应逆控制系统

目前，在自适应逆控制系统中常采用BP神经网络，而BP网络存在算法复杂、易陷入局部极小解等不足。而正交神经网络能克服BP网络的不足，但由于正交神经网络学习算法存在某些局限性，提出了一种复合正交神经网络，该正交网络结构与三层前向正交网络相同，不同的是正交网络的隐单元处理函数采用带参数的Sigmoid函数的复合正交函数，该神经网络算法简单，学习收敛速度快，并能对网络的函数参数进行优化，为非线性系统的动态建模提供了一种方法。仿真实验表明，网络在用于过程的自适应逆控制中具有很高的控制精度和自适应学习能力。该动态神经网络比其它神经网络具有更强的建模能力与学习适应性，有线性、非线性逼近精度高等优异特性，非常适合于实时控制系统。     

结合信息融合和BP神经网络的决策算法

针对网络输入信息复杂多变,固定的 BP(Back-Propagation)网络结构难以发挥其优势的情况,提出了结合信息融合和BP神经网络的决策算法。即根据输入的变化情况,利用D-S证据理论(Dempster-Shafer,D-S)对BP神经网络的结构进行优选。同时使用粒子群(PSO, Particle Swarm Optimization)算法来确定BP神经网络的初值,以改善其收敛速度慢和容易陷入局部极小值的问题。仿真结果显示,结合信息融合和 BP 神经网络的决策算法和BP神经网络相比,有效提高了BP神经网络训练的时间及预测的准确率,在适应复杂多变的输入信息时具有一定的优势。     

基于粒子群神经网络的期货价格预测

目前在对中国期货市场进行价格预测时,采用神经网络预测时多用的是BP神经网络,但是BP神经网络存在对初始权阁值敏感、易陷入局部极值和收敛速度慢的问题.因此,为了提高模型效率,提出采用PSO-BP模型预测期货价格.首先运用粒子群算法代替BP神经网络的初始寻优,再用BP算法对优化的网络权闽值进一步精确优化,随后建立了基于粒子群算法的BP神经网络预测模型,并将其应用到中国期货市场的期货价格预测研究中.仿真结果表明,新模型结合了粒子群算法的全局寻优能力和BP神经网络算法的局部搜索优势,有效的防止了网络陷入局部极小值的可能,提高了神经网络模型预测的速度和准确性.     

一种GA-PSO算法优化BP网络的网络流量预测

分析和研究网络流量的预测,对于网络信息安全和网络资源管理具有重要的意义。为了更有效、准确地对网络流量进行预测,提出一种GA-PSO算法优化BP神经网络的网络流量预测模型。首先采用BP神经网络建立网络流量预测模型,然后用GAPSO算法对BP神经网络的初始权值和阈值进行优化,最后利用网络流量的历史数据进行仿真实验。实验结果表明,经过GA-PSO算法优化后的BP神经网络模型能加快神经网络的收敛速度,提高网络流量的预测精度。     

无人机涡喷发动机的BP网络控制

该文介绍了由反向传播神经网络（BP网络）构成神经网络PID控制系统的基本结构和原理,针对传统BP算法存在的收敛速度慢、容易陷入局部极小值的缺陷,选用了标准的数值优化算法（LM算法）,此算法具有极好的快速性;对某无人机涡喷发动机的神经网络PID控制进行了仿真研究,并与常规PID控制进行了比较研究,仿真结果表明：采用此算法构成的神经网络PID控制具有响应速度快、稳态误差小、算法简单的优点;用一个神经网络作为控制器,控制地面和空中多点对象是可行的,但要进行实际应用,还有待于进一步的研究.     

基于概念格的BP神经网络算法及仿真

针对在研究人工智技术能领域中,利用概念格和BP神经网络的各自优势,提出了一种基于概念格的BP神经网络算法.算法首先利用概念格的理论对样本数据进行属性约简,提取其中关键要素作为BP神经网络的训练样本,用简化的训练样本对BP神经网络进行训练,建立优化的基于概念格的BP神经网络算法进行仿真实验.仿真结果表明,基于概念格的BP神经网络算法能简化BP神经网络的训练样本,优化BP神经网络,提高了系统的学习效率和精度.证明方法是有效可行的,具有理论意义和实用价值.     

QPSO算法优化BP网络的网络流量预测

网络流量预测对于大规模网络的规划设计和网络资源管理等方面都具有积极的意义,是网络流量工程重要组成部分。结合QPSO算法和BP神经网络的优势,采用QPSO算法对BP神经网络的权值和阈值进行优化,并利用历史记录训练BP网络。仿真实验表明,与PSO训练的BP网络以及直接用BP网络进行预测的模型相比,基于QPSO训练的BP网络流量预测模型具有更好的预测能力。     

基于神经网络专家系统的网络性能管理研究

随着网络规模的不断扩大,网络的管理和维护变得日趋困难,从而出现了网络管理智能化的要求,以减轻网管人员的工作复杂度.通过研究神经网络专家系统,设计了一个基于神经网络专家系统的网络性能管理系统来管理网络,针对传统BP网络容易陷入局部极小值和学习收敛速度慢的特点,提出了一种改进的BP算法--联合算法,通过与其他算法进行仿真比较表明,该算法在计算精度和速度方面有一定优势,并应用于网络性能管理系统中,实现了网络性能管理的智能化.     

五种人民币序列号识别算法抗噪能力比较

为了比较不同的人工神经网络算法识别人民币序列号的性能,研究了离散Hopfield神经网络、BP神经网络、PNN神经网络、GRNN神经网络、SVM神经网络等五种算法的训练耗时、识别速度、识别率和抗噪声能力. 研究结果表明,在五种算法中BP算法的综合表现最差,其次为SVM和Hopfield算法,而PNN和GRNN算法表现最好,不仅识别率最高、训练和识别时间最短,而且具有较强的抗噪声能力.     

基于遗传BP神经网络的数据挖掘技术

数据挖掘技术是从大量数据中挖掘知识的有效的工具。BP神经网络和遗传算法是运用在数据挖掘中的两种新兴算法,神经网络的结构复杂、网络训练时间长、收敛速度慢,但其具有较高的正确率,把BP神经网络与遗传算法相结合,可以提高收敛速度,并在有限步内达到较高的精度要求,因此本文提出了一种遗传算法和BP神经网络相互结合的新算法,并把算法运用在数据挖掘技术中。     

BP网络结构、参数及训练方法的设计与选择

根据已有的BP网络设计及其改进方案,对一个人工神经网络进行具体的设计,通过其详细的设计步骤与过程,对网络隐含层神经元数、初始权值、学习速率等参数在BP网络设计过程中的关系与影响,以及不同的改进算法在网络训练中所起的作用给予进一步揭示,使人们从中得到更多的启迪,以便使更多的人能够设计出效率更高、精度更好的神经网络。     

两种典型神经网络容错方法的比较

Behnam提出的SC算法和文中提出的rehidden算法是两种典型的前向神经网络容错 算法,前者改进BP算法进行学习,后者对已学习的网络进行隐层节点冗余.这两种算法各有优 缺点.文中对这两种算法进行了仿真实验分析,最终得到了每种算法适用的网络规模和硬件条 件,在不同环境下应采用不同的方法才能得到可行的容错网络.最后还对SC算法的一些改进进 行了讨论.     

基于自适应并联结构神经网络的交通流量预测

由于现有优化算法在全局优化方面的局限性,导致神经网络需要多次训练才能获得满意的结果。为了解决神经网络训练中的一致性问题,文章提出了一种自适应并联结构神经网络（Adaptive Parallel Structure Neural Network, APSNN）。APSNN由多个神经网络单元并联组成,在训练过程中,采用常规优化算法对各神经网络单元进行训练。神经网络单元的训练样本由上一级神经网络单元的训练残差构成,通过训练残差在各神经网络单元中的单向传递,实现训练残差的逐级减少。神经网络根据训练残差,决定是否进行神经网络单元级联和结构扩张,从而保证训练结果的一致性。文章对5种非线性函数进行了神经网络逼近测试。与BP神经网络相比较,APSNN在50次不同初始条件下,训练精度十分稳定,具有很好的一致性。为了实现对交通流量预测,文章将APSNN与BP神经网络和小波神经网络进行了对比研究,结果表明：APSNN的预测总体标准差均小于BP神经网络和小波神经网络,交通流量的预测偏差较BP神经网络和小波神经网络分别降低2.7%和9.7%。     

恶劣气象条件下高速公路匝道控制的神经网络方法

针对各种恶劣气象条件下高速公路交通流的控制问题,利用Markos Papageorgiou的高速公路交通流模型对各种气象条件进行分析,使用神经网络建立一种适合各种气象条件的匝道交通流数学模型,有效地控制恶劣气象条件下的高速公路交通事故．利用BP神经网络仿真,分析该模型的收敛速度,并辨识其中的参数,为在恶劣气象条件下控制高速公路的交通流奠定理论基础．     

基于差分进化的BP神经网络预测混沌时间序列

针对BP神经网络预测模型收敛速度慢和容易陷入局部极小值的缺点,将差分进化算法和神经网络结合起来,提出了一种基于差分进化算法的BP神经网络预测混沌时间序列的方法,利用差分进化算法的全局寻优能力对BP神经网络的权值和阈值进行优化,然后训练BP神经网络预测模型求得最优解,将该预测方法用到3个典型的混沌时间序列进行算法的有效性验证,并与BP算法的预测精度进行了比较,仿真结果表明该方法对混沌时间序列预测具有更好的非线性拟合能力和更高的预测准确性。     

基于小波变换和BP神经网络的时序风电功率预测

风电功率具有波动性,不论对于发电厂抑或是电网,准确地预测风电功率具有重要意义。本文研究了小波变换的原理和方法及BP神经网络的原理和算法,并建立了一种结合小波分解和BP神经网络的风电功率预测方法。本文的方法首先对风电出力历史功率数据进行小波分解,在各个分量样本上分别建立BP神经网络后再进行预测。最后,仿真结果验证了本文方法的有效性。     

超声波热量表流量计量中温度补偿算法研究

针对超声波热量表采用时差法测量流量时,因受温度影响而存在的非线性问题,提出了分别基于曲面拟合和BP神经网络的温度补偿算法。两种算法通过建立温度与流量之间的非线性映射关系,达到补偿流量测量的目的。建模与仿真可知, BP神经网络补偿算法表现出更好的数据融合及预测能力。验证实验表明,相对于现有查表修正算法和曲面拟合补偿算法,BP神经网络补偿算法补偿效果更佳,补偿后流量测量误差在±2.2%以内,绝对误差方差最大值为0.68,补偿效果显著,具有较高的工程应用价值。