基于降维BP神经网络的高维数据分类研究

为确保高维数据的神经网络分类精度,提出了先降维后分类的方法。采用主成分分析（PCA）法实现高维数据的降维。通过分析传统BP算法,提出分两步来更新网络权值的扰动BP学习方法。采用MATLAB对降维分类算法的分类精度和误差收敛速度进行分析。仿真结果显示：先降维再采用扰动BP网络进行高维数据分类可大大提高数据的分类精度和训练速度。     

基于改进遗传算法的神经网络手写体数字识别

BP网络作为人工神经网络的重要分支,已经广泛应用于手写数字识别。然而BP神经网络存在训练时间长、易陷入局部最小的问题。为了克服这些问题,提出了一种改进的遗传算法,并用该算法来优化神经网络的权值和阈值。最后,利用基于该算法的神经网络对大量USPS手写数字样本集进行训练。实验结果表明,该算法比单纯的BP算法具有更快的识别速率。     

基于LDA降维和BP神经网络的手写数字识别

手写数字数据集是机器学习分类领域的优质数据集,文章以反向传播（Back Propagation,BP）神经网络为基础,对手写数字进行分类识别。为减少BP神经网络的计算开支,实验前,对比了过滤卡方检验法、主成分分析（Principal Component Analysis,PCA）降维、线性判别式分析（Linear Discriminant Analysis,LDA）降维以及多维尺度变换（Multidimensional Scaling,MDS）降维对特征选取的训练测试效果,从而确定了神经网络拟合之前的最优特征提取方法。实验中,利用Bagging对BP神经网络进行集成处理,分类识别了手写数字。实验后,将文中方法与朴素贝叶斯、决策树、随机森林、LDA多分类进行对比。结果表明,采取LDA降维方法时,降到9维的特征提取方式最优,单个BP神经网络对手写数字数据识别的准确率为92%左右,而基于Bagging集成的BP神经网络在识别准确率方面高达95%。     

基于模糊模式的手写数字识别

手写体数字识别是一个难度很大,但却具有广阔应用前景的研究课题.文章提出了一种基于模糊模式识别和BP神经网络技术对手写数字进行识别的算法:首先应用BP神经网络技术对手写数字样本进行学习,然后结合模糊模式识别方法进行手写数字识别.实验表明,该方法的正确识别率达95%以上.     

MPSO算法优化BP网络的数字调制识别方法

数字调制信号的识别方法有很多,其识别效果不尽相同。为了提高数字调制信号在不同信噪比（Signal-to-Noise Ratio,SNR）下的识别性能,提出了一种基于改进粒子群（Modified Particle Swarm Optimization,MPSO）算法优化BP网络的识别方法。针对七种常见的数字调制信号,提取了六个瞬时特征参数,其中[Rσa]参数是改进得到的,同理类推得到[Rσp]。为了在保持基本粒子群（Particle Swarm Optimization,PSO）算法优点的基础上进一步提高算法的性能,增加了对粒子邻域信息的参考,再用MPSO算法优化BP网络的权值和阈值。从仿真实验可以看出,应用此方法,七种信号的识别率都可以达到86％以上,从而证明了该方法能有效地提高数字调制信号的识别性能。     

卷积神经网络数字识别系统的FPGA实现

数字识别所依靠的经典网络模型主要为BP神经网络和卷积神经网络。相比较，卷积神经网络的识别效果更好，更适合处理图像识别问题。目前，卷积神经网络多为软件实现，而硬件有着并行性与速度快的优点。因此，意图以硬件描述语言（Verilog）实现卷积神经网络，在保证在高识别率的情况下，充分挖掘硬件实现的优点。通过研究网络的工作原理及结构，构造完整电路模型，给出了现场可编程门阵列（Field-Programmable Gate Array，FPGA）的实现方案。卷积神经网络通过反向传播训练MNIST数据库中60?000幅数字样本图片，提取准确率最高的权重与偏置，再进行网络的前向传播，完成数字识别。完整过程借助ModelSim和Quartus II仿真工具实现。仿真结果表明，全部样本在100?MHz时钟下训练耗时50?ms，相较软件实现而言，速度明显提高，满足硬件设计的实时性，且准确率较高，可达95.4%。该研究为应用于嵌入式设备的图像识别提供了方法和策略，具有实际应用价值。     

基于BP神经网络的数字识别探究

论述使用BP神经网络模型来实现数字识别的过程,通过梯度下降法来调整各神经网络层之间的权重值与偏置值.介绍了人工神经网络、神经元模型、激活函数等相关基本概念,并详细叙述了BP算法的实现原理,以Python语言展示训练效果,大量数据作为训练集和测试集,以此来测试该模型所识别数字的精确度.实验结果表明,所设置BP神经网络的数字识别模型平均识别率约为92％,可认为其具有实际应用价值,同时论证了该技术在实际操作中的可行性.     

多神经网络在高维数据分类中的应用研究

针对BP神经网络在高维数据分类中存在训练时间长的缺点,提出一种新的多神经网络分类模型,该模型采用自组织特征映射(SOFM)网络对训练样本集进行无监督聚类,通过优化竞争层神经元权值,并以此训练BP神经网络实现数据分类.最后对自由手写数字样本进行识别,仿真实验表明,这一模型具有较强的分类能力和泛化能力.     

深度学习技术在遥感图像识别中的应用研究

随着互联网大数据及云计算技术的发展,依托于不同网络算法的神经学习模型不断出现.其中基于神经网络的深度学习算法,通过多个输入、输出层级的逐步迭代学习,设置图像频率阈值,可以实现对截取图像切片、隐含层处理训练,以及不同标签数据信号的多层BP计算和偏置调节.依托有监督卷积神经网络,利用计算机图像处理单元、校正线性单元和迭代训练算法,对区域空间内的遥感图像进行预处理、影像分类、识别处理,以获得更高分辨率的光谱图像.     

基于PSO-BP算法的规范手写体数字离线识别

针对BP算法存在的易陷入局部极小点、收敛速度慢、所设计的网络泛化能力不能保证等问题,提出了一种基于粒子群优化算法（PSO）的BP（PSO—BP）网络的权值调整新方法。该算法在基本BP算法的误差反传调整权值的基础上,再引入PSO算法的权值修正,从而建立了基于PSO—BP网络模型。基于此模型设计了规范手写体数字识别的分类器,采用随机手写数字样本进行了仿真实验,结果表明：PSO-BP算法提高了网络的稳定性,避免了BP算法容易进入平坦区、陷入局部极小等问题。     

一种估算锂电池SOC的新型方法

SOC（荷电状态）的预测和估算是锂电池管理系统中的一个重要部分。根据GAAA算法充分利用了遗传算法和蚁群算法各自的优势,提出一种GAAA算法优化BP神经网络的SOC估算方法。使用MATLAB进行编程,将锂电池的实时工作电流、电压、温度、健康度、安时积分值作为输入,实现对SOC的估算。实验结果表明,该算法在估算精确度和运算速度上都优于传统的BP神经网络和基于遗传算法的BP神经网络。     

改进的BP神经网络算法在航迹匹配中的应用

利用迭代最近等值点(ICCP)算法对重力图上的航迹进行匹配可以减小惯性导航系统误差,但计算量大。针对上述问题,通过修改激励函数并增加假饱和预防函数,提出一种改进的反向传播神经网络学习算法。仿真结果表明,该算法可以加快搜索最近等值点的速度,更好地满足重力辅助导航对匹配精度及匹配速度的要求。     

免疫人工鱼群神经网络的经济预测模型

针对BP神经网络在经济预测存在的问题,提出了一种新的经济预测模型──免疫人工鱼群神经网络（IAFSA-NN）。通过免疫人工鱼群算法（IAFSA）训练神经网络,能显著提高网络的学习精度、收敛速度、泛化能力、还能在一定程度上克服BP神经网络的缺陷。以广东省湛江市的经济数据进行建模,给出了IAFSA训练神经网络的基本原理和步骤,构建了一个免疫人工鱼群神经网络的GDP预测模型,并运用MATLAB7.0进行仿真。实证表明,该模型预测结果优于BP网络预测方法,更接近实际数据,IAFSA神经网络用于经济预测是有效可行的。     

改进PSO优化BP神经网络的混沌时间序列预测

为提高BP神经网络预测模型的预测准确性,提出了一种基于改进粒子群算法优化BP神经网络的混沌时间序列预测方法。引入自适应变异算子对陷入局部最优的粒子进行变异,改进了粒子群算法的寻优性能; 利用改进粒子群算法优化BP神经网络的权值和阈值,训练BP神经网络预测模型求得最优解。将该预测方法应用到几个典型的非线性系统的混沌时间序列进行有效性验证,结果表明了该方法对典型混沌时间序列具有更好的非线性拟合能力和更高的预测准确性。     

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。     

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。     

分布式环境下卷积神经网络并行策略研究

卷积神经网络通常使用标准误差逆传播算法进行串行训练,随着数据规模的增长,单机串行训练存在耗时长且占有较多的系统资源的问题。为有效实现海量数据的卷积神经网络训练,提出一种基于MapReduce框架的BP神经网络并行化训练模型。该模型结合了标准误差逆传播算法和累积误差逆传播算法,将大数据集分割成若干个子集,在损失少量准确率的条件下进行并行化处理,并扩展MNIST数据集进行图像识别测试。实验结果表明,该算法对数据规模有较好的适应性,能够提高卷积神经网络的训练效率。     

PSO粒子群算法在神经网络泛化能力中研究

利用PSO粒子群算法对神经网络的权值和阈值,隐藏层中神经元的传递函数系数进行优化。针对网络训练效果好,而泛化能力很差的情况,将训练样本均方差和权值的平方和结合作为PSO算法的目标函数。实验表明,该方法比惯性权值PSO-BP算法和基本梯度下降法好,不但稳定性好,而且预测精度高,泛化能力得到明显加强。