BP算法在网络性能评估中的应用

本文利用神经网络BP算法建立网络性能评估的数学模型,采用各性能指标作为其输入,网络性能作为输出,基于最小二乘思想,采用梯度搜索技术,以期使网络的实际输出值与期望输出值的误差均方值最小.经实验证明,该数学模型具有较好的辩识精度.     

基于BP的PID算法在磁轴承控制系统中研究

磁悬浮轴承数学模型复杂，常规PID很难达到预期控制效果。本文综合常规PID及BP网络的优点，设计出一种基于BP网络的PID自调整算法控制器。仿真结果表明：使用该算法的PID控制器，可在线获得最优的比例、积分及微分参数值，使整个系统得到最优化配置。     

BP神经网络的研究与应用

人工神经网络作为一门高度综合的交叉学科,在实际应用中绝大部分的神经网络模型是采用BP网络和它的变化形式,它也是前向网络的核心部分,体现了人工神经网络最精华的部分。该文介绍了BP网络的学习过程以及从模式识别角度应用BP神经网络作为分类器进行机械故障诊断。     

嵌入式大气数据传感系统及其BP网络校正算法

介绍了嵌入式大气数据传感系统及其数学模型和校正过程．研究了该系统的BP网络校正算法;提出了以BP网络为基础的迎角、侧滑角和形压系数的校正算法,并对该算法应用MATLAB软件进行了验证;该校正算法采用BP网络,分别以当地迎角、当地侧滑角和马赫数作为BP网络的输入．以真实迎角、真实侧滑角和形压系数作为输出,通过对BP网络进行训练,从而得到系统的校正算法;计算结果表明,该算法在精度、可靠性和实时性等方面可以满足系统的设计要求;在精度上,由于BP网络对非线性函数的无限逼近特性,可以用更少的参数实现同样的数据精度,易于实现。     

MATLAB在人工神经网络中的应用

人工神经网络是在人类对大脑神经网络认识理解的基础上人工构造的能够实现某种功能的神经网络,在人工神经网络的实际应用中,大多数的人工神经网络模型都是采用BP网络或它的变化形式,而MATLAB神经网络工具箱对BP网络的计算,只需选择对应的激活函数,就可以得到网络输出矩阵,所有操作都以矩阵形式进行,程序编写简单,编程效率高。     

两轴数控转台的控制算法研究

研究电力系统的优化控制问题,针对提高系统的品质特性的要求,在两轴数控转台中采用传统的PID控制参数难以整定跟踪性能。将神经网络引入到转台控制PID参数的寻优过程中,设计了基于BP网络的PlD控制算法器,建立了转台控制系统的数学模型,将基于BP网络的PID算法的控制进行仿真。仿真结果表明所设计基于BP网络的PID算法器跟踪精度高、性能稳定、鲁棒性强,证明提高了控制系统的精度和跟踪性能。     

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。     

基于BP小波网络的故障模式识别

提出了一类新的BP小波网络，该网络采用BP学习算法，可实现信号的小波变换、特征提取和模式分类，具有结构清晰、算法简便的特点。将该网络应用于柴油机的活塞-缸套故障模式识别，并与用一般BP网络识别的结果比较，表明该网络对于非平稳时变振动信号具有很好的模式识别能力。     

一种改进的BP算法在实际应用中的研究

该文在应用BP网络诊断电厂制粉系统故障的研究中，采用一种改进的学习算法，即对BP网络权值的优化方法上进行了改进，并经制粉系统故障诊断的仿真试验证明，这种改进的BP算法能有效地解决网络学习时易陷入局部极小值的问题，提高网络的学习速度和诊断精度。     

基于人工神经网络的土壤溶质运移模拟与预测

在土壤质地、土壤容重和含水量一定的情况下．把土壤溶质运移时间和运移距离看作影响土壤溶质运移的主要参数，建立2个输入单元和1个输出单元的三层BP网络．对一维垂直土柱Cd^2 的穿透试验进行了模拟和预测。其预测结果同数值解相比，R^2=0．949，精度基本一致。可见BP网络预测模型反映了溶质穿透过程中，土壤溶质含量与运移时间和距离的动态关系；用BP网络预测土壤溶质含量的时空变化具有可行性，而且不需要建立具体的数学模型；工作量大大减小，不需要测定水动力弥散系数、阻滞系数等，具有很强的实用性。     

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。     

基于AFSA—BP神经网络的基坑变形预测模型研究

为改善BP神经网络收敛速度慢、初始权阈值对计算结果影响较大且易陷入局部最优等缺陷,为提高模型的预测精度和稳定性,使用具有全局优化能力的鱼群算法优化BP神经网络的初始权阈值,依托工程实例,将BP模型及改进的模型用于基坑变形预测中,通过预测值与实测值进行对比,结果表明：AFSA-BP模型的预测精度要高于BP模型,且预测结果稳定、预测速度较快、预测误差可以满足工程的要求,对于下一步施工具有良好的指导作用,所以AFSA-BP模型是一种有效的基坑变形预测模型。     

小波神经网络在滚动轴承故障诊断中的应用

结合小波变换和神经网络的优势给出小波神经网络的结构模型,研究了小波神经网络的学习算法;针对传统算法收敛速度慢等问题,从学习率和引入动量项两个方面对算法进行改进。应用小波网络对滚动轴承的典型故障进行实例诊断。以7216圆锥轴承在实验台上所测取的数据进行网络训练。用振动信号为网络输入向量,给出训练结果。仿真实例表明,采用小波神经网络能够很好地对故障进行分类,其收敛速度明显要快于相同条件BP神经网络,有效地实现了滚动轴承的故障诊断。     

遗传BP神经网络在泥石流危险性评价中的应用

泥石流危险性的评价是地质灾害预测的重要研究课题之一,根据泥石流危险性评价因子,建立了遗传BP神经网络评价模型。模型利用BP神经网络的函数逼近能力,模拟泥石流某些主要评价指标与危险程度之间的非线性函数关系,实现对泥石流危险性的评价。为克服BP神经网络收敛慢、易陷入局部极小、泛化能力差等缺陷,引入遗传算法和对比分析方法优化BP评价网络的权值、阈值和网络结构。实验证明,采用所述方法优化后的BP神经网络的拟合精度、准确度、效率大幅提高,泛化能力也得到增强,该方法可作为解决泥石流危险性评价问题的一种新思路。     

基于BP与RBF神经网络经济预测模型的研究

该文结合经济预测理论和BP神经网络算法和RBF神经网络的特点,研究浙江省基于BP神经网络算法和RBF神经网络算法的人工神经网络的经济增长预测.实证研究数据结果表明,人工神经网络具有较好的预测精度,但是各种神经网络进行经济增长预测的数据不一样,有些误差非常大.人工神经网络可以为宏观经济部门决策提供很好的参考依据.     

BP神经网络在水质参数预测中的应用

本文利用BP神经网络良好的非线性映射特性,建立了水质预测模型,分别建立三种不同训练算法的氨氮预测神经网络,利用MATLAB神经网络工具箱编程实现。选用大量数据,反复加以训练,通过比较,挑选拟合程度好、精度误差小、泛化性能优秀的预测神经网络,并根据测试样本加以检验分析,最终选定L-MBP网络作为氨氮含量神经网络预测方案。     

基于GA-BP神经网络的胎儿体重预测分析

胎儿体重是判断胎儿发育、保障孕产妇安全的重要指标,但是胎儿体重无法直接测得,只能根据孕妇体检数据进行预测.提出了一种基于遗传算法优化BP神经网络（GA-BPNN）的胎儿体重预测模型,首先采用回归模型和特征归一化预处理得到的历史体检数据建立孕妇连续体重变化模型,然后利用遗传算法（Genetic Algorithm,GA）优化BP神经网络的初始权值和阈值,建立胎儿体重预测模型.从我国东部某医院2016年孕产妇中随机抽取3000例样本数据,将本文的模型与基于传统BP神经网络（BPNN）的预测模型进行比较,实验结果表明,本文提出的GA-BPNN胎儿体重预测模型不仅加快了模型的收敛速度,而且将胎儿体重预测精度提高了14%.     

基于云模型和BP神经网络的入侵检测

云模型是进行定性定量转换的有效工具,正态云模型通过期望、熵和超熵构成特定结构发生器,这种特定结构使得正态云模型更具有普遍适用性,更简单、直接地完成了定性与定量之间的相互转换过程.结合 BP 网络局部精确搜索的特性,提出一种基于云模型与 BP 网络的入侵检测方法,将云模型和 BP算法有机结合.通过 KDD99 CUP 数...     

基于Levenberg-Marquardt算法的主机入侵检测系统研究

入侵检测系统是当前信息安全领域的研究热点,在保障信息安全方面起着重要的作用。对BP神经网络优化算法进行对比研究的基础上,利用Lvenberg-Marquardt 算法对传统BP算法进行改进,成功地将LMBP算法运用到基于Windows操作系统的主机入侵检测中去,建立LMBP-HIDS入侵检测系统模型。实验结果表明,运用Levenberg-Marquardt算法优化BP神经网络进行主机入侵检测．可以较好地提高学习速率,缩短训练过程。     

Complex Valued BP NN和Real BP NN 应用于图像复原的比较

该文首先探讨了将ComplexValuedBP神经网络(NeuralNetwork)和RealBP神经网络用于图像复原的优势比较。其次,用图像数据训练网络,再利用训练好的网络实现不同图像的复原。最后,对图像进行像素空间分布的分析来寻找原因。