基于PSO—BP神经网络的图像压缩算法

本文阐述了使用BP神经网络压缩图像的方法和粒子群算法（PSO）的原理。为提高BP算法的训练速度和图像重建质量．本文设计了一种利用PSO—BP网络进行图像压缩的算法，该算法结合了PSO算法和BP算法的优点，将BP网络的训练过程分为两个阶段。实验表明，利用该算法压缩图像，不仅速度较快，而且重建后的图像质量有明显提高。     

基于PSO和BP复合算法的模糊神经网络控制器

为了克服单独应用粒子群算法（PSO）或BP算法训练模糊神经网络控制器参数时存在的缺陷,提出了一种训练模糊神经网络参数的PSO＋BP算法。该算法将二者相结合,即在PSO算法中加入一个BP算子,以充分利用PSO算法的全局寻优能力和BP算法的局部搜索能力,从而更有效地提高其收敛速度、训练效率和提高该模糊神经网络控制器的控制效果。最后的仿真实验结果验证了该基于PSO＋BP复合算法的模糊神经网络控制器的有效性和可行性。     

遗传神经网络在语音识别中的应用研究

针对语音识别的特点,对BP神经网络在语音识别技术中的应用进行了探索性研究,进而结合人工智能领域较为有效的方法——遗传（GA）算法,针对传统BP算法识别准确率高但训练速度慢的缺点,对BP网络进行改进,构建了一种基于遗传神经网络的语音识别算法（GABP）,并建立相应的语音识别系统。仿真实验表明,该算法有效地缩短了识别时间,提高了网络训练速度和语音的识别率。     

基于改进的模拟退火人工神经网络的薄互储层参数预测

分析了模拟退火算法（SA）与人工神经网络BP算法（简称BP网）各自的不足，设计了 一种优化网络算法，将模拟退火和Powell算法有机组合，代替BP网中的梯度下降法，来训练 网络权值，使网络具有较快的收敛速度和较高的逼近精度．综合多种地震信息进行薄互储层 参数（砂岩厚度、孔隙度等）的横向预测是当今世界石油勘探中的重要课题，薄互层沉积具 有储层厚度薄且横向变化剧烈的特点，传统的BP网络进行的参数预测达不到所需的精度和速 度要求．本文提出的优化网络算法较好地解决了薄互储层参数预测的精度和收敛速度问题， 并通过实例验证了此方法的正确性和实用性．     

改进GA-BPNN在短期电力负荷预测中的应用

为了避免传统方法预测短期电力负荷建模复杂性,将改进遗传算法（GA）和误差反向传播（BP）算法相结合构成的混合算法用于训练人工神经网络,结合电力负荷历史数据,对短期电力负荷进行仿真预测。仿真结果表明,该混合算法有效地解决了常规BP算法学习网络权值收敛速度慢、易陷入局部极小和GA算法独立训练神经网络速度缓慢等问题,具有较快的收敛速度和较高的预测精度。     

人工神经网络BP算法的改进及其在无损检测中的应用

采用多层感知器（MLP）与误差反向传播算法（er-ror back-propagation algorithm)构造与监督训练人工祖辈 经网络,采用了改进的非线性激励函数与学习率的误差反向传播算法,超声无损检测的计算机模拟与实验结果表明,改进的BP算法收敛速度较之BP算法明显加快。     

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。     

BP算法在网上考试系统中的应用

本文采用误差反向传播训练算法（Back Propagation,简称BP算法）对考试系统中考生答卷的情况进行定量分析,并通过实验证实分析结果的有效性。     

免疫粒子群算法在神经网络训练中的应用

神经网络能够用来检测结构损伤,但是其训练方法容易陷入局部最优。粒子群算法具有全局搜索能力,将免疫系统中的抗体抑制机理引入粒子群算法以保持粒子多样性,采用免疫粒子群算法（ImPso）训练前向神经网络。计算机仿真结果显示,训练后的网络性能优于使用一般BP算法训练的网络。     

基于粒子群优化的BP神经网络图像复原方法

针对BP神经网络易陷入局部最小、收敛速度慢的问题,研究了基于粒子群优化的学习算法,给出了具体的算法方案设计,并将其应用于图像复原。首先用高斯噪声对无噪图像进行模糊处理;然后将结果和原图像组成训练对,用于训练优化后的神经网络;最后利用训练好的神经网络对测试图像进行复原,从而达到去除噪声的目的。仿真结果表明,与BP神经网络相比,PSO-BP算法收敛速度快,迭代次数少,复原的图像在归一化均方误差（NMSE）和峰值信噪比（PSNR）的效果更好。     

GA—BP网络在木材干燥过程建模中的应用

木材干燥是一个复杂的非线性系统，由于木材结构复杂且具有多样性和变异性，很难建立一个理想的符合木材干燥过程的数学模型。利用遗传算法的全局寻优能力优化BP神经网络连接权值系数，分别用BP和GA—BP两种算法建立了木材干燥基准模型。对比结果表明：GA—BP算法建立木材干燥基准模型提高了期望误差精度和收敛速度，避免了BP算法陷入局部极小值．预测平均误差为1．0413％，具有较好的预测精度。     

GA-BP网络在木材干燥过程建模中的应用

木材干燥是一个复杂的非线性系统,由于木材结构复杂且具有多样性和变异性,很难建立一个理想的符合木材干燥过程的数学模型。利用遗传算法的全局寻优能力优化BP神经网络连接权值系数,分别用BP和GA-BP两种算法建立了木材干燥基准模型。对比结果表明:GA-BP算法建立木材干燥基准模型提高了期望误差精度和收敛速度,避免了BP算法陷入局部极小值,预测平均误差为1.0413%,具有较好的预测精度。     

模糊优选BP神经网络及其应用

本文采用模糊优选算法(BP)算法来训练前馈人工神经网络(BPN),用BP算法进行精确训练,使网络收敛速度加快和避免局部极小。     

BP算法在数据挖掘中应用研究

探讨了数据挖掘数据技术的准备工作,由于神经网络方法的特殊性,数据准备更显得尤为重要.对标准的BP算法进行了研究,针对现有人工神经网络中BP算法效率较低、容易陷入局部极小等存在的问题,提出了一种改进的BP算法,并针对这种算法进行了"与"和"异或"问题中的分析测试.测试结果表明了改进的BP算法缩短了学习时间,提高了学习效率,并在一定程度上避免了学习中的局部极小问题.     

基于MBP算法的PID控制器设计

针对一般BP算法存在的不足,提出一种改进的BP算法,并将其应用于PID控制器的参数设计中,并且克服了常规的PID控制器参数整定的费时性,用MBP算法的PID控制器代替常规的PID调解器。介绍了MBP算法和基于MBP算法的PID控制器的控制结构。通过仿真可以看到这种控制器的控制效果很好。还改善了系统的稳定性。     

一种改进的BP算法及其在车牌识别中的应用

在车牌识别系统中,如何提高字符识别的速度和准确率是很关键的问题。传统的BP算法可以实现非线性函数的映射,经过有监督式的学习规则可以达到比较好的识别效果。但是BP算法识别速度慢,而且容易陷入局部最优。本文借助增量PID算法的思想,提出了一种改进的BP神经网络算法,可以根据识别误差自动调整学习速率,而且不容易陷入局部最优。文章最后给出了仿真结果和程序实现。     

在Delphi6中实现BP算法的几点思考

本文主要叙述了在Delphi6中使用BP算法实现函数拟合时对遇到的问题的一些解决办法,并提出了优化改进BP算法的几点经验,同时就实现过程中得到的一些启示提出了对学习研究工作中几点思考.     

RoboCup仿真组的传球策略

为了提高传球的准确性和队员之间的配合,将一种新的传球策略引入机器人足球传球中。介绍了BP算法自身的特点,并把BP算法应用在传球中。进一步,利用BP算法的思想,从解析几何的角度对决策过程进行修改和改进。最终表明这种传球策略提高了传球效率。以后的工作重点是加大传球提前量,提高进攻节奏。     

基于LMBP算法的罐底腐蚀声发射信号模式识别

在建立储罐罐底腐蚀实验平台的基础上,研究了一种基于LM(Levenberg-Marquardt)BP算法的罐底腐蚀信号模式识别方法;选取上升时间、计数、能量、持续时间、幅度这5个声发射信号特征参数作为BP神经网络的输入构建区分腐蚀信号和其他两类声发射信号的模式识别系统;由传统的BP算法与LMBP算法的对比分析比较得到:LMBP算法解决了传统BP算法收敛速度慢,容易陷入局部极小点的问题;实验结果表明,LMBP算法应用于储罐罐底声发射腐蚀信号的模式识别,效果良好。     

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.