多层神经网络BP算法的初步研究

目前,在数十种神经网络模型中以BP算法作为学习方式的多层神经网络是使用得最为广泛的一种。该网络是由Rumechere和Mccelland领导的研究小组在1985年实现的,已有效地解决了XOR、T-C匹配等感知器所不能解决的问题。现已广泛应用于语音识别、模式分类、过程监控等领域。尽管多层神经网络的BP算法较有效,但由于它用于高     

多层前向神经网络的快速学习算法及其应用

针对目前多层前向神经网络学习算法存在的不足,提出一种多层前向神经网络的快速学习算法,它不仅符合生物神经网络的基本特征,而且算法简单,学习收敛速度快,具有线性、非线性逼近精度高等特性.以二杆机械手逆运动学建模作为应用实例,仿真结果表明该方法是有效的,其算法与收敛速度更优于BP网络.     

多层前向神经网络的快速学习算法及其应用

针对目前多层前向神经网络学习算法存在的不足，提出一种多层前向神经网络的快速学习算法，它不仅符合生物神经网络的基本特征，而且算法简单，学习收敛速度快，具有线性，非线性逼近精度高等特性，以二杆机构手逆运动学建模作为应用实例，仿真结果表明该方法是有效的，其算法与收敛速度更优于BP网络。     

单层神经网络的高效学习算法研究

本文描述的是目前单层神经网络中的几个高效学习算法，简称为ＧＸＸＸＳＦ，其中ＧＸＸＸＳＦ１和ＧＸＸＸＳＦ２是两个递归最小二乘学习算法，它指出用模拟输出训练单层神经网络。本文对训练单层神经网络又提出一种新的优化方法，它为高效学习算法的发展提供了依据，这种优化方法称为ＧＸＸＸＳＦ３．以ＧＸＸＸＳＦ３为基础，又推出用二进制输出作为训练单层神经网络的第二级学习算法，称为ＧＸＸＸＳＦ４     

多层神经网络BP算法的研究

影响多层神经网络ＢＰ算法学习效率的因素不少。但ＢＰ算法中误差函数不能有效地表征样本学习精度是其中主要的因素之一。本文对ＢＰ算法中的误差函数进行了修正。计算机模拟结果表明这种修正有助于提高学习精度和学习效率。     

基于快速BP学习算法的入侵检测技术研究

本文构建了一个新的入侵检测模型,利用MATLAB神经网络工具箱中提供四种典型的快速改进算法作为BP网络训练的学习函数;实验结果表明,采用最佳网络设计的入侵检测模型能加速网络收敛,降低计算机资源消耗,提高检测率。     

前馈多层神经网络的一种高效加速算法

前馈多层神经网络是应用最广泛的一种人工神经网络,在各门学科领域中都具有很重要的实用价值,其学习能力和容错能力对不确定性模式识别问题的求解具有独到之处。前馈多层神经网络所使用的BP算法虽然简单且易于实现,但收敛速度缓慢。因此基于收敛速度及存储空间的考虑,文中着重探讨了一种较实用的BP网络优化算法－向量序列的ε－加速算法,并对相关的收敛性和稳定性作了理论上的分析和研究。实验结果表明这种方法有很好的效果。     

多层神经网络学习算法的研究

本文对多层神经网络的反向传播算法作了简要的分析和讨论,据此提出了一种新的学习算法用以消除多层网络的“迟钝状态”。实验结果表明,这种新算法能够加速学习收敛速度并避免陷入局部极小。     

一种回归神经网络的快速在线学习算法

针对回归神经网络BP学习算法收敛慢的缺陷,提出了一种新的快速在线递推学习算法.本算法在目标函数中引入了遗忘因子,并借助于非线性系统的最大似然估计原理成功地解决了动态非线性系统回归神经网络模型权系数学习的实时性和快速性问题.仿真结果表明,该算法比传统的回归BP学习算法具有更快的收敛速度.     

多层前向神经网络的新型二阶学习算法

提出了多层前向神经网络的新型二阶递推学习算法。该算法不仅能使用网络各层误差而且使二阶导数信息因子反向传播。证明了新算法等价于Ｎｅｗｔｏｎ迭代法并且有二阶收敛速度。它实现了Ｎｅｗｔｏｎ搜索方向和Ｈｅｓｓｉａｎ阵逆的递推运算,其计算量几乎与普通递推最小二乘法相当。由算法性能分析证明新算法优于Ｋａｒａｙｉａｎｎｉｓ等人的二阶学习算法。     

基于神经网络的数据压缩研究

数据压缩=建立模型 编码,是传统数据压缩的最基本思想。传统的设计思路主要基于减少信息中的冗余着力于编码设计,其压缩比一直在百分之几十左右徘徊,经过传统编码压缩的信息,很难再经类似的方法进一步压缩。为了解决上述的问题可用占用信号空间较少的信息表示占用信号空间较多的信息以实现数据压缩。这就是数据压缩新的设计思路,这样,就突破了传统的只依靠编码减少数据冗余的局限,实现了更高的压缩比。同时,经过这样压缩后的信息可再重复压缩,并有很好的性能。这就是文中所介绍的神经网络与数据压缩结合的基本思想。     

基于感知器模型的布尔函数实现

通过对感知器模型的研究,结合数字电路知识,实现了基本逻辑运算,并通过MATLAB验证了感知器能够实现逻辑运算,并能进行正确分类。     

人工神经网络在多传感器信息融合中的应用研究

本文通过严格控制的试验和对采样数据的细心处理,将人工神经网络运用于油品水分检测的多传感器信息融合中。BP网络和RBF网络被公认为比较擅长函数逼近处理,大量的试验数据表明,这两种网络确实能够改善信息融合的性能。最后,作者指出,神经网络训练是否成功,除了神经网络的结构设计之外,数据的预处理也同样是十分重要的,适当的信号噪音能够提高网络的精度和适应能力。在进行实际测量时,数据的有效性、完整性等将影响网络的最终结果。因此对于采样数据的预处理以及训练集的选择将影响到人工神经网络的鲁棒性和普适性。     

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。     

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。     

癌细胞显微图像分割与识别研究

文章采用竞争Hopfield神经网络的自动聚类分割方法从腹水脱落细胞显微图像中分割可疑细胞和可疑细胞核,提取癌细胞的15个形态特征,利用柔性BP神经网络分类器对腹水脱落癌细胞进行分类识别。通过对临床病例的检验分析,表明该方法能获得较高的诊断正确率。     

模拟退火算法改进的BP神经网络PID控制器在变风量空调系统中的应用研究

以变风量空调系统的温度控制作为研究对象,在现有研究的基础上,提出了模拟退火算法改进的神经网络PID控制方法。应用神经网络进行PID参数在线整定,模拟退火算法提高神经网络的学习速率和收敛性,结合三者各自的优势以提高变风量空调系统的控制性能。     

基于免疫神经网络的陀螺仪漂移预测

BP神经网络可用于预测陀螺飘移误差，但容易陷入局部极值，训练速度很慢。针对上述缺点，该文提出了一种基于免疫算法的神经网络，以样本输出为抗原、神经网络权值矩阵为抗体，通过克隆、变异、抑制等步骤找到最优抗体，将最优抗体用于陀螺仪漂移预测。仿真试验显示，免疫训练算法能有效优化网络权值，基于该模型的漂移预测精度较高。     

基于BP网络的GDP预测数据预处理方法研究

数据预处理是决定建模成功与否的关键步骤之一,而同一个模型用不同的预处理方法所得到的结果也会不一样。文章基于BP神经网络的GDP预测模型,探讨了已有的6种预处理方法,在这些方法之上又新增了2种不同的方法,最后用这些不同方法在MATLAB下实现,将所得结果作比较与分析,文章提出的减比法是一种既简单准确度又高的方法。     

BP网络的PID型二阶快速学习算法

本文利用PID控制的思想,提出了BP网络的一种二阶快速学习算法,给出了学习因子选择的必要条件与较佳区域,并结合一非线性正弦函数进行了仿真研究.结果表明,较之标标准BP学习算法,利用此法可使学习收敛速度提高22倍左右.