醇解度预测的神经网络模型研究

针对聚乙烯醇生产过程的醇解度预测问题,建立神经网络模型;对醇解度的影响因素进行了研究,讨论了输入层、输出层、隐含层等神经元的设置及网络训练的参数,比较了梯度下降BP算法、动量-自适应学习速率调整算法、Levenberg-Marquardt BP算法三种不同的训练算法在本问题上的优劣,并与RBF网络相比较,综合考虑训练时间、训练精度、泛化能力等条件,动量一自适应学习速率调整算法是最适合醇解度预测的,并基于动量-自适应学习速率调整算法建立了神经网络模型;将模型应用于醇解度预测系统,系统实际运行情况表明,利用神经网络模型预测醇解度是可行有效的.     

BP神经网络的联合优化算法

针对BP神经网络存在收敛速度慢、易陷入局部极小等缺陷,提出了一种自适应调节学习率和动态调整S型激励函数相结合的改进BP算法。该算法将学习率与误差函数相关联,再对每个隐单元和输出单元的激励函数的斜率进行自动调整。通过实例仿真,将改进算法与标准BP算法、加动量项法和自适应学习率法进行比较,来验证所提出方法的有效性。实验结果表明,联合优化的BP算法能有效加快网络的收敛过程,并具有较强的泛化能力。     

综合改进BP神经网络算法在股价预测中的应用

BP神经网络用于股市等非线性系统的预测具有非常强大的能力。针对标准BP神经网络算法存在收敛速度慢和易陷入局部极小点问题,提出附加动量法和动态调整学习率法相结合的综合改进BP算法。建立了基于改进算法的股票价格预测系统模型,并对青岛海尔股票价格进行了预测。仿真结果表明,相对于标准BP算法,综合改进的BP算法能明显加快网络的收敛时间,用于股价短期预测是有效可行的,并且能够达到较高的准确性,具有一定的实际应用价值。     

一种基于神经网络的入侵检测技术

应用神经网络技术不仅能识别已知的网络人侵行为,而且也能识别许多未知的网络入侵的变种.BP神经网络是一种成功的神经网络技术,然而,标准BP算法学习速率固定,不能根据实际情况动态改变学习速率.为了自适应当前网络学习的状况,提高网络的收敛速度,提出了一种基于综合增加动量项与自适应调节学习速率相结合的改进BP算法,可以满足入侵检测分类识别的需求.选用Kddcup 1999 Data网络连接数据集进行特征提取和预处理之后,送人神经网络进行训练和测试,得到较高的检测率和较低的误报率.实验表明,基于改进的BP神经网络的入侵检测方法是有效的.     

径向基函数递推最小二乘算法优化学习的研究

对于广泛使用的三层感知机BP神经网络存在收敛速度慢,预测精度不高的问题,提出了基于径向基函数(RBF)递推最小二乘算法调整网络连接权值以及通过自适应学习的方法优化径向基函数形状参数的协作式自适应算法,并采用该算法进行了RBF神经网络的训练和仿真实验.结果表明:所提出的算法较BP算法以及固定a值的RBF算法有较快的收敛速度;最后,将训练后的神经网络应用于煤矿瓦斯涌出量的预测中,结果大大提高了预测的精度.因此,该算法具有很高的应用价值.     

蚁群神经网络在短期负荷预测的应用

为了进一步提高BP神经网络的性能,实现准确、快速预测电力系统负荷的目的,将蚁群算法(ACA)作为BP神经网络的学习算法,建立了一种新的蚁群神经网络(AcAN)预测模型.对某电力系统短期负荷预测的计算实例表明,基于蚁群神经网络的负荷预测方法与传统的BP神经网络预测方法相比,具有较强的自适应能力和较好的效果.     

一种基于神经网络的入侵检测系统研究

提出在入侵检测系统模型设计中引入神经网络技术,建立了一个基于神经网络的入侵检测系统模型。针对传统BP算法存在的一些固有缺点,提出增加动量项与自适应调节学习速率相结合的改进算法,一定程度上克服了BP神经网络存在的问题。实验结果表明,基于改进的BP神经网络的入侵检测方法具有良好的检测性能。     

一种改进的BP神经网络红外目标识别方法

红外目标的识别是红外跟踪、制导系统和预警系统等的一项核心技术。在红外目标模式识别系统中,对目标的识别效果直接影响到后续的跟踪、定位等过程。基于红外图像的特性分析,采用了一种人工神经网络算法对其进行目标识别,针对传统BP神经网络算法的一些缺陷,增加一个放大因子并自适应的调整学习速率来提高算法训练速度。基于这种改进后的BP算法,对三种军事目标（飞机、轮船、坦克）进行识别,证明算法的有效性。     

基于改进BP神经网络的煤与瓦斯突出预测系统

针对传统BP神经网络收敛速度慢、易陷入局部极小等问题,采用Matlab神经网络工具箱中的自适应学习率VLBP算法和基于数值优化技术的LMBP算法对传统BP神经网络算法进行改进,并设计了基于改进BP神经网络的煤与瓦斯突出预测系统;分别采用传统BP神经网络模型和改进的BP神经网络模型进行煤与瓦斯突出预测实验,结果表明改进的BP神经网络能够更快、更准确地预测煤与瓦斯突出。     

基于自适应花授粉算法的BP神经网络结构优化

传统的BP神经网络通过梯度下降法来调整网络的权值和阈值,使网络存在易陷入局部最优且收敛速度慢等缺陷,在很大程度上限制了BP神经网络的应用。针对BP网络存在的不足,提出利用自适应花授粉算法来优化BP网络的权值和阈值。对花授粉算法（FPA）中的转换概率做自适应调整,并引入自适应的变异因子,提出了自适应的花授粉算法（SFPA）;通过两种不同的结合方式将SFPA与BP神经网络进行融合,从而提出了SFPA1-BP神经网络和SFPA2-BP神经网络;通过函数逼近实验和数据集分类实验对新网络的性能进行验证。结果表明,SFPA1-BP和SFPA2-BP在函数逼近和分类方面都优于标准BP网络,且SFPA1-BP具有更高的泛化能力及学习能力。     

改进BP3参数对网络识别能力影响的研究

分别从BP网络的学习步长,学习速率自适应调整算法的参数,动量法和自适应学习速率结合起来算法的参数3方面讨论了改进BP参数对网络识别能力的影响;在确定BP网络的隐含层节点个数的过程中提出了BP神经网络自适应学习算法,使得隐层节点的选取动态实现。仿真实验表明,该改进是可行的。     

自适应差分进化算法优化BP神经网络的时间序列预测

针对BP神经网络学习算法随机初始化连接权值和阈值易使模型陷入局部极小点的缺点,设计了一种自适应差分进化算法优化BP神经网络的混合算法。该混合算法中,差分进化算法采用自适应变异和交叉因子优化BP神经网络的初始权值和阈值,再用预寻优得到的初始权值和阈值训练BP神经网络得到最优的权值和阈值。首先对改进的自适应差分进化算法运用测试函数进行性能测试,然后用一个经典时间序列问题对提出的混合算法进行了检验,并与一般的神经网络、ARIMA预测模型及其它混合预测模型进行了对比,实验结果表明,本文提出的混合算法有效并且明显提高了预测精度。     

基于改进BP神经网络的预测系统开发

阐述了预测系统的基本功能、原理实现和系统结构。对BP神经网络的结构和训练算法进行了研究,在分析了传统BP算法的缺陷后,提出了一种基于附加动量与自适应学习率相结合的改进算法。根据改进BP算法采用MATLAB编写了具有预测功能的循环函数程序。最后,利用VB.net、MATLAB以及Access数据库的混合编程技术开发了这套预测系统,并将该系统应用于高血压预测实例。     

自适应动量项BP神经网络盲均衡算法

为了消除数字信号在传输过程中产生的码间串扰,使得接收端能够正确解调,对信道畸变进行有效补偿,在基于动量项BP神经网络盲均衡算法的基础上,提出一种能够自适应调节BP神经网络动量项的盲均衡算法.该算法根据盲均衡过程中误差函数的变化情况,自适应调节BP神经网络的动量项,充分发挥动量项在避免网络训练陷于较浅的局部极小点的优势.仿真实验结果表明,该算法在稳定性及收敛性能上均优于固定动量BP神经网络盲均衡算法.     

一种用于特征层融合识别的回弹全局自适应动量BP算法

针对特征层融合识别中全局自适应BP算法存在的收敛速度慢、学习不稳定等问题,基于对动量BP算法的详细分析,提出了一种新的全局自适应BP算法——回弹全局自适应动量BP算法(RGMOBP),该算法具有在误差增大时进行权值回弹并减小学习步长以保证权值的调节功能、使误差减小的特点。仿真结果表明:RGMOBP在学习性能上优于其它已有经典全局算法,是一种简单有效的神经网络特征层融合识别算法。     

特征提取与两种BP算法在入侵检测中的对比

针对海量的等保测评数据,如何从这些数据中选取适量的数据进行入侵行为分析,提出了根据预测变量对预测目标变量的重要性的特征提取方法。该方法采用importance指数来对预测变量进行等级划分。并选取了一些预处理后的数据运用了两种BP算法--标准BP算法和学习速率自适应调整算法进行了系统仿真预测。通过KDDCup99数据集测试表明,后者相对于前者,其学习训练次数大大降低,学习能力和预测准确率明显提高。     

特征提取与两种BP算法在入侵检测中的对比

针对海量的等保测评数据,如何从这些数据中选取适量的数据进行入侵行为分析,提出了根据预测变量对预测目标变量的重要性的特征提取方法。该方法采用importance指数来对预测变量进行等级划分。并选取了一些预处理后的数据运用了两种BP算法——标准BP算法和学习速率自适应调整算法进行了系统仿真预测。通过KDDCup99数据集测试表明,后者相对于前者,其学习训练次数大大降低,学习能力和预测准确率明显提高。     

基于改进的QPSO训练BP网络的网络流量预测*

为了提高网络流量预测的精度,采用一种改进的QPSO算法训练BP神经网络对网络流量数据的时间序列进行建模预测。针对标准的QPSO算法不可避免地出现早熟的不足,提出一种新的基于参数自适应的QPSO算法,较好地避免了粒子群的早熟,提高了算法的全局收敛性能。仿真实验结果表明,与PSO训练的BP网络、QPSO训练的BP网络作为预测模型相比,该模型具有更高的预测精度及很好的稳定性。     

BP神经网络在输油管道泄漏定位中的应用

为了更好地对输油管道泄漏进行定位,对标准BP神经网络算法进行改进,使用增加动量项和学习速率自适应调整算法加速了收敛速度及避免了陷入局部极小值,选用改进后的BF神经网络对输油管道工况进行模式识别,确保了管道安全可靠地运行。     

基于粒子群与BP混合算法的神经网络学习方法

针对标准BP算法收敛速度慢及易陷入局部极值等问题,提出一种基于粒子群优化与BP混合算法的神经网络学习方法。该方法在网络的训练过程中,同时利用粒子群算法与BP算法进行最优网络权值的搜索,从而既充分利用了粒子群算法的全局搜索性又较好地保持了BP算法本身的反向传播特点。将该混合学习算法应用于复杂函数的拟合仿真,并与标准BP算法以及传统的粒子群优化BP神经网络学习算法进行比较。实验结果表明所提的混合学习算法具有较高的收敛精度,且收敛速度更快。