基于预报误差法的神经网络辩识

针对传统系统辨识存在的缺点,提出了基于预报误差法的神经网络辨识方法,将神经网络的预报误差法应用于系统辨识中,通过调节神经网络连接权值可使网络输出逼近系统输出。神经网络作为实际系统的辨识模型,可以用于在线控制。仿真实例表明其收敛速度快于BP算法。     

基于BP神经网络的自适应伪最近邻分类

在伪最近邻(PNN)分类算法中,待分类样本点与每一类样本集中各个近邻的距离加权系数都是主观确定的,这就使得算法得不到最优距离加权值。针对这一问题,该文提出一种基于BP神经网络的自适应伪最近邻分类算法。首先通过计算待分类样本点与每一类样本集中各个近邻的距离值,并将其作为BP神经网络的输入。然后根据BP神经网络输入与输出之间的映射来自适应确定相应的距离加权值。最后由BP神经网络的输出值判别样本类别号。实验结果表明,该算法能够自适应地调节距离加权系数,同时还能有效地改善分类准确率。     

基于遗传算法的神经网络集成在人耳识别中的应用

BP神经网络算法存在收敛速度慢和网络泛化能力差的缺点,影响分类识别率。为了提高网络的分类识别能力和泛化能力,在此介绍一种基于遗传算法的神经网络集成方法,即训练出多个个体BP神经网络,利用遗传算法选择差异度较大的个体BP网络进行神经网络集成,再利用该神经网络集成进行分类识别。实验结果表明,神经网络集成可以提高识别率。     

基于BP神经网络的GSM-R抗同频干扰方法研究

在GSM-R通信网络中,同频干扰是影响通信质量的一个因素。由于被训练的BP神经网络可以不断校正误差,使输出误差不断减小。为解决GSM-R同频干扰问题,提出了用BP神经网络及其算法对GSM-R通信信号进行校正,通过构建GSM-R通信系统和BP神经网络系统的模型,阐述了GSM-R通信系统抗同频干扰的原理,并对GSM-R进行了数据采集和仿真。     

BP算法的改进在Matlab的实现研究

利用Matlab中的神经网络工具箱提供的丰富网络学习和训练函数,对BP网络和BP算法的优化方素进行仿真．得到较优的BP算法。     

启发式改进BPNN在模式分类领域内的对比研究

采用附加动量BP算法、自适应最速下降BP算法、自适应动量BP算法、弹性BP算法4种启发式改进方法分别对标准BP算法进行改进,并构建了相应的BP神经网络分类模型,将构建的4种分类模型应用于二维向量模式的分类,并进行了泛化能力测试,将4种BP网络分类模型的分类结果进行对比。仿真结果表明,对于中小规模的网络而言,弹性BP算法改进的BP网络的分类结果最为精确,收敛速度最快,分类性能最优;附加动量BP算法改进的BP网络的分类结果误差最大,收敛速度最慢,分类性能最差;自适应学习速率BP算法改进的BP网络的分类结果的误差值、收敛速度及分类性能介于上述两种算法之间。     

利用改进的BP算法实现神经网络辨识仿真

系统辨识是控制系统设计的基础。基于多层前馈神经网络结构,采用一种改进的BP算法,利用二阶梯度变尺度模型,完成了神经网络非线性系统辨识。与传统的辨识方法比较,神经网络应用于非线性系统辨识具有泛化功能和很好的容错能力,是一种不依赖模型的自适应函数估计器。采用一种改进的BP算法有效地改善了系统收敛速度慢的问题,BP模型已成为神经网络的重要模型之一,从而为控制系统正确设计奠定理论基础。     

PM2.5测量系统中改进神经网络控制算法优化补偿

针对现阶段PM2.5测量系统的测量精度较低的问题,提出了改进的BP神经网络PID控制算法对其进行优化补偿。通过对粒子群优化算法的速度公式进行了改进,采用优化的粒子群算法优化了BP神经网络,将其用于PID的在线参数调节,以PM2.5测量系统作为研究对象,将改进的BP神经网络PID控制算法与传统PID分别作了仿真研究。研究结果表明,基于改进的粒子群优化算法改进的BP神经网络PID控制算法与传统的PID控制相比,提高了测量精度,在一定程度上减少了误差。     

有源电力滤波器新型神经网络控制方法

基于神经网络理论和瞬时无功功率理论，提出了一种新型有源电力滤波器控制方法，消除了电源电流在负载电流发生突变处产生的锯齿抖动。这种方法实时检测负载电流的二阶导数，判断负载电流是否发生突变。发生突变则采用基于神经网络理论的程序模块进行补偿电流控制。神经网络模块采用离线训练方法，应用误差反向传播(BP)算法，选择前向三层人工神经网络的模型得以实现。这种方法可以应用在单相、三相电力系统的滤波电路中。仿真结果证明了这种算法的有效性。     

基于并行BP神经网络的近红外光断层图像重建方法基础研究

提出一种基于并行BP神经网络的近红外光断层成像(Near-infrared optical tomography,NIR OT)图像重建算法,利用BP神经网络来表征生物组织内部光学参数的空间分布和边界光强之间的非线性映射关系.该方法将一个复杂的模型分解成简单的模型分别建立并行的神经网络.利用Femlab软件完成基于有限元的稳态扩散方程的两个简单模型的正向问题求解,根据提出的平均优化散射系数和正向问题训练的大量数据集合,建立并训练并行神经网络,通过对两个网络结果的分析,实现快速获得更复杂模型的光学参数的重构.算法能够快速识别特异组织的位置和准确反映热疗过程中生物组织的优化散射系数的变化趋势.     

基于BP神经网络的紫外光源自适应固化控制研究

为解决紫外光动态固化技术中的固化不充分或反固化反应等问题,提出一种基于BP算法的LED紫外光源多参数自适应控制方法。利用神经网络优异的非线性逼近能力,并结合优化后的BP算法构建一个3输入2输出的网络预测模型。通过与多元线性回归和多元非线性回归模型的对比显示,BP神经网络算法有更高的拟合度。最后将57组数据导入训练好的模型进行验证。实验表明:该BP神经网络模型预测结果较好,且稳健性强,2输出参数预测值误差分别为1.86%和2.35%,可灵活应用于多种紫外光固化场合。     

基于改进神经网络算法控制开关电源的研究

针对数字开关电源的控制策略问题,提出一种改 进共轭梯度算法的BP神经网络PID 控制系统。以BUCK变换器为研究对象,在BP神经网络PID算法的基础上,通过改进共轭梯 度算法优化控制系统的调节时间和恢复速度,以提高数字开关电源系统的控制性能和输出性 能。基于MATLAB软件完成系统建模进行仿真研究。结果表明:改进后的控制系统比改进前 的调节时间提高0.03 s,超调量降低10%,恢 复时间缩短0.03 s。从理论上验证了改进共轭 梯度算法的BP神经网络PID控制系统在响应时间上更短,超调量更低,抗干扰能力更强。     

遗传算法优化BP神经网络的大功率LED结温预测

将遗传算法(GA)与BP神经网络相结合,对研发的120W LED双进双出的射流冲击水冷散热系统中LED阵列的结温进行预测。采用GA优化BP网络的权值和阈值,利用BP算法训练网络,改善了单独使用BP网络容易陷入局部极小值和收敛速度慢的缺点。并且在训练过程中为了使网络输出有足够长的空间,改进了GA的数据处理。结果表明,经GA优化的BP神经网络较使用Levenberg-Marquardt(LM)算法优化的BP神经网络的大功率LED结温预测精确度提高了14.14%,且预测效果较稳定。GA和BP神经网络相结合的结温预测模型较传统的结温测量方法更能掌握散热结构设计的主动性,对大功率LED寿命的延长有较高的实用价值。     

基于BP神经网络的智能电网配电系统改进算法的研究

提出一种基于BP神经网络的智能电网配电系统改进算法.由于BP网络是一种按误差逆传播算法训练的多层前馈网络,具有学习性,可以根据已有的配电参数样本集进行训练,从中分析出内蒙古各地区根据时间不同所配电的分配情况的内在联系,实现对以后配电系统进行自适应控制.该算法的优点就是在构造过程考虑了BP的预测精度和训练时间,采用了梯度下降法的方法,进行Matlab仿真实验,获得了较为准确的预测结果.     

Privacy Based Data Publishing Model for Cloud Computing Environment

The evaluation of corporate social responsibility (CSR) performance may enhance companies’ willingness to undertake social responsibilities, so it is very important to improve the quality of CSR performance evaluation. Based on the three factors of economic performance, social performance and environmental performance, this paper proposed an improved analytic hierarchy process-back propagation (AHP-BP) neural network algorithm, and introduced the improved AHP-BP neural network algorithm into CSR performance evaluation model. In the stage of improved AHP, the model included the importance of the knowledge and experience of the experts by expert scoring, and reduced the subjective influence of expert judgment on the results by introducing a personality test scale. In the stage of BP neural network, trained models have been used for CSR performance evaluation. The results showed that the prediction result of improved AHP-BP neural network model was better than that of BP neural network model. Therefore, the improved AHP-BP neural network algorithm can be used as a good predictor for CSR performance evaluation.

     

基于改进射线跟踪法和BP神经网络算法的室外微蜂窝毫米波信道特性研究

在28 GHz与39 GHz毫米波频段室外微蜂窝场景下,基于改进射线跟踪法和反向传播(back propagation, BP)神经网络算法对毫米波单发单收信道及单发多收信道进行建模仿真研究. 在得到的无线信道仿真数据基础上,研究分析了毫米波信道的路径损耗、均方根(root-mean-square, RMS)时延扩展(delay spread, DS)、接收功率等传播特性. 通过与现有文献的测量结果对比分析验证了改进射线跟踪法的正确性与有效性. 通过BP神经网络方法拟合得到的路径损耗模型参数结果与改进射线跟踪法仿真得到的路径损耗参数结果对比发现,两者吻合程度很高,验证了BP神经网络算法能很好地对室外微蜂窝毫米波信道大尺度参数进行预测. 同时,文中给出了一种普遍适用的用来表征室外微蜂窝视距(line-of-sight, LoS)与非视距(non-line-of-sight, NLoS)场景下28 GHz与39 GHz毫米波信道的路径损耗模型. 结果表明:LoS场景下的RMS DS和接收功率都小于NLoS场景下得到的结果;LoS场景与NLoS场景下RMS DS、水平方向到达角、多径簇的个数累积分布函数均服从高斯分布;RMS DS在毫米波频段微蜂窝场景下,随着频率的升高而增大,到达接收端的多径成簇呈现稀疏性.     

涡流检测中的组合神经网络模型

针对使用单一神经网络在缺陷识别中存在的输入矢量维数高,结构复杂及训练时间长等问题,本文提出了组合神经网络模型,这一模型采用逐级判别的方法,每级判断均采用独立的神经网络子模块,各模块采用随机学习算法分别进行训练.裂缝识别的计算实例表明,这一组合模型使神经网络输入变量的维数从N²降低到N,网络结构大为简化,训练速度很快,同时具有较高的缺陷识别率,可推广应用于实时涡流检测中.     

基于多层级深度神经网络的电力设备红外图像故障识别

电力设备的故障可能导致电力系统不稳定甚至解列,对电力安全和国民经济造成巨大损失,因此迅速且准确地识别这些故障至关重要。红外图像特征在捕捉发热故障的电力设备方面表现出良好的特征表达能力。然而,在图像采集过程中,可能会发生目标重叠、遮挡以及类目标干扰等问题。因此提出了一种复杂图像故障识别算法。基于多层级深度神经网络,充分利用多层网络模块的高层次特征提取能力和多级网络模块的特征融合能力,以提高故障识别的准确性。实验结果表明,该算法在准确率和运行时间等评估指标上优于现有的Faster-RCNN、VGG16、VGG19以及传统Resnet等模型,验证了其在解决图像中目标重叠、遮挡和类目标干扰等问题上的有效性。     

一种优化前馈神经网络算法

神经网络由于其非线性处理能力强，性能稳定等特点得到了广泛应用和研究。主要应用于模式识别、信号处理、知识工程、专家系统、优化组合、机器人控制等。神经网络中使用最为广泛的就是前馈神经网络。其网络权值学习算法中影响最大的就是误差反向传播算法（back—propagation简称BP算法）。BP算法存在局部极小点，收敛速度慢等缺点。基于优化理论的Levenberg-Marquardt算法忽略了二阶项。该文讨论当误差不为零或者不为线性函数即二阶项S（W）不能忽略时的Hesse矩阵的近似计算，进而训练网络。     

Neural network approach to land cover mapping

A pattern classification method is proposed for remote sensing data using neural networks. First, the authors apply the error backpropagation (BP) algorithm to classify the remote sensing data. In this case, the classification performance depends on a training data set. In order to get stable and precise classification results, the training data set is selected based on geographical information and Kohonen's self-organizing feature map. Using the training data set and the error backpropagation algorithm, a layered neural network is trained such that the training patterns are classified with a specified accuracy. After training the neural network, some pixels are deleted from the original training data set if they are incorrectly classified and a new training data set is built up. Once training is complete, a testing data set is classified by using the trained neural network. The classification results of LANDSAT TM data show that this approach produces excellent results which are more realistic and noiseless compared with a conventional Bayesian method