改进的BP神经网络在元器件建模中的应用

提出一种基于BP神经网络的非线性电子元器件建模的新方法。以具体实验数据为例,以MATLAB中的神经网络工具箱为工具,采用了改进的BP神经网络,并对其设计方案进行了详细的分析说明,发现动量参数对训练次数影响很大,而学习率对它的影响很小;采用双隐含层比单隐含层训练更稳定,收敛的也更快速,同时给出了理想的学习方案。最后通过实验验证了该方法的有效性。     

Legender神经网络建模及股票预测

基于多项式逼近理论,将一组Legender正交多项式做为隐含层神经元的传递函数,再以其加权和函数做为神经网络输出,从而构成一种新型的三层多输入Legender神经网络模型;采用BP学习算法,通过对历史观测样本数据的训练,调整该神经网络的权值,建立非线性时间序列辨识模型,以此预测股票价格的变化.仿真实验表明,Legender神经网络具有优良的逼近任意非线性系统的特性,且学习收敛速度很快;深发展A股预测结果为：训练次数200,最大相对误差5.41%;深证成指预测结果为：训练次数120,最大相对误差4.17%.     

基于快速密度聚类的RBF神经网络设计

针对径向基函数（radial basis function,RBF）神经网络隐含层结构难以确定的问题,提出一种基于快速密度聚类的网络结构设计算法。该算法将快速密度聚类算法良好的聚类特性用于RBF神经网络结构设计中,通过寻找密度最大的点并将其作为隐含层神经元,进而确定隐含层神经元个数和初始参数;同时,引入高斯函数的特性,保证了每个隐含层神经元的活性;最后,用一种改进的二阶算法对神经网络进行训练,提高了神经网络的收敛速度和泛化能力。利用典型非线性函数逼近和非线性动态系统辨识实验进行仿真验证,结果表明,基于快速密度聚类设计的RBF神经网络具有紧凑的网络结构、快速的学习能力和良好的泛化能力。     

Adaboost算法改进BP神经网络预测研究

针对传统BP神经网络容易陷入局部极小、预测精度低的问题,提出使用Adaboost算法和BP神经网络相结合的方法,提高网络预测精度和泛化能力。该方法首先对样本数据进行预处理并初始化测试数据分布权值;然后通过选取不同的隐含层节点数、节点传递函数、训练函数、网络学习函数构造出不同类型的BP弱预测器并对样本数据进行反复训练;最后使用Adaboost算法将得到的多个BP神经网络弱预测器组成新的强预测器。对UCI数据库中数据集进行仿真实验,结果表明本方法比传统BP网络预测平均误差绝对值减少近50%,提高了网络预测精度,为神经网络预测提供借鉴。     

差压传感器非线性特性研究

介绍了一种智能差压传感器,针对影响传感器准确度的输出—输入非线性问题进行了研究。采用了BP神经网络来建立差压传感器的输出—输入模型,网络模型采用了三层结构,输出—输入层各自采用了一个神经元,将神经网络的均方误差目标值设定为10-6,并在MATLAB中进行了仿真,经训练得到的输出—输入模型的非线性误差可以达到±0.032%。通过与多项式拟合方法和最小二乘直线拟合方法所得结果进行比较,结果表明:采用BP神经网络方法对提高智能差压传感器的测量准确度具有参考价值。     

基于遗传算法的BP神经网络优化动力配煤模型的研究

BP神经网络具有较强的学习能力,但在传统的研究中,隐含层节点、学习因子和动量因子往往采用试凑法得到相对较佳值,而试凑法在浪费较多时间的同时,可能得不到理想的BP神经网络输出,这对研究造成了一定的困难。文中采用智能算法来解决BP神经网络优化问题。遗传算法作为一种随机搜索算法,能够快速寻找到全局最优解,可以应用于本优化问题。因此,文章采用遗传算法优化BP神经网络上述参数,将改进后的BP神经网络运用于动力配煤非线性模型的研究。结果表明,采用遗传算法优化的BP神经网络具有较强的预测能力,对煤质的发热量预测误差优于线性平均模型误差,并且仿真表明动力配煤模型为近似线性的非线性模型,BP网络的输出值误差波动较小,结果理想。     

改进的BP神经网络在电子器件可靠性参数预测中的应用

提出一种基于BP神经网络的电子器件可靠性参数预测的新方法。以具体实验数据为例,以MATLAB中的神经网络工具箱为工具,采用了改进的BP神经网络,并对其设计方案进行了详细的分析说明,发现动量参数和学习率对训练次数的影响都很小;采用双隐含层比单隐含层训练更稳定,收敛的也更快速,同时给出了理想的学习方案。最后通过实验验证了该方法的有效性。     

基于信息强度的RBF神经网络结构设计研究

在系统研究前馈神经网络的基础上,针对径向基函数(Radial basis function, RBF) 网络的结构设计问题,提出一种弹性RBF神经网络结构优化设计方法. 利用隐含层神经元的输出信息(Output-information, OI)以及隐含层神经元与输出层神经元间的交互信息(Multi-information, MI)分析网络的连接强度, 以此判断增加或删除RBF神经网络隐含层神经元, 同时调整神经网络的拓扑结构,有效地解决了RBF神经网络结构设计问题; 利用梯度下降的参数修正算法保证了最终RBF网络的精度, 实现了神经网络的结构和参数自校正. 通过对典型非线性函数的逼近与污水处理过程关键水质参数建模, 结果证明了该弹性RBF具有良好的动态特征响应能力和逼近能力, 尤其是在训练速度、泛化能力、最终网络结构等方面较之最小资源神经网络(Minimal resource allocation net works, MRAN)、增长修剪RBF 神经网络(Generalized growing and pruning RBF, GGAP-RBF)和自组织RBF神经网络(Self-organizing RBF, SORBF)有较大的提高.     

基于PID神经网络的非线性动态系统控制

基于PID神经网络的控制器可以完成变量的单输入-单输出非线性系统的任务.该控制器采用BP(误差反向传播)算法来修正连接权重值,通过在线训练和学习,使目标函数到达最优值.充分利用了BP神经网络算法逼近任意连续有界非线性函数的能力,显示了神经网络在解决非线性系统方面的潜能.为了达到控制的目的,和其他非线性建模技术相比较,PID神经网络有几个明确的优点和它独特的用法相一致.仿真结果表明,在对非线性动态系统控制时,基于PID神经网络的控制系统具有很强的灵活和高效性,能取得良好的控制效果.     

基于RBFNN的铂电阻温度传感器非线性补偿

针对铂电阻温度传感器应用中存在的非线性问题,提出了应用径向基函数神经网络(RBFNN)强非线性逼近能力进行铂电阻温度传感器非线性补偿的方法。介绍了非线性补偿的原理和网络训练方法。结果表明:这种非线性补偿模型具有误差小、精度高、可在线标定和鲁棒性强等优点,与基于BP神经网络的非线性补偿模型相比,大大缩短了网络训练时间,从而方便了铂电阻温度传感器在测控系统中的应用。     

一种改进的BP神经网络

BP神经网络利厢误差的反向传播调整神经网络的权值,BP神经网络的训练速度和训练误差很大程度上取决于学习逑率和动量因子的设置。本文提出了一种改进的BP神经网络模型,学习速率和动量因子随误差实时调节,并进行了仿真。仿真结果表明,改进的BP神经网络比传统的BP神经网络收敛更快,误差更小。     

基于CMAC神经网络的电池荷电状态估计

现有电池荷电状态(SOC)估计方法所需训练和学习时间较长,很难满足动力电池的实时性要求。为解决该问题,利用小脑模型关节控制器(CMAC)神经网络对电池SOC进行评估,CMAC神经网络具有学习算法简单和逼近任意非线性函数的能力。对镍氢电池的模拟测试结果表明,与反向传播神经网络相比,CMAC神经网络的学习和收敛速度较快,能实时估计出电池SOC,并使估计误差在可接受范围内。     

基于支持向量机的传感器的非线性校正

铜热电限的非线性影响到它的测温准确度和测温范围,针对这个问题提出了采用支持向A机(SVM),建立了铜热电阻传感器的逆模型进行非线性校正,并且与以往采用的BP网络和最小二乘校正方法进行了比较;结果表明,采用支持向f机的非线性校正方法的最大误差为±0.0287%左右,与BP人工神经网络取得的结果(最大误差为± 0.0523%左右)和最小二乘法取得的结果(最大误差为±0.0865%左右)相比,精度高于以上2种校正方法;同时,SVM方法有较好的泛化能力,在很大程度上提高了传感器的线性度,并且补偿曲线更顺滑,预测性更强,它为铜热电阻传感器的非线性动态补偿提供了一种新方法.     

基于自适应学习速率的改进BP神经网络

BP神经网络自被提出以来,便作为非线性系统的辨识工具在模式识别、系统控制等多领域得到广泛应用。但BP算法仍存在缺陷,在学习时容易陷入局部极小。本文采用调整神经元转换函数的方法,并采用学习速率自适应调整来克服网络训练速度慢、不易收敛到全局最优等缺点。通过仿真实验表明,改进后的方法可行。     

Fast and improved backpropagation learning of multi-layer artificial neural network using adaptive activation function

In the conventional backpropagation (BP) learning algorithm used for the training of the connecting weights of the artificial neural network (ANN), a fixed slope−based sigmoidal activation function is used. This limitation leads to slower training of the network because only the weights of different layers are adjusted using the conventional BP algorithm. To accelerate the rate of convergence during the training phase of the ANN, in addition to updates of weights, the slope of the sigmoid function associated with artificial neuron can also be adjusted by using a newly developed learning rule. To achieve this objective, in this paper, new BP learning rules for slope adjustment of the activation function associated with the neurons have been derived. The combined rules both for connecting weights and slopes of sigmoid functions are then applied to the ANN structure to achieve faster training. In addition, two benchmark problems: classification and nonlinear system identification are solved using the trained ANN. The results of simulation-based experiments demonstrate that, in general, the proposed new BP learning rules for slope and weight adjustments of ANN provide superior convergence performance during the training phase as well as improved performance in terms of root mean square error and mean absolute deviation for classification and nonlinear system identification problems.     

基于样本自组织聚类的BP神经网络预测模型

根据实际应用中神经网络训练样本通常具有内在特征和规律性,提出一种基于样本自组织聚类的BP神经网络预测模型。通过自组织竞争网络的聚类特征,改善样本训练对BP网络性能的影响。BP神经网络采用收敛速度较快和误差精度较高的动量—自适应学习速率调整算法。并通过基于这种模型的空气质量预测实验,表明基于样本自组织聚类的BP神经网络预测模型首先会提高收敛速度,其次会减少陷入局部最小的可能,提高预测精度。     

基于新的改进粒子群算法的BP神经网络在拟合非线性函数中的应用

介绍了一种基于新的改进粒子群算法(NIPSO)的BP神经网络来解决拟合非线性函数所出现的误差较大的问题。此算法在粒子群优化算法基础上,分别让权重和学习因子非线性和线性变化,建立基于新的粒子群优化算法的新模型,再与BP神经网络结合之后来拟合非线性函数。结果表明,新的改进粒子群优化算法更加合理且高效地提高了BP神经网络的拟合能力,减小了拟合误差,提高了拟合精度。     

基于PSO和BP网络的粉状炸药配方的预测控制

BP神经网络具有良好的非线性处理能力,粒子群优化算法(PSO)提高神经网络的学习效率、保证神经网络全局收敛。针对粉状炸药配方控制系统中存在的强耦合、非线性及参数不确定等问题,建立一种基于粒子群和BP神经网络的炸药配方预测控制模型。仿真和现场运行结果表明,该配方控制系统具有良好的自学习和自适应能力,取得了良好的控制效果,满足实际生产要求。