可拓神经网络模型的设计与实现

为解决BP神经网络模式识别时训练准则和分类准则不一致的问题,采用可拓学的扩缩变换,通过在输出空间中用一个特定区域(称作教师区域)来代替教师信号,极大地提高了可拓神经网络模型的训练速度,同时彻底解决网络训练和实际分类准则不一致的问题.计算实例表明,可拓神经网络是一个有效的模式识别工具.     

基于可拓神经网络的变压器故障诊断

针对BP神经在变压器故障诊断中用于模式识别时,存在训练准则和分类准则不一致而导致的样本识别率降低和网络训练速度缓慢的问题,采用了可拓学的扩缩变换,通过在输出空间中用一个特定的区域（称作教师区域）来代替教师信号,然后将可拓神经网络用于变压器故障诊断中。通过实例证明,可拓神经网络模型的训练速度有了极大提高．模式识别问题得到彻底解决。     

用于模式识别的前馈式神经网络区域映射模型

提出了一种新的用于模式识别问题的前馈式神经网络模型－区域映射模型。该模型将输出空间每一类的特征参数区域映射成输出空间中对应的一个区域。模型具有训练和实际应用中分类标准相一致的性质,使模式识别分类更为合理和自然,相应的误差函数的改变可以加快网络的训练速度。     

Powell-Beale重开始算法在水质评价中的应用

建立了基于Powell-Beale重开始算法的改进BP网络水质综合评价模型.该模型在网络权值训练中,以共轭梯度方向取代了标准BP网络的负梯度搜索方向,并通过设定的重新开始准则,适时调整搜索方向,加快了网络运行速度.实验结果表明,新模型改善了标准BP网络模型收敛速度较慢、易陷入局部极小或中断训练的缺陷,泛化能力较强,评价结果客观合理..     

BP神经网络训练算法的分析与比较

BP神经网络被广泛应用于模式识别、信号处理和自动控制等领域,其广泛性是由于它能实现任何连续映射,但由于BP网络训练所固有的复杂性,目前尚没有任何一种完全的算法能适用于任何BP网络的训练。本文介绍了MATLAB神经网络工具箱中各种训练算法的特点及其函数的参数形式,并对它们的收敛速度和内存消耗情况进行了比较,说明了其各自适用的网络。     

基于模糊距离的RBF神经网络板形模式识别

针对BP网络在板形缺陷模式识别的应用中,由于网络本身存在收敛速度慢,学习时间长,容易陷入局部极小等结构性能不佳的问题,从而影响板形识别精度;文中提出了基于模糊距离的RBF网络板形缺陷模式识别法.RBF网络是一种局部逼近的神经网络,它在逼近能力、分类能力和学习速度等方面都优于BP网络.为了使板宽变化时网络结构不变,将模糊距离与RBF网络相结合进行模式识别,仿真实验结果表明,该方法与BP网络方法相比,网络收敛速度较快,而且识别精度较高.     

基于消费优化的R＆D模型

将R&D模型和消费优化决策结合起来,建立了基于消费优化的R&D模型,并对该模型进行了静态和动态分析.     

基于多尺度局部区域能量最小化算法的图像分割

常规多尺度MRF模型中固定的四叉树结构造成图像分割结果中常产生块现象和非连续边缘.为解决这一问题,提出了一种新的多尺度MRF模型,并建立了基于区域消息传递的置信度传播(BP)算法,通过BP算法在多尺度MRF模型中对区域消息进行传递;在层间,从粗糙层向精细层进行消息传递时,利用提出的MRF模型父子区域之间的重叠,有效初始化了精细层消息的初值,避免了多尺度MRF模型层间误分类的传递;最后基于MPM准则对分割结果进行估计.实验结果表明提出的算法不仅得到了更准确的图像分割结果,而且具有较快的分割速度.     

基于主元分析和BP神经网络的工业过程监测

BP神经网络的分类功能可以用于过程监测与故障诊断,但面对比较复杂的工业过程,数据量过大通常会导致网络的训练时间较长、收敛速度较慢.将主元分析与BP神经网络相结合,提出基于主元分析和BP神经网络理论的工业过程监测方法,根据TE过程数据变量确定神经网络的结构,然后使用TE过程数据训练集训练网络,并建立监测模型.通过对测试结...     

模糊控制BP网络的遥感图象分类方法研究

针对遥感图象分类中经常采用的BP算法存在训练时间长、不易收敛缺点,提出了一种改进方法,即采用模糊规则有效控制BP网络学习率的方法,该方法使网络具有自适应能力,从而不易陷入局部最小,导致收敛速度大大加快,训练时间大大缩短。最后以徐州地区TM图象土地利用分类为例,将模糊控制BP网络模型同BP算法及学习率自调整算法进行了比较。结果表明新方法确实大大加快了网络收敛速度,一定程度上提高了图象分类精度,是一种有效的图象分类方法。     

基于遗传BP神经网络的磁流变悬置模型辨识

为克服误差逆向传播算法的多层前馈型BP神经网络收敛速度慢、局部极小化问题,提出用遗传算法(GA)的全局搜索能力寻求最优的BP神经网络权值和阀值,以提高神经网络的收敛速度和克服局部最优。以磁流变液压悬置动态特性试验结果为数据样本,分别用未优化的BP神经网络和优化后的GA-BP神经网络对磁流变液压悬置正、逆模型进行辨识。结果表明,相对于BP神经网络,GA-BP神经网络具有更高的辨识精度、更快的收敛速度,在磁流变液压悬置数学模型辨识方面具备更优的性能。     

基于BP神经网络的数字图像修复

考虑到BP神经网络非凡的学习能力和非线性映射能力,提出了利用BP神经网络修复数字图像.由于一般的BP神经网络收敛速度较慢,且易陷入局部极小,产生振荡现象.因此考虑在梯度下降算法的基础上引进动量因子,结果发现收敛速度加快、振荡现象减轻.该方法根据待修复区域的边界寻找相似块,利用相似块周围像素数据得到BP神经网络的权值和阈值.试验表明:文中的方法相对于利用偏微分方程(如BSCB方法)速度要快,而且具有更大的ISNR.     

基于改进BP网络的机械零件图纸信息识别

在通过对BP算法加以改进，使其性能有所提高，收敛速度加快的基础上，提出了一种新的CAPP系统零件信息的输入方法，即零件的图纸经过扫描仪扫描获得数字信息、加载神经网络模式识别，同时将数字信息还原成CAPP系统中计算机直接读懂的信息，并加载网络测试加以验证。     

基于迭代学习的BP神经网络权值训练算法

针对传统BP算法存在收敛速度过慢、易陷入局部极小的问题,提出基于迭代学习的BP神经网络权 值修正算法。该算法将迭代学习的原理与神经网络相结合,同时采用本次训练误差和前一次的训练误差修正神经 网络权值,提高了网络训练速度。仿真结果验证了该算法的有效性。     

基于PSO-Elman神经网络的短期电力负荷预测

为了解决BP神经网络在短期电力负荷预测中存在局部极小、收敛速度慢等问题,本文采用粒子群算法(Particle Swarm Optimization,PSO)优化Elman动态神经网络进行精准预测。根据输入输出参数个数确定Elman神经网络结构,利用PSO算法优化网络的权值和阈值,并将优化后的最优个体赋给Elman动态神经网络作为初始权值、阈值进行网络训练,从而建立基于PSO-Elman的电力负荷预测模型。采用某钢厂实测电力数据对该方法和模型进行验证,并与传统的BP、Elman网络模型预测方法进行对比,结果表明该方法和模型在有效缩短网络收敛时间的同时,具备更高的负荷预测精度和稳定性。     

基于蚁群优化神经网络的故障诊断

针对BP神经网络收敛速度慢,易于陷入局部极小点的问题,将蚁群算法引入BP神经网络的优化训练,建立了基于该算法的BP神经网络训练模型,并应用于电机转子故障诊断。结果表明,用蚁群算法训练神经网络具有较高的故障诊断精度,收敛性好,可以有效快速定位电机转子故障,提高诊断的效率和质量。     

基于人工神经网络说话人识别的身份认证方案

由于CPSO--BP神经网络通过在粒子群优化算法中引入混沌思想,改善了粒子群优化算法摆脱局部极值点的能力,提高了BP网络的计算精度和收敛速度,使得基于BP神经网络的说话人识别其识别率和训练速度都得到较大提高。本文将该识别技术应用到身份认证中,提出了一种新的基于生物特征的身份认证方案,通过对其性能的分析研究,新的方案是安全有效的。     

基于粒子群-BP神经网络算法的电价预测

为了解决现有电价预测中BP神经网络法对初始权值敏感、易陷入局部最小值和收敛速度慢等问题,在神经网络训练中引入基于全局随机优化思想的粒子群优化(PSO)算法,先利用PSO优化BP神经网络的初始权值,然后采用神经网络完成给定精度的学习,建立了粒子群-BP神经网络模型.与传统BP神经网络、粒子群广义神经网络相比,该方法收敛速度快、所需历史数据少、预报精度高,可用于电力系统的短期电价预测.     

Elman神经网络在ECT系统流型辨识中的应用

针对电容层析成像系统ECT(electrical capacitance tomography)流型辨识问题,在对ECT系统工作原理和流型的辨识方法分析的基础上,提出了一种基于Elman神经网络的ECT系统流型辨识方法,该方法通过对ECT系统采集的电容值特征值提取与处理,将提取的特征值作为Elman神经网络的输入进行训练,经训练后达到流型辨识的目的.经仿真实验验证,与传统的BP神经网络相比,该方法具有结构简单,收敛速度快,不会因阶次未知而出现网络结构膨胀的问题,为ECT系统流型辨识的提供一种的有效方法.