遗传算法在BP神经网络学习过程中的应用

单纯的BP算法学习神经网络容易陷入局部最小点,本文针对BP的缺点提出应用遗传算法来训练BP神经网络,结果可以看出,相比单纯的BP算法,遗传算法有着准确,全局搜索,收敛速度快的特点,在实际应用中有一定的价值.     

一种用于状态预测的神经网络混合算法

本文将神经网络的BP算法和动态随机算法相互补充而形成一种混合算法,它克服了BP学习算法会陷入局部极小和随机算法耗时长的缺点.将这种算法用于齿轮泵出口流量预测,证明了这种算法学习速度快且能收敛于全局极小点.     

基于思维进化神经网络的真空绝热板真空度测量精度改进方法研究

以基于红外热成像机理测量真空绝热板(VIP)的真空度为研究对象。鉴于目前此方案测量真空度存在精度低的问题,本文提出一种基于BP神经网络的真空度测量精度改进方法。针对BP神经网络存在易陷入局部最优、收敛速度慢等缺陷,本文巧妙利用思维进化算法优化BP神经网络的初始权值和阈值,从而弥补以上缺陷。最终实验结果表明,利用思维进化算法优化BP神经网络创建的数学模型大大提高了真空绝热板真空度的测量精度,其实际测量精度优于2%。因此,本文所提方法具有广泛推广的应用价值。     

模拟退火优化BP神经网络在航向控制系统中的应用

目前，广泛运用于神经网络中的误差反向传播算法（BP算法）训练时间较长，且易陷入局部最优．为了克服BP算法的固有缺陷，文中提出了在BP算法中加入模拟退火算法权因子．在航向控制系统中进行了仿真，数据显示该算法比单纯BP算法更能优化控制器性能参数和全局搜索能力，收敛速度更快，精度提高比较明显。     

贝叶斯算法BP神经网络缺陷量化研究

为克服传统BP神经网络中网络训练速度慢、量化精度低、数据过度拟合、容易陷入局部极小点等缺点,该文将贝叶斯算法引入BP神经网络用于基于漏磁检测的缺陷量化,有效地控制网络模型的复杂度,利用不同尺寸的缺陷特征量训练网络,从而实现对缺陷长度、宽度、深度的量化,节约网络的训练时间,提高量化精度。     

结构损伤的遗传神经网络检测方法

将遗传算法与神经网络相结合,用遗传算法完成神经网络的学习过程,建立了结构损伤的遗传神经网络检测方法,并对遗传算法进行了改进.研究结果表明,用改进的遗传算法进化神经网络可以有效地避免BP算法有可能陷入局部极小的缺点,而且运算速度大大加快,精度提高.     

对BP神经网络算法传递函数的改进

BP神经网络算法存在容易陷入局部极小点以及收敛缓慢的问题,提出一种对传递函数加入参数进行动态调节的方法,通过参数的动态调节可以使神经网络在学习过程中尽快跳出极小点区域,为解决这一问题提供了理论依据。     

基于PSO-BP神经网络的关节臂式坐标测量机长度误差补偿

针对关节臂式坐标测量机(AACMM)长度误差补偿问题,分析了误差来源,通过实验确定了影响其测量长度的误差参数。引入BP神经网络对长度误差补偿模型进行了建模,并通过粒子群化算法对BP神经网络的权值和阈值进行全局寻优,克服了BP神经网络收敛速度慢和易陷入局部极值的缺陷。在不同输入参数的条件下测量标准尺,获得了误差补偿模型的训练样本。进行了长度误差补偿验证,补偿后误差均值减小了0.014 mm,使AACMM的测量精度提高了31.8%。     

基于微分进化神经网络的模拟电路故障诊断

BP神经网络已在模拟电路故障诊断领域得到广泛应用,但BP神经网络存在训练速度慢且容易陷入局部最优的问题.由此,本文提出了一种基于混合变异策略的微分进化改进算法,描述了利用微分进化改进算法进行神经网络权值训练的过程和方法,并将微分进化神经网络用于模拟电路故障诊断,文中还对微分进化神经网络与BP神经网络进行了比较.实验结果表明,微分进化神经网络的训练时间和训练精度均优于BP神经网络,其在模拟电路故障诊断中的准确度比BP神经网络提高了7%.     

遗传算法优化 BP 神经网络的显示器色彩空间转换

目的基于改进遗传算法优化BP神经网络,研究对显示器色彩空间转换的预测准确性的方法。方法通过改进数据归一化处理和遗传算法的适应度函数,来优化BP神经网络的权值和阈值,以将它们的分布范围缩小,再用BP算法进行精确求解,并将该方式与常规方式作对比。结果训练优化后的BP神经网络预测模型20次,测试色块平均色差为2.9353,最小平均色差为1.9467。结论该方法大大降低了BP神经网络预测模型陷入局部极小值的可能性,对显示器色彩空间转换具有较好的非线性拟合能力和更高的预测准确性。     

重载并联六维力传感器及静态标定

针对传感器重载小尺寸需求,提出一种具有混合分支的重载并联六维力传感器,分析了其结构特点和测量原理。搭建了重载并联六维力传感器标定系统,为改善维间耦合及制造误差等对测量精度产生的影响,从标定算法及模型优化方面对其进行了研究。分别利用最小二乘法和BP神经网络算法对加载实验数据进行了处理,分析结果表明BP神经网络算法要明显优于最小二乘法,并通过数据随机分组测试验证了结果的正确性。基于BP神经网络,提出了一种基于人工鱼群算法的BP神经网络算法,并采用优化后的BP神经网络标定算法对实验数据进行了计算分析,结果表明优化后的BP神经网络计算结果较好且稳定,不易陷入局部极值。     

基于粒子群算法优化 BP 神经网络的色彩空间转换

目的研究基于粒子群算法优化BP神经网络对显示器色彩空间转换的预测准确性的方法。方法主要通过数据归一化处理、改进最大限制速度、惯性常数和适应度函数来优化BP神经网络的权值和阈值,以缩小其分布范围,再用BP神经网络法进行色差预测。结果改进粒子群算法优化BP神经网络预测模型,测试20次得到色块平均色差为2.8526,最小平均色差为2.0453。结论该方法大大降低了BP神经网络预测模型陷入局部极小值的可能性,对显示器色彩空间转换具有较好的非线性拟合能力和更高的预测准确性。     

基于蚁群算法优化BP神经网络的港口吞吐量预测

利用蚁群算法优化反向传播神经网络的初始权值、阈值,建立预测模型,对港口货物吞吐量进行预测。蚁群算法具有全局搜索能力,分布式计算和鲁棒性强等特点,有利于加快反向传播神经网络的收敛速度,避免易陷入局部极值的问题,提高建模精度。在港口吞吐量预测中的应用表明:蚁群算法优化BP神经网络模型、模糊神经网络预测模型、RBF预测模型及BP预测模型的平均绝对百分比误差分别为2.826%、3.734%、4.990%和6.566%;同时,蚁群算法优化BP神经网络模型收敛速度最快。与传统BP神经网络、RBF网络及模糊神经网络相比,蚁群算法优化BP神经网络模型、模糊神经网络预测模型、RBF预测模型及BP预测模型的平均绝对百分比误差分别为2.826%、3.734%、4.990%和6.566%。     

基于改进萤火虫算法优化BP神经网络的水电站厂房振动预测

利用萤火虫算法优化BP神经网络权值和阈值基础上,建立水电站厂房振动响应预测模型。针对萤火虫算法存在的收敛速度慢、易陷入局部最优等问题,引入动态随机局部搜索机制加快收敛速度,对当前最优解进行变异操作避免陷入局部最优,提出动态步长更新措施提高计算精度,改进最优解振荡问题。仿真实例表明,基于改进萤火虫算法优化的BP网络模型预测精度和收敛速度等性能得到明显改善,可用于水电站厂房结构振动响应预测。     

基于遗传算法优化神经网络权值的损伤识别

针对传统BP神经网络存在着容易陷入局部极小点、训练时间太长等缺点,采用基于浮点编码的遗传算法对BP神经网络的初值空间进行遗传优化.用基于浮点编码的遗传算法来优化BP神经网络的权值,得到最佳初始权值矩阵,并按误差前向反馈算法沿负梯度方向搜索进行网络学习.以弹簧质量系统作为算例,用结构的模态频率变化作为网络的输入向量,结构的损伤位置作为输出向量.对网络进行训练,仿真结果表明:遗传BP神经网络的收敛和诊断能力优于传统BP神经网络,可有效运用到结构的模态参数识别中.     

神经网络模型及其在计量与测试中的应用

本探讨了神经网络模型及其在计量与测试中的应用。以反传（BP）神经网络为例，详细讨论了神经网络模型结构、学习算法，推导了一种优于常规BP算法的递推预报误差算法，并给出了应用实例。     

基于GA-BP神经网络大气中PM2.5软测量研究

大气中PM2.5质量浓度变化具有较强的非线性特性,传统的软测量方法很难对其做出准确的计量监测。针对传统BP神经网络易陷入局部最小值的缺陷,将遗传算法和BP神经网络相结合建立了GA-BP神经网络软测量模型,将该模型应用到大气PM2.5质量浓度的计量监测中,并与传统BP神经网络模型的监测结果进行对比,结果表明经过遗传算法优化后的模型具有更好的非线性拟合能力和更高的监测精度。     

BP算法的改进在Matlab中的实现研究

BP算法的改进是神经网络当前研究的热点之一。本文应用MATLAB对BP网络进行研究分析，针对BP算法的缺点引入了BP改进算法，并利用MATLAB软件对BP算法和改进BP算法进行仿真。通过比较各种改进BP算法的仿真结果数据与图表，得到了较优的改进BP算法——LMBP算法，又针对LMBP算法的缺点提出了进一步改进的两个方案，得到了比较好的效果。证明了改进BP算法比BP算法功能强大，适用面广，泛化能力优良，计算时间短，并克服了易陷入局部极小的问题。     

基于NSGA-Ⅱ&BP的应变片式压力传感器温度补偿研究

应变片式压力传感器容易受到温度的影响,需要对该传感器进行温度补偿,针对该问题提出一种带精英策略的快速非排序遗传算法(NSGA-Ⅱ)与BP神经网络相结合的软件补偿模型。该模型将BP神经网络中2个输出值与期望值误差作为NSGA-Ⅱ同时寻求最小的2个目标,对BP神经网络初始权值和阈值进行优化,克服单一BP神经易陷入局部极小值的缺陷。通过该算法模型对不同温度下压力传感器的输出值进行数据融合,研究结果表明,补偿后的传感器零位温度系数(α_0)和灵敏度温度系数(α_s)均提高两个数量级,从而证明NSGA-ⅡBP算法的温度补偿模型可以有效提高该传感器的温度稳定性。     

基于PSO-BP模型的扩散硅压力传感器温度补偿

硅的电导率易受温度影响,导致扩散硅压力传感器的输出电压随温度变化产生漂移,需对该传感器进行温度补偿,针对该问题提出粒子群优化的BP神经网络算法(PSO-BP)。通过二维标定实验,利用温度传感器监测实验环境温度,得到扩散硅压力传感器在不同工作温度下的输入输出特性曲线,建立PSO-BP模型。该模型利用粒子群算法全局寻优的能力为BP神经网络算法初始权值和阈值选取最优解,弥补传统BP神经网络初始值随机选取的弊端,克服容易局部陷入极值的缺陷。实验结果表明,经过PSO-BP模型补偿后的输出零位温度系数和灵敏度温度系数均减小一个数量级,证实该模型能够有效降低温度对扩散硅压力传感器的影响。