一种改进的前馈神经网络算法

介绍了前馈神经网络算法,讨论了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,并通过仿真实验证明了结合BFGS算法的神经网络具有更好的收敛性,误差更小。     

误差反向传播神经网络（BP网络）算法的启发式改进

本文主要研究了人工神经网络中误差反向传播神经网络（BP网络）的算法及学习规则,并针对BP网络算法不具有动态信息处理能力,提出了算法的启发式改进。     

提高BP神经网络学习速率的算法研究

BP(Back Propagation)神经网络是一种按误差逆传播算法训练的多层前馈网络。本文针对BP神经网络学习速率低、收敛速度慢的问题进行研究,介绍了标准的BP算法和提高收敛速度的动量因子法和变步长法,对比实验结果明显,旨在为研究BP神经网络学习速率提供参考。     

BP神经网络在数字识别中的应用

神经网络(neuralnetwork)是近年来再度兴起的一个高科技研究领域,数字识别就是其中一项既基本又非常重要的应用性研究领域。BP神经网络(Back-Propagation),又称误差反向传递神经网络,是一种依靠反馈值来不断调整节点之间的连接权值而构建的一种网络模型。BP网络可以看作是对多层感知器网络的扩展,即信息的正向传播及误差数据的反向传递。本文给出了设计用于识别手写数字BP神经网络的过程。     

基于神经网络的数字广播信号无线定位算法(英文)

为了提高非视距(NLOS)环境下无线定位的准确性和可靠性,提出了一种利用数字广播信号进行移动台定位的神经网络方法.该方法利用神经网络的学习特性和逼近任意非线性函数的能力,建立到达时间(TOA)和到达时间差(TDOA)测量数据与坐标之间的映射关系.将神经网络的连接权值作为非线性动态系统的状态量进行估计,用基于扩展卡尔曼(EKF)的实时神经网络训练算法来训练多层感知器网络.由于基于EKF的训练算法给出的是连接权值的近似最小方差估计,其收敛性要优于误差反向传播(BP)算法.仿真结果表明,该算法在NLOS环境下有较高的定位精度,性能优于BP基的神经网络算法和最小二乘算法;且该定位方法不依赖于特定的NLOS误差分布,也无需视距(LOS)和非视距识别.     

基于BP神经网络与粒子群算法的水质评价方法

针对水质评价中BP神经网络算法存在的收敛精度不高、泛化能力弱等问题,提出了一种粒子群算法和BP神经网络算法相结合的改进型算法。该算法优化了BP神经网络的网络参数,提高了算法的收敛精度及网络泛化能力。通过实验验证了算法的有效性。     

BP网络的主控式误差调整学习算法

提出一种BP神经网络的主控式误差调整学习算法,该算法根据网络输出端的误差变化趋势主动控制输出层的误差调整,进而由调整误差的主动调节控制网络权值和阈值的学习。计算机模拟结果表明,这种学习方法具有能稳定收敛、收敛速度快、适用范围宽、泛化能力强等特点,从而在一定程度上克服了传统BP算法的局限性,实现较有效的学习。     

基于改进神经网络模型的股指预测实证研究

针对BP神经网络容易陷入局部最小值以及网络收敛速率缓慢等问题,利用遗传算法优化网络权值和阈值,根据网络输出总误差变化对学习率进行动态调整,并运用改进的BP神经网络模型对上证指数进行预测分析.实证研究表明,改进的BP神经网络预测模型能够加快算法收敛速率,有效地提高预测精度.     

BP神经网络优化算法研究

为解决BP神经网络收敛速度慢和易陷入局部极小值的缺点,利用遗传算法(GA)和基因表达式编程(GEP)的各自特点,基于BP算法提出了两种改进算法:其一是GA-BP算法,即利用GA优化BP神经网络的权值和阈值;其二是GEP-BP算法,即利用GEP对BP网络进行调整,包括网络结构、权值和阈值。用样本数据进行了测试并与基本BP算法进行了比较,结果表明两种改进算法具有很强的可行性和高效性。     

基于改进遗传算法的BP神经网络控制器

BP神经网络是一种按误差逆传播算法训练的多层前馈网络,其与遗传算法的结合可以得到一种拥有良好的全局优化搜索和局部时频特性的学习训练途径。针对BP网络的不足,提出了一种基于改进遗传算法的BP神经网络控制器,此方法可以克服基本遗传算法收敛速度慢,容易陷入"早熟"收敛,计算稳定性不好等一系列问题,进一步提高了BP神经网络控制器的性能。最后通过对轧制力模型的预报仿真,证明了控制器的有效性。     

基于LM—BP神经网络的GDP预测模型及其应用

讨论了基于Levenberg—Marquardt（LM）算法的BP神经网络及其GDP预测的应用。LM算法利用误差函数二阶导数信息,对高斯一牛顿法的优化,相对传统的负梯度法而言,其收敛速度更快。最后以贺州市GDP为例,就预测的效率和精确度来说,LM—BP网络预测GDP的速度和精度明显优于标准的BP算法网络。     

BP神经网络在玻璃缺陷识别中的应用

在玻璃缺陷识别系统中,利用BP神经网络基本原理结合特征参数设计BP神经网络结构。为了更准确地识别玻璃表面缺陷,在传统BP神经网络算法基础上,提出加入动量因子、引入陡度因子以及调节学习效率的方法,并进行对比试验。仿真结果表明,3种方法均可提高缺陷识别率,但只有引入陡度因子的方法可使最优误差与期望误差最为接近,能够更好地改善网络收敛性。     

蚁群BP神经网络实体解析匹配研究

为了改进BP神经网络收敛速度慢、不能得到全局最优解的缺点,选择具有全局优化、支持并行且具有自适应特性的蚁群算法,优化神经网络初始权重和阈值。将算法运用于实体解析元组对的匹配加以验证,结果表明：在相同最大迭代次数下,BP神经网络迭代490次可寻找到最优解,其均方误差为0.078,ACO-BP神经网络同样迭代487次可寻找到最优解,均方误差为0.013,相对来说均方误差更小,训练效果更接近于目标值,表明蚁群优化的神经网络算法可以改善传统BP神经网络收敛速度慢、学习效率低和易陷入局部最优等缺点。     

基于Elman神经网络的空调负荷预测研究

为了更准确对空调系统负荷进行预测,文章在介绍Elman神经网络原理的基础上,对应用在处理动态数据模型上具有优越性的Elman回归型神经网络建立负荷预测模型,讨论了负荷预测模型中隐层神经元数目的选取,并对空调负荷值进行预测.同时也对静态前馈型BP神经网络进行建模和预测,比较两种预测结果,分析其误差,证明了Elman网络在动态预测实验中与BP网络相比较的优势.     

神经网络BP算法改进及其性能分析

传统的神经网络BP算法具有强大的自学习、自适应及非线性映射能力,但算法具有收敛缓慢、易陷入局部极优等缺点。针对传统BP算法的不足提出改进方法,并用于解决异或问题和字符识别问题。实验表明,改进算法能提高网络学习速度、减小网络误差,具有更好的收敛性和鲁棒性,各方面都明显优于传统BP算法。     

用BP神经网络解决“徽章”问题

神经网络具有大规模并行处理、自适应性、自组织性及容错性等其他算法无法比拟的优点,在处理分类问题中得到了广泛的应用。BP算法已成为目前应用最为广泛的神经网络学习算法,绝大部分的神经网络模型是采用BP算法或它的变化形式,它是前向神经网络的核心部分,体现了神经网络最精华的部分。文章介绍了利用BP算法解决一个典型的分类问题——徽章问题。     

基于改进的神经网络异常声音自动识别系统研究

针对标准的BP神经网络对于声音信号识别率不高的问题,提出了一种用粒子群算法(PSO)优化BP神经网络的算法,建立了声音信号识别模型。PSO优化BP神经网络主要是用PSO来优化BP神经网络的初始权值和阈值,然后通过训练BP神经网络得到识别模型的最优解,优化后的神经网络具有误判率小、反应速度快等特点。在实验中把标准的BP神经网络和PSO优化后的BP神经网络用于八种异常声音的MFCC特征量和差分MFCC特征量识别,结果表明:在声音信号的识别系统中采用PSO优化BP神经网络的算法提高了系统的识别性能,达到了系统设计的目的。     

融合双重BP神经网络组合模型的Python解析计算机网络上传数据算法

针对手工提取网络上传数据过程烦琐、工作量大的问题,提出一种融合双重BP神经网络组合模型(A combination model of dual BP neural network,CMDBPNN)的Python解析计算机网络上传数据算法.该算法对BP神经网络组合模型的空间实施网络化处理,且对于网络单元中的信息也可以借助相似的方法来进行记录,依据优化之后的金字塔时间结构对其中潜藏的网格单元来实施有效的存储,以实现Python解析计算机网络上传的数据算法.最后,利用真实数据集与仿真数据集进行实验.结果表明:该算法具有良好的适用性和有效性.     

BP神经网络的非线性思想

BP神经网络是误差反向传播神经网络的简称,是目前应用最为广泛和成功的神经网络模型之一。它的最大特点是提供了一个处理非线性问题的模型,系统地解决了多层网络中隐单元连接权的学习问题。     

遗传算法和神经网络在图像识别中的应用

针对BP算法在神经网络学习中的一些缺点,将遗传算法应用于BP神经网络的网络学习中,提出了一种BP-GA算法。最后,应用神经网络对图像进行智能识别,实验结果证明它比单纯的BP算法有更佳的结果。