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。     

改进的RBF文本分类算法

分析了文本分类系统的一般模型及现有技术,在应用了核主成分分析的特征降维方法进行处理后,提出了一种基于样本中心的径向基( RBF)神经网络文本分类算法,并且引入了聚类算法的核心思想,来改进误差反向传播(BP)神经网络分类算法收敛速度较慢的缺点.实验结果表明, RBF网络与BP网络相比,具有较高的运算速度和较强的非线性映射能力,在收敛速度和准确程度上也有更好的分类效果.     

基于改进SFS特征选择BP识别算法

特征选择在BP神经网络算法中起着重要作用,顺序前向选择算法(SFS算法)利用前向搜索叠加的方式,从众多的原始特征中获得对分类识别算法最有效的主要特征,实现样本特征维数压缩。提出一种改进SFS特征选择算法,设计了加权判别函数和测试反馈停止准则。实验证明,改进算法能有效压缩样本特征维数,提高BP网络收敛速度和正确识别率。     

音素分类用函数链网的训练

提出用于音素分类的函数链神经网的改进训练方法。其基本思想是：用正反例均衡、样本跳转、目标函数修正、学习率自动调整和样本渐增等改善常规的BP算法，以提高其分类性能和收敛速度。文中还提出了一种形象和有效地评价分类器性能的方法—正反例样本分布直方图。实验表明，所提算法能显著改善BP训练性能。将其与结构优化算法结合用于训练和优化汉语辅音‘b’的分类网，可将输入维数由90维压缩到18维，而对其训练集的正识率仅由96.98％减为95.29％。     

BP网络不平衡训练样本集的有效学习算法

分析了ＢＰ网络标准反传学习算法对不平衡样本集训练速度慢的原因，研究了如何改进其学习算法来加速训练速度，并通过实验对上述理论进行验证。     

基于输入扩展改进的BP网络及其在遥感图像分类中的应用

提出了一种基于输入模式扩展的神经网络改进方法,并和Levenberg-Marquardt优化的BP网络(LMBPN)进行了对比。通过二阶内积或切比雪夫多项式等非线性函数,把输入向量映射到更高维的模式空间,可以增强样本的可分性。Iris数据和遥感图像分类实验表明,输入模式扩展的神经网络改进方法可以进一步加快收敛速度,改进模式分类效果。     

红外焦平面非均匀校正快收敛卡尔曼滤波算法

卡尔曼滤波算法在迭代过程收敛之前无法有效抑制红外图像的非均匀性噪声。因其收敛速度慢,严重影响了图像的整体校正效果。由于迭代过程的收敛速度与初始状态参数密切相关,提出了一种采用优化的初始状态参数的改进卡尔曼滤波算法。优化的初始状态参数通过对用于两点校正的校正参数进行转换并对其结果进行统计得到。对于真实的红外图像序列实验结果显示,传统卡尔曼滤波算法在经过数次迭代之后才进入收敛状态,改进该算法必须从一开始就已经接近收敛状态。实验结果表明:与传统算法相比,改进算法收敛速度快,对起始段图像序列的非均匀校正效果有明显改善。     

BP神经网络学习算法的改进及其应用

针对标准BP算法的不足给出了典型的改进算法。对两个BP网络的应用实例利用MAT LAB语言编制了仿真程序 ,并对几种算法的学习收敛速度进行了比较。结果表明改进算法的学习收敛速度大大地优于标准BP算法。     

基于样本随机均匀分布的BP神经网络改进算法

人工神经BP网络在样本特征的模式识别方面具有很强的分类能力,并且具有较好的泛化能力,但同时也存在不足之处,如收敛速度慢,很容易陷入局部极值,难以确定隐层数和隐层节点数等等。因此本文提出了一种基于样本随机均匀分布的BP网络识别的改进算法,进行了深入的数学分析和实验验证。实验结果表明,改进型算法能够有效的改进传统BP网络收敛速度慢和容易陷入局部极值的问题。     

无线传感网络监测数据分类算法仿真分析

研究无线传感网络数据的准确分类问题。针对无线传感网络监测得到的数据属性呈现高冗余特征,用传统的BP神经网络进行分类易陷入局部最优解、泛化能力差、收敛速度慢与精度低等问题,造成数据很难被准确分类,提出用免疫算法优化BP神经网络的分类算法。该算法利用免疫算法所具有的全局收敛特性和个体多样性保持机制,全局搜索优化BP神经网络的权值,再用BP算法对其开展局部搜索工作。仿真实验结果证明,该算法能够有效克服训练经典BP神经网络时容易陷入局部极值的不足,加快了网络的收敛速度,传感器网络数据分类识别的准确率也得到了大幅度提高。     

混沌灰狼优化算法训练多层感知器

灰狼优化算法(GWO)是一种新的基于灰狼捕食行为的元启发式算法,被证明是一种具有高水平的探索和开发能力的算法。但是存在开发和探索不平衡的问题,以至于其优化性能并不理想。该文将混沌理论引入GWO中,用于平衡GWO的探索和开发,提出一种改进的混沌灰狼优化算法(CGWO),并应用于多层感知器(MLPs)的训练。首先,基于Cubic混沌理论对GWO的位置更新公式进行改进,以增加个体的多样性,增大跳出局部最优的概率和对解空间进行深入的搜索;其次,设计一种非线性收敛因子,用于协调和平衡CGWO算法在不同迭代进化时期的探索和开发能力;最后,将CGWO算法作为MLPs的训练器,用于对3个复杂分类问题进行分类实验。结果表明:CGWO在分类准确率,避免陷入局部最优,全局收敛速度和鲁棒性方面相较于其他对比算法均具有较好的性能。     

基于马氏抽样的SVM非平衡数据分类算法的泛化性能研究

本文将样本为独立同分布的情形减弱为一致遍历马氏链的情形去研究了非平衡数据分类算法的泛化性能,提出了基于马氏抽样的SVM非平衡数据分类算法、基于马氏抽样的EDSVM非平衡数据分类算法和基于马氏抽样的SVM-WKNN非平衡数据分类算法.并用UCI数据库中的10个实际不平衡数据集进行数值实验,实验结果表明基于马氏抽样的上述三种算法的错分率均比基于随机抽样的对应算法的错分率要低,且上述三种算法中,基于马氏抽样的SVM-WKNN非平衡数据分类算法的泛化性能最好.     

基于双重改进的鲸鱼优化算法

传统的鲸鱼优化算法(WOA)容易陷入局部最优以及收敛速度慢,针对此问题进行研究,提出了一种改进的鲸鱼优化算法,改进算法首先用非线性收敛因子替换原本使用的收敛因子,改进后的非线性收敛因子可以有效利用在算法中以弥补该算法在计算过程中全局探索与局部开发能力中的缺陷,并且可以加快算法收敛速度;然后在鲸鱼位置更新公式中加入了自适应权重,该策略可以改善算法的寻优精度以及进一步提高收敛速度;最后,在固定参数和不同维度的8个基准测试函数上进行了实验,结果表明,改进后的算法在寻找最优位置的精度和收敛速度对比于传统的鲸鱼算法和其他智能优化算法均有着显著的提高,具有更好的优化效果.     

基于模拟退火遗传算法的模糊分类器参数优化及其应用

该文从结构和算法上研究了Max-Min模糊神经网络(MMNN),找出了其固有的局限性,相应提出了一系列的改进措施形成改进MMNN算法。为了更好地提高网络的性能,同时考虑到优化算法的收敛速度,本文提出了基于模拟退火遗传算法的网络参数优化方法,通过计算机仿真,证明了该方法是可行的。最后,运用它作为分类器对实际的船舶辐射噪声进行了分类实验,与BP等算法进行了比较,显示出其独特的优越性。     

多层前向神经网络的权值平衡算法

对前向多层神经网络BP算法的改进方法作了分析,提出了一种新的改进方法——权值平衡算法,充分发挥各权值对网络训练的作用.仿真结果表明,新算法与基本的BP算法相比明显地提高了网络收敛速度和精度,对适合运用本算法的神经网络结构作了探讨.     

HSMC-SVM的二次逼近快速训练算法

HSMC-SVM是一种直接型高速多类支持向量机,适合用于类别较多的分类场合,但由于SMO算法采用经验方法选择工作集,使得在用SMO算法训练HSMC-SVM时,收敛速度较慢。为提高HSMC-SVM的收敛速度,该文提出用基于二次逼近的可行方向法来训练HSMC-SVM,并使用了样本缩减策略。实验表明,这种方法可以有效提高HSMC-SVM的收敛速度,其收敛速度已经超过了基于libsvm的组合多类支持向量机,完全可以用于分类类别多、样本数量大的分类场合。     

基于改进鱼群算法的WSN覆盖优化策略

本文提出了一种基于改进人工鱼群算法的无线传感器网络覆盖优化策略.通过对人工鱼群视野范围和步长的自适应调整,提高了算法的寻优精度、收敛速度以及稳定性;再结合WSN网络覆盖的性能,使网络覆盖得以优化.仿真结果表明,改进的人工鱼群算法优化的网络覆盖率比基本人工鱼群算法的网络覆盖率提高了17％.     

基于BP神经网络的飞行参数估测方法

对传统BP神经网络算法中收敛速度慢和存在局部极小点的问题进行了研究，提出了网络结构的改进方案和优化算法，提高了网络学习速度和预测精度；应用到飞行参数估测问题中，具有算法稳定、估测精确和动态自适应的特点。     

BP网络的改进研究

针对标准BP神经网络收敛速度慢，学习精度不高的缺点，在标准BP神经网络算法中附加动量项，并以附加动量项的BP网络算法为基础，提出动量-自适应速率法，动量-可调激活函数法以及动量-自适应速率-激活函数法四种改进算法。以太阳黑子预测为实例分析四种改进算法在BP神经网络迭代次数减少，精度提高两方面的实际效果。事实证明，动量-可调激活函数算法对BP网络结构优化，提高收敛速度有明显效果。     

BP网络不平衡训练样本集的有效学习算法

分析了BP网络标准反传学习算法对不平衡样本集训练速度慢的原因,研究了如何改进其学习算法来加速训练速度,并通过实验对上述理论进行验证。