用于过程建模的BP网络的M训练法及其改进

以Sigmoid为传递函数的BP网络在过程系统工程领域已经得到了广泛的应用，但是一般的GDR训练算法在极小点附近易发生振荡，收敛速度慢。本文提出了人工神经网络M法训练的新途径，并且通过不同算例和工业实际数据建模应用证实了M算法的收敛速度大约是GDR算法的5－10倍左右，有效地提高了网络训练的速度和训练效率。     

基于EM算法的对传网络学习及应用

为克服“胜者全得”对传网络的缺陷,提出使用基于软竞争机制的对传网络.这样增加了网络的训练复杂度.为此,把竞争层中隐单元的输出作为未观察到的缺省随机变量,使用EM算法对基于软竞争的对传网络进行训练,降低训练复杂度,加快网络的收敛速度.在实现EM算法的M步时,根据基于软竞争机制对传网络竞争层的特点,对EM算法实现进行改进,没有使用常用的迭代重新加权最小二乘算法,而利用样本加权平均求取隐层单元的权值向量,使EM算法更加简单易行,收敛速度快.仿真实验结果表明,基于软竞争机制的对传网络具有很好的泛化性能,特别在模式分类上具有很好的实际应用价值.     

基于改进BP-自适应遗传算法的VRP问题的研究

介绍了采用自适应遗传算法和改进BP算法相结合的混合算法来训练BP网络的方法,即先用自适应遗传算法进行全局训练,再用改进BP算法进行精确训练,以达到加快网络收敛速度和避免陷入局部极小值的目的.结果表明该算法收敛速度快,分类精度较高.     

BP旋转算法在故障诊断中的应用

针对BP算法神经网络训练时收敛速度慢的缺陷,选用了一种改进的BP算法--BP旋转算法.选用旋转机械故障诊断中的实际故障样本,采用BP旋转算法训练神经网络,进行故障诊断.研究结果表明,BP旋转算法大大加快了网络训练时的收敛速度,具有实际应用价值.     

基于改进BP-自适应遗传算法的VRP问题的研究

介绍了采用自适应遗传算法和改进BP算法相结合的混合算法来训练BP网络的方法,即先用自适应遗传算法进行全局训练,再用改进BP算法进行精确训练,以达到加快网络收敛速度和避免陷入局部极小值的目的。结果表明该算法收敛速度快、分类精度较高。     

MATLAB7.0中改进BP网络的实现

BP神经网络广泛应用于非线性建模,模式识别等方面,针对BP网络收敛速度慢,计算量大等缺点,介绍了BP神经网络改进训练算法,利用MATLAB7.0中的神经网络工具箱提供的丰富的训练函数,对几种典型的BP网络训练算法的训练速度进行比较,给出了应用实例和注意事项。     

基于LSTM与非对称网络的改进DDPG算法研究

针对深度强化学习算法在复杂动态环境中训练时,由于环境的部分可观测性原因导致智能体难以获得有用信息而不能学习到良好策略且算法收敛速度慢等典型问题,提出一种基于LSTM和非对称actor-critic网络的改进DDPG算法。该算法在actor-critic网络结构中引入LSTM结构,通过记忆推理来学习部分可观测马尔可夫状态中的隐藏状态,同时在actor网络只使用RGB图像作为部分可观测输入的情况下,critic网络利用仿真环境的完全状态进行训练构成非对称网络,加快了训练收敛速度。通过在ROS中进行机械臂抓取仿真实验,结果显示该算法相比于DDPG、PPO和LSTM-DDPG算法获得了更高的成功率,同时具有较快的收敛速度。     

BP网络学习算法研究及其图像模式识别应用

BP神经网络的训练性能主要包括收敛速度和收敛精度等方面，该训练性能在很大程度上取决于所选择的网络学习算法。本文针对模式识别应用领域，通过实例，运用Matlab编程对部分较好的网络学习算法的训练性能进行了比较研究．给出了模式识别应用过程中BP网络学习算法的选择依据。在此基础上，运用BP网络编程实现了对常见单位符号图像目标的模式识别，并通过识别算法的实现过程，分析了用BP网络进行图像目标模式识别的具体思路和方法。     

中医脉象的BP神经网络分类方法研究

为了实现中医脉象的客观、准确分类,文章提出了一种基于BP神经网络的脉象识别方法。考察了隐层节点数对网络收敛速度、识别正确率的影响以及学习率对收敛速度的影响,改进了网络训练算法。并选取了较好的学习率参数对脉象信号进行了网络训练,获得了满意的网络收敛误差和识别精度。最后用大量临床脉象样本对网络和算法进行了检验,实验结果表明该方法能够实现对中医常见脉象的准确、快速分类。     

BP算法的改进及其在Matlab上的实现

针对BP算法这种当前前馈神经网络训练中应用最多的算法,在介绍BP神经网络的基础上,对标准的BP网络训练算法存在的收敛速度慢、易陷入局部极值的严重缺点,提出了几种学习算法上的改进;进而介绍了改进蹬算法在Matlab神经网络工具箱中的函数实现。最后应用实例利用Matlab神经网络工具箱对标准BP算法及改进的算法进行语言编程、仿真。仿真结果显示,改进后的算法在极值、收敛速度上得到了很大的改善。     

一种基于误差放大的快速BP学习算法

针对目前使用梯度下降原则的BP学习算法，受饱和区域影响容易出现收敛速度趋缓的问题，提出一种新的基于误差放大的快速BP学习算法以消除饱和区域对后期训练的影响．该算法通过对权值修正函数中误差项的自适应放大，使权值的修正过程不会因饱和区域的影响而趋于停滞，从而使BP学习算法能很快地收敛到期望的精度值．对3-parity问题和Soybean分类问题的仿真实验表明，与目前常用的Delta-bar-Delta方法、加入动量项方法、Prime Offset等方法相比，该方法在不增加算法的复杂度和额外的CPU机时的情况下能更快地收敛到目标精度值．     

基于LM算法的神经网络语音识别

由于语音识别中朵用标准BP算法存在的训练速度慢、容易陷入局部极小等问题，提出一种基于稳定、快速的Levenberg-Marquardt算法的神经网络语音识别方法，主要包括语音信号预处理、特征提取、网络结构优化设计、网络学习训练和语音识别等过程。其中网络隐含层节点数的选取采用黄金分割优选法。试验仿真表明，LM算法明显提高了网络训练速度，减少了训练时间，其效果优越于标准BP算法。     

AFSA＋PSO混合算法在BP网络故障诊断中的应用

提出一种基于人工鱼群算法和粒子群算法混合训练BP网络的故障诊断系统.采用人工鱼群算法和粒子群算法结合算法训练神经网络权值,局部搜索速度快且保证全局收敛,有效克服了传统的BP神经网络收敛速度慢且容易陷入局部极值的缺点.将该网络用于齿轮箱故障诊断,并与传统BP模型用于故障诊断结果进行了比较,取得了较好的效果.     

人工神经网络在汽液相平衡常数预测中的应用

汽液相平衡常数的计算在化工分离过程中至关重要 ,传统方法参数众多 ,计算过程复杂 ,耗用机时多。本文在文献数据的基础上 ,首先利用过程模拟软件DesignⅡ对汽液相平衡常数进行了计算 ,然后使用三层BP神经网络及L -M算法对汽液相平衡常数进行预测 ,并以其他多种算法作为对比。结果表明 ,预测数据与实验数据吻合相当好 ,L -M算法运算速度明显快于其他算法 ,总耗机时大大缩短     

一种基于改进遗传算法的新型小波神经网研究

提出了一种基于改进遗传算法（Improved Genetic Algorithm , IGA）的新型BP小波神经网络，并通过异或问题和非线性辨识问题进行仿真实验。实验结果表明，基于改进遗传算法的BP小波网络不仅具有小波分析良好的局部特性以及神经网络的学习、分类能力，而且具有遗传算法全局快速寻优的特点，与简单遗传算法相比，在收敛快速性和稳定性方面都有了明显的改善。     

基于MEC优化BP神经网络的PSD非线性校正

光电位置敏感传感器(PSD),特别是其B区存在非线性误差大、测量精度低的问题.针对现有神经网络校正方法的不足,提出一种基于思维进化计算(MEC)算法优化的神经网络校正模型.该方法首先应用MEC算法搜索最优神经网络初始权值和阈值,再利用LM算法训练BP神经网络,最后将训练好的神经网络用于PSD非线性校正.仿真实验结果表明,所提出的方法校正精度高,收敛速度快,泛化能力强,测试数据的平均误差被控制在0.005 mm以下.经过校正后的PSD在非线性区表现出与线性区相似的线性程度,提高了PSD的测量精度.     

基于遗传模拟退火算法优化的BP神经网络

在研究标准BP神经网络的基础上,针对其存在的收敛速度慢、且容易陷入局部极小值等问题进行分析,设计实现一种采用数值优化的方法来改进BP网络性能的新的混合神经网络模型.通过引入遗传模拟退火算法扩大了网络的权值更新空间,把得到最优权值赋予BP神经网络,从而使优化后的神经网络具有泛化性好,不易陷入局部极小值等优点.与标准BP神...     

基于遗传算法的BP神经网络技术的应用

针对BP网络的不足,提出了基于遗传算法的神经网络技术。将两者有机的融合在一起,充分利用了GA算法的全局搜索能力和BP算法的局部搜索能力,加快了收敛速度,提高了收敛精度,将其应用于高速公路动态称重系统的神经网络控制器的训练中,取得了较好的效果。     

基于量子进化算法的神经网络及应用

研究了量子进化算法,并将其与神经网络相融合,提出了基于量子进化算法的神经网络学习算法,然后将其应用于工业过程丙烯腈收率建模,结果表明量子进化神经网络建模具有较快的收敛速度和较高的模型精度,可以满足工业中要求丙烯腈收率误差不超过1%的要求。