采用调整函数优化梯度的BP算法改进

针对基于梯度下降法的BP算法提出一种改进方法:AF法。即在权值修正中,引入一个调整函数优化梯度。调整函数作用在激活函数的导数上,用于平缓和优化激活函数的导数运算。并就4元校验码和Feigenbaum函数逼近问题进行算法比较。实验显示,应用本方法的单隐层BP网就能迅速有效地解决异或问题和4元校验码问题。     

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。     

BP神经网络的改进算法及其研究

通过分析标准BP算法的原理,可以发现BP标准算法存在着易形成局部极小而非全局最优;训练次数多使得学习效率低,收敛速度慢;隐节点的选取缺乏理论指导;通过在标准BP算法中引入加动量项法来优化BP算法。实验结果表明,该有效地提高了BP算法的迭代次数,减少误差。     

基于改进BP算法的数字字符识别

本文利用BP神经网络算法，在MATLAB环境下，分别用理想字符信号和含噪声字符信号对同一网络进行了训练，使系统具有较强的容错性。最后用实际扫描的不同字体字符进行了识别实验。实验结果证明了系统在实际应用中的可行性。     

基于BP神经网络对非线性函数拟合

不确定性、非线性常存在于控制领域系统中,难以控制和分析。本文基于BP神经网络对非线性函数拟合进行研究。通过仿真验证了该方法对非线性函数拟合具有良好效果和适用性。     

改进的BP神经网络算法及其应用

为了进一步优化神经网络算法,提高网络神经算法的速率并提高其稳定性,就现有BP算法所存在的收敛速度慢以及容易陷入局部极小值的弊病,我们将进一步通过一般改进算法解决在神经网络结构优化过程中依然无法解决的问题。依据遗传算法的特征,进一步在经过改进的压缩映射遗传的基础上提出了BP神经网络优化方案。泛函分析中压缩映射原理的应用,一方面解决了困扰人们的BP神经网络算法所固有的缺点,显著地提高了神经网络算法的收敛速度,而且解决了BP神经在运行的过程中和网络连接权值初值的取值紧密相连的缺点。经过大量的计算我们得到如下数据:经过优化改进后,训练时间节约了8.3%,训练步数降低了近17.4%。经过大量的研究实验表明:经过改进后的BP神经网络算法取得了良好的效果,十分具有应用价值。     

基于联想记忆神经网络模型的BP算法

提出一种改进神经网络BP算法的识别训练系统。实验结果表明，基于联想记忆神经网络模型的BP算法，大大降低样本可变系统的网络训练次数。该系统有效降低样本可变系统的网络训练时间，为BP算法应用于对实时性要求高的场合提供算法基础。     

多层前向神经网络的一种改进BP算法

在介绍传统BP算法的基础上,提出了一种改进算法,该算法通过对权值调节量的修改,提高了网络训练过程效率。最后,通过仿真结果可以看出,这种算法改进了BP算法的训练过程。     

用于神经网络模式识别的一种改进的BP算法

在对采用BP算法的神经网络进行分析的基础上，针对标准BP算法的不足进行了改进，并给出了通过对作用函数进行修正后所得到的改进BP算法的应用实例。     

经济评价中神经网络BP算法应用的探讨

1987年Lapedes和Farber首先应用神经网络进行预测,开创了神经网络预测技术的历史,这就为我们在产品价格预测领域,探索一些新的算法理论及技术,开辟了一条崭新的道路。 所谓人工神经网络(Artificial Neural Networks)简称神经网络(ANN),就是基于模仿生物大脑的结构和功能,而构成的一种信息处理系统,目前国际上ANN的应用主要是基于一般计算机的软件模拟来实现的。 神经网络为什么可以应用于预测呢?因为ANN是     

基于改进BP神经网络的洪峰预测模型

BP神经网络擅长对数据模型进行预测,通过模拟退火遗传算法的引入,对原始BP网络进行改进,对比分析两种算法的流程及效率,同时在洪峰预测模型上进行试验,观察两者的数据结果,并分析误差和效率,发现改进BP网络优于原始BP网络,在实际工程应用中值得推广。     

基于LabWindows/CVI的人工神经网络BP算法的实现

提出了一种BP学习算法的改进算法，与传统BP算法相比，本算法针对传统BP算法收敛速度较慢的缺点，提出了两点改进：一是选用奇函数作为激励函数；二是改进了学习过程中不随误差变化的误差反向传播因子，并给出了该算法在LabWindows／CVI环境下的实现方法。程序运行表明，本算法使学习速度有了较显著的提高。     

基于GA的BP神经网络在多目标优化中的应用

针对传统多目标优化的求解方法通常存在目标权值主观性大,优化目标仅为各目标加权和以及在求解过程中各目标优化的不可操作性等问题,文中提出了一种新颖的多目标优化算法,其将改进后的遗传算法与BP神经网络融合,提出了基于遗传算法的BP神经网络融合算法。该算法将遗传算法与BP神经网络算法相结合,充分发挥遗传算法的全局搜索能力优势和BP算法的局部搜索能力特点,使得多目标优化问题得以求解,加快收敛速度,从而提高了收敛精度。     

利用改进的BP算法实现神经网络辨识仿真

系统辨识是控制系统设计的基础。基于多层前馈神经网络结构,采用一种改进的BP算法,利用二阶梯度变尺度模型,完成了神经网络非线性系统辨识。与传统的辨识方法比较,神经网络应用于非线性系统辨识具有泛化功能和很好的容错能力,是一种不依赖模型的自适应函数估计器。采用一种改进的BP算法有效地改善了系统收敛速度慢的问题,BP模型已成为神经网络的重要模型之一,从而为控制系统正确设计奠定理论基础。     

基于BP神经网络的气象威胁度建模和评估方法研究

对执行非作战任务的无人机航迹规划而言,气象要素是必须考虑的主要因素之一.重点针对气象要素对无人机航迹规划的影响进行分析,给出了8种严重影响飞行安全的气象相关因子.结合BP神经网络算法建立了气象威胁度模型,并对气象威胁度进行了仿真评估分析.仿真结果表明,该气象威胁度模型简单实用,评估方法具有良好的效用,能较迅速、准确地反...     

一种基于BP网络的星图识别算法

为了提高星图识别算法的抗噪性能,提出一种基于逆向传播(Back Propagation,BP)网络的识别算法。该算法通过将星图转换成“0”、“1”和“2”的网格矩阵,提取行列数值和星数形成匹配向量,利用多个BP识别子网进行训练完成匹配识别。通过仿真试验得出以下结论:对星等位置和星等添加噪声,当位置噪声标准偏差为2像素时,BP网络算法的识别率和识别时间相对传统栅格算法分别提高2%和60ms,对噪声有较强抗干扰能力,表明BP网络算法具有更快的识别速度。     

基于GA-BP神经网络的人脸检测

传统的BP神经网络算法收敛过慢、局部收敛不理想,影响其工作性能。针对以上不足以及人脸图像数据大等问题。提出GA-BP神经网络对人脸图像进行检测的新方法:将遗传学习算法和误差反向传播算法相结合的混合算法来训练前馈人工神经网络,使网络收敛速度加快和避免局部极小。通过实验表明该网络不仅收敛速度快,而且易达到最优解。证明该网络对人脸图像检测具有高的检测精度。