前馈神经网络的一种新的学习算法

本文将变尺度法引入到神经网络的学习中。在修改权值时，引入串行修正权值的思想。基于以上两点提出的算法具有收敛速度快、实习精度高等特点。     

前馈神经网络的一种新的学习算法

本文将变尺度法引入到神经网络的学习中。在修改权值时，引入串行修正权值的思想。基于以上两点提出的算法具有收敛速度快、学习精度高等特点。     

前馈神经网络的一种快速学习算法

提出的算法是利用凸函数共轭性质中的Young不等式构造优化目标函数,这个优化目标函数对于权值和隐层输出来说为凸函数,不存在局部最小。首先把隐层输出作为变量进行优化更新,然后快速计算出隐层前后的权值。数值实验表明：此算法简单,收敛速度快,泛化能力强,并大大降低了学习误差。     

前馈神经网络的混沌BP 混合学习算法

简要分析由Logistic映射产生的混沌数以及不同混沌序列之间的概率统计特性，为混沌全局性搜索提供了依据．将一种快速BP算法与混沌优化相结合，提出了混沌BP混合算法，由于混沌Logistic映射的遍历性、随机性，使得混合算法收敛速度快，且具有全局性，采用混合算法对XOR问题和非线性函数进行仿真，结果表明该算法明显优于标准BP算法和快速BP算法。     

前馈神经网络BP算法在环保神经网络系统的应用

文章探讨应用反向传播算法建立一个能预测、推理、诊断、分析并确定污染源的生态系统环保神经网络，这种网络是一个具有自适应学习能力的模式识别系统，能从经验中学习适合不同需要的判别函数，是一种有指导的训练。     

一种改进BP神经网络的算法

传统的神经网络BP算法存在收敛速度慢、存在局部极小点等问题,这种算法收敛慢的主要原因是它利用的是性能函数的一阶信息,递推最小二乘算法利用了二阶信息,但是需要计算输入信号的自相关矩阵的逆,计算量大,不易实现。本文提出一种梯度递推BP算法,它基于最小二乘准则,利用改进的梯度来实现BP算法,这种算法不用计算输入信号的自相关矩阵,并通过仿真证明了该算法的有效性。     

一种前馈神经网络改进的新型分层算法

本文提出了实三层前馈网络的一种新型学习算法.该算法采用的是分层优化方法,将隐层的非线性神经元线性化,线性化产生的误差通过罚项而受到限制.分层优化使得每一层权值整体优化,而与另一层无关,这样使得整个优化过程更为有效.     

BP神经网络优化算法研究

标准BP学习算法通常具有收敛速度慢,易陷入局部极小值等缺点,综述了当前国内外为克服标准BP算法的缺陷而提出的优化算法。     

BP神经网络的一种稳健改进算法

本文借鉴统计中的稳健估计方法的思想，对ＢＰ网络构造了新的误差平方和函数，在新的误差平方和函数下的ＢＰ算法，使ＢＰ网络能较好地用于观测值存在“异常点”的情况。     

一种改进的神经网络BP算法程序设计

本文对ＢＰ网络算法进行了改进，并结合该算法进行了程序设计。实际应用结果表明，所设计的程序具有较好的性能。     

基于小生境-遗传算法优化的新型BP模型

为解决传统BP神经网络模型易陷入局部极小点、网络结构不稳定、收敛速度慢等问题,提出了一个小生境遗传算法优化的BP神经网络模型。该网络模型借助BP神经网络的非线性映射和学习联想能力和小生境遗传算法的搜索能力,利用小生境遗传算法的选择、交叉、变异及小生境淘汰等操作,来对BP神经网络的初始权值和阈值进行优化,同时使用BP算法来训练该模型,从而有效地解决了网络初值不合理的问题,提高了网络收敛速度、稳定性。实验证明：与传统方法相比,该模型具有很强的可行性和有效性。     

一种改进的复数BP神经网络算法研究

论文提出了复数BP神经网络的一种新结构和算法。算法的主要思想是将复值输人信号的实部和虚部分离,分别训练,使其达到稳定状态。其结构简单,易于实现,只需少量样本点却有很高收敛速度和精度。通过实验和仿真说明论文算法的有效性。     

一种随机学习速率的BP神经网络算法

在基本的BP算法及VLBP算法的基础上,根据遗传算法中变异的思想.提出了一种随机学习速率的BP算法.该算法在避免陷入局部最小的问题上有了一定的改善,并明显地加快了收敛速度.     

BP神经网络的优化算法研究

BP学习算法通常具有收敛速度慢,易陷入局部极小值等缺点;遗传算法是全局优化算法,具有较强的全局搜索性能,但它在实际应用中容易产生早熟收敛的问题,且在进化后期搜索效率较低;模拟退火算法具有摆脱局部最优点的能力,能抑制遗传算法的早熟现象.因此,本文在BP算法结合遗传算法的同时,再加入模拟退火算法,可以有效地缓解遗传算法的选择压力.     

基于遗传算法优化BP神经网络的窃电分析

目前我国存在着严重的窃电现象,窃电手段繁多而且隐蔽,这使得工作人员的反窃电工作越来越难。基于供电企业能够采集用户用电数据,本文通过选取用户的相关历史数据进行处理和分析。根据对窃电数据特性的分析研究,挑选出月用电量、台区线损值、最大线损值、功率因素、三相不平衡率、合同容量比六个电气参量作为窃电数据的分析指标,采用遗传算法优化BP神经网络算法构建窃电分析模型,对指标样本数据进行分析,得到用户的窃电嫌疑系数,筛选出用电情况异常用户。本方法能够较方便、全面、智能的分析用户的用电情况,为供电企业实施反窃电工作指明了大致的方向,简化了反窃电的许多工作。     

混合遗传蚁群算法优化BP神经网络预测空气质量

为了进一步提高空气质量指数预测精度,提出一种混合遗传蚁群算法优化BP神经网络的方式对空气质量指数进行预测.首先初始化蚁群算法的信息素分布,对不满足适应度条件的进行遗传算法的交叉、变异操作,进而计算蚁群的状态转移概率和信息素浓度,当适应度值满足条件要求时,将寻优结果作为BP神经网络的最优权值和阈值,来改善单一BP神经网络的不足.最后通过运用西安市的空气质量指数日历史数据进行验证,实验表明,本文所提模型的各个评价指标相对其他对比模型误差更小,在预测精度方面具有更高的说服力,因此能够有效地预测空气质量指数.     

基于遗传神经网络的网格资源预测模型

研究网格资源预测问题,网格资源具有非线性、混沌变化特点,传统BP神经网络具有局部极小、收敛速度慢等缺陷,预测精度较低。为提高了网格资源预测精度,提出一种基于遗传神经网络的网格资源预测模型。利用遗传算法对BP神经网络的权值和阈值进行优化,然后采用BP神经网络对网格资源建立预测模型,最后采用网格资源时间序列进行有效性仿真。仿真结果表明,遗传神经网络有效地解决了传统BP神经网络的不足,提高了网格资源的预测精度,降低了预测误差,十分适合于非线性、混沌的网格资源时间序列预测。     

基于模拟退火优化BP神经网络的PH值预测

为自动准确测定水质p H值,采用大量的具有代表性的p H值检测数据为样本,提出了一种基于模拟退火优化BP神经网络的p H值预测方法。利用模拟退火算法优化BP网络的权值,调整优化样本的选取和隐层神经元数,训练BP神经网络预测模型得到最优解。由测试样本对网络进行了预测试验,并与非线性回归的预测结果进行了对比。结果表明,该方法对水质p H值预测具有较好的非线性拟合能力和更高的预测准确性。     

基于遗传算法和LM优化的BP神经网络的图像复原算法

提出了一种针对图像复原的GA-BP算法.在对退化图像进行复原的过程中,针对BP算法易陷入局部极小、收敛速度慢的缺点,根据遗传算法具有全局寻优的特点,充分利用遗传算法的全局搜索性能进行"粗"搜索,当搜索到全局最优点的附近时,再采用BP算法进行局部搜索,将两者结合起来形成GA-BP算法.通过对图像复原后的效果进行比较,实验表明该算法可以有效的应用于图像复原.