BP神经网络的IAPSOBPNN组合训练算法

针对BP神经网络易陷入局部极小点、泛化能力低的缺陷,提出了BP神经网络的IAP-SOBPNN(Particle Swarm Optimization with Immunity Algorithm Back Propagation Neural Network)组合训练算法,即免疫算法、粒子群算法和BP算法的组合.将此组合训练算法应用到非线性函数逼近和具有复杂非线性动力学特征的股价预测中,仿真实验表明,该算法避免了网络陷入局部极小点,提高了网络的泛化能力,同时为BP网络参数的确定提供了一条崭新的思路.     

BP网络的SPDS训练算法的鲁棒性

证明了作为BP网络的训练算法之一的SPDS算法在收敛的同时具有鲁棒性这一良好性质、实例也 证明了SPDS算法较之BP算法在鲁棒性问题上有较大进步．     

BP神经网络训练的函数变步长搜索调整法

通过深入分析了ＢＰ神经网络的步长调整，采用函数变步长搜索法来提高网络的学习速度，提出一种新的改进的ＢＰ算法，该算法在速度和收敛性方面比传统ＢＰ算法优越。     

一种基于遗传操作的神经网络混合训练算法

介绍了一种改进遗传算法的基本操作,并讨论了综合应用遗传算法及ＢＰ算法进行神经网络的权值训练。通过实例比较和分析了这种混合算法与ＢＰ算法的实验效果。     

神经网络BP算法的研究,实现及改进

给出了目前较流行的一种神经网络学习算法－－神经网络ＢＰ算法的数学证明及计算机实现，并在此基础上提出了几种改进算法。计算机模拟结果表明，改进算法提高了学习速度与精度，应用于工程图形元素识别效果良好。     

神经网络BP算法的一种改进

提出了一种改进算法，对原来的误差函数做了很小的改动。改进算法既保持了原ＢＰ算法的优点。又可以有效地避免假饱和，使学习过程可以较快地完成，取得了满意的结果，本文推导了改进后的算法，并结合实例对算法的效果进行了讨论．     

基于BP算法的神经网络内模控制器

文章针对一类非线性系统,采用加入阻尼项的权值调整BP算法,设计了基于BP算法的神经网络内模控制器,并进行了仿真,结果显示该控制器对阶跃信号和扰动均无稳态误差,对非线性环节有较好的控制效果。     

神经网络BP算法模拟函数曲线的改进

对神经网络的BP算法进行了进一步的探讨,提出了对不同连接权值的改进方法,并在VC 开发环境下,开发了模拟函数曲线程序,对改进算法进行了验证,结果显示训练速度明显提高,所仿真的函数图形也更接近。     

一种BP神经网络的学习算法及其改进

本文详细推导了典型ＢＰ神经网络学习算法,并给出了一种基于动量和学习速率自适应调整的虎法。仿真结果表明,改进算法的学习速度和收敛性得到了明显的提高。     

BP神经网络的硬件实现

本文提出了一种采用ＭＯＳ晶体管的电流模式连续时间模拟ＢＰ神经网络的硬件实现新方法，硬件系统适合利用ＶＬＳＩ技术，具有片人误差反向传播学习功能，能简经ＢＰ新算法修正权值，对所设计的电路提供了ＰＳＰＩＣＥ仿真结果，结果表明硬件实现方法的可行性。     

用Hebb思想改进BP算法

应用Ｈｅｂｂ理论，用生物神经元的生理基础指导神经网络的设计，并给出了训练方法与实验结论。     

BP神经网络及其改进

介绍了标准BP算法及其优缺点，并针对其存在的缺陷，从各个不同的方面对BP算法提出了改进，并对各种改进方法的原理及优缺点作了详尽的分析，从而使BP神经网络更广泛地应用于各个领域．     

基于遗传LM算法的前馈神经网络优化训练

本文采用遗传学习算法和LM（Levenberg-Decquardt)算法相结合的混合算法来训练前馈人工神经网络(Feed Forward Network)，即先用遗传学习算法进行全局寻优，再用LM算法进行精确训练，使网络避免局部极小并加快网络的收敛速度。     

提高BP网络训练速度的研究

由于误差函数的高维复杂性,BP网络在目前的应用中存在训练速度慢至导致网络系统瘫痪的问题,针对训练中的归一化问题、隐层节点数的选取、样本数目的增减取、样本数目的增减法、整体学习率的确定及训练算法进行了研究。结果表明：训练样本数据不必一定归一化到[0,1],可以通过简单的线性变换将数据转化到某相区间,使分布合理,以满足训练需要;根据经验公式,确定隐层节点数的初值,选取规模略大一点的网络开始训练;网络应对学习过的样本加强记忆,更应注意剔除错误样本;引入黄金侵害法的思想来调整学习率的步长,效果理想;采用单参数动态搜索算法作为学习算法,能快达到训练要求的精度。     

基于迭代学习的BP神经网络权值训练算法

针对传统BP算法存在收敛速度过慢、易陷入局部极小的问题,提出基于迭代学习的BP神经网络权 值修正算法。该算法将迭代学习的原理与神经网络相结合,同时采用本次训练误差和前一次的训练误差修正神经 网络权值,提高了网络训练速度。仿真结果验证了该算法的有效性。     

BP神经网络学习算法的研究

文中针对BP算法收敛速度慢的问题,提出一种改进的BP算法．该算法结合生物神经元学习与记忆形成的特点,针对特定的训练样本,只激发网络中的部分神经元以产生相应的输出,而未被激发的神经元产生的输出则与目标输出相差较大,所以对未被激发的神经元权值闽值进行调整．利用距离来度量训练样本与神经元权值之间的关系,可以找到未被激发的神经元．文中提出的算法是对局部神经元权值闽值的调整,通过实验表明该算法有助于加快网络的学习速度．     

多层前馈神经网络中改进BP算法的研究

首先给出了多层前馈神经网络中的ＢＰ算法,针对实时监测和诊断领域中对收敛速度和精度的较高要求,提出了一种面向诊断的自适应ＢＰ算法,仿真结果表明,该方法既能有效地减小振荡,又能提高收敛的精度和速度。     

正交投影神经网络的BP和GS杂交学习算法

主要讨论具有单隐层的正交投影神经网络的权值和阈值的学习问题,提出了一种新的将BP算法和GS算法相结合的杂交学习算法,其中GS算法对隐层到输出层的权值和阈值进行学习,BP算法用于输入层到隐层权值的学习,并给出一种最佳的隐层节点数的选取方法．仿真实验表明,该杂交学习算法具有学习速度快且能获得全局最优解的特点,并可有效地对学习过程中出现的病态情况进行求解,具有良好的普适性。     

神经网络BP算法在有源消声中的应用

为了克服传统自适应有源消声算法在应用中稳定性方面的不足,尝试将神经网络反向传播（ＢＰ）算法应用于有源消声技术。文中建立了基于ＢＰ算法的自适应有源消声（ＡＡＮＣ—ＢＰ）模型并给出该算法的递推公式。利用ＴＭＳ３２０Ｃ２５开发板实现了该算法功能。在半消声室中进行了单频和１００Ｈｚ带宽的消声实验,仅利用单个次级源结构便获得较好的消声效果。实验证明,基于ＢＰ算法的消声系统具有良好的稳定性。