一种改进型快速BP训练算法

本文以自适应步长调整代替ＤＦＰ优化方法中的一维搜索，并将它应用于前馈神经网络训练中。同时对步长的衰减因子和增长因子进行动态自适应调整，提高了ＢＰ训练算法的收敛速度和摆脱局部极小的能力，实验结果证明了该算法的有效性。     

利用遗传算法改进BP学习算法

首先介绍了遗传算法和标准BP算法及其改进形式,并指出遗传算法和BP算法各自的优缺点,然后着重讨论了如何采用遗传算法和梯度BP算法相结合的方法来训练前馈神经网络,从而提高神经网络的收敛速度和收敛质量。最后进行了仿真实验,结果表明,该方法不仅收敛速度快,而且易达到最优解,具有一定的实用价值。     

利用量子遗传算法改进BP 学习算法

针对BP 算法易陷入局部极小、收敛速度慢的缺点,根据量子遗传算法具有全局寻优的特点,本文提出了一种新的训练神经网络的混合算法－QGA-BP 算法;通过算法比较和实例结果分析,表明该算法加快了收敛速度、提高了收敛速度。     

一种基于并行策略的BP改进算法

介绍了BP神经网络的基本结构及原理,分析了其收敛慢的原因。为加快其收敛速度,结合带动量梯度下降法提出一种新的算法(PBBP),用多个学习速率不同但结构相同的网络进行并行训练,在每次迭代后都根据误差找出处于最佳状态的网络,并使其它网络的训练参数作适当变化再进行下一次迭代,直到整个网络的误差减小到允许范围内或达到训练次数要求,加快了其收敛速度,能够很好地脱离平坦区。通过在Matlab里编程进行仿真实验证明,该算法是可行的。     

一种基于并行策略的BP改进算法

介绍了BP神经网络的基本结构及原理,分析了其收敛慢的原因.为加快其收敛速度,结合带动量梯度下降法提出一种新的算法(PBBP),用多个学习速率不同但结构相同的网络进行并行训练,在每次迭代后都根据误差找出处于最佳状态的网络,并使其它网络的训练参数作适当变化再进行下一次迭代,直到整个网络的误差减小到允许范围内或达到训练次数要求,加快了其收敛速度,能够很好地脱离平坦区.通过在Matlab里编程进行仿真实验证明,该算法是可行的.     

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。     

一种改进的BP神经网络算法与应用

针对传统BP算法存在的收敛速度过慢、易陷入局部极小、缺乏统一的理论指导网络结构设计的缺点,分析了一般的改进算法在神经网络优化过程中存在的问题,从蚁群算法和BP算法融合的角度上,并引入了放大因子,提出一种综合改进的BP算法。该算法引入放大因子改善BP算法易陷入局部极小的情况,结合蚁群算法用于指导网络结构设计,并极大地改善了收敛速度过慢的问题。最后,将改进的BP算法与传统BP算法进行应用于煤矿瓦斯预测。通过对实验结果的分析,从时间和正确率上都表明改进的BP算法要优于传统的BP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 BP 神经网络算法与应用

针对传统 BP 算法存在的收敛速度过慢、易陷入局部极小、缺乏统一的理论指导网络结构设计的缺点,分析了一般的改进算法在神经网络优化过程中存在的问题,从蚁群算法和 BP 算法融合的角度上,并引入了放大因子,提出一种综合改进的 BP 算法.该算法引入放大因子改善 BP 算法易陷入局部极小的情况,结合蚁群算法用于指导网络结构设计,并极大地改善了收敛速度过慢的问题.最后,将改进的 BP 算法与传统 BP 算法进行应用于煤矿瓦斯预测.通过对实验结果的分析,从时间和正确率上都表明改进的 BP 算法要优于传统的 BP 算法     

基于结构并行的MRBP算法

BP(back propagation)算法是一种常用的神经网络学习算法,而基于Hadoop集群MapReduce编程模型的BP(MapReduce back propagation, MRBP)算法在处理大数据问题时,表现出良好的性能,因而得到了广泛应用.但是,由于该算法缺乏神经节点之间细粒度结构并行的能力,当遇到数据维度较高、网络节点较多时,性能还显不足.另一方面,Hadoop集群计算节点通信不能由用户直接控制,现有基于集群系统的结构并行策略不能直接用于MRBP算法.为此,提出一种适合于Hadoop集群的结构并行MRBP (structure parallelism based MapReduce back propagation, SP-MRBP)算法,该算法将神经网络各层划分为多个结构,通过逐层并行-逐层集成(layer-wise parallelism,layer-wise ensemble, LPLE)的方式,实现了MRBP算法的结构并行.同时,推导出了SP-MRBP算法和MRBP算法计算时间解析表达式,以此分析了2种算法时间差和SP-MRBP算法最优并行规模.据了解,这是首次将结构并行策略引入MRBP算法中.实验表明,当神经网络规模较大时,SP-MRBP较之原算法,具有较好的性能.     

基于遗传算法的灰色神经网络优化算法

针对BP 神经网络算法通常具有收敛速度慢且容易陷入局部极小值的缺点,在对国内空调订单市场进行分析和研究的基础上,提出一种用遗传算法优化灰色神经网络模型参数的方法,该方法利用灰色模型( Grey Model,GM) 弱化数据的随机性以及神经网络的高度非线性,对空调订单建立了一种非线性预测模型,并采用遗传算法对其进行优化,从而提高了预测的精度并加快了收敛程度。仿真结果表明该算法能较好的解决空调订单预测的问题并可推广到同类预测中。     

关于BP算法推导过程与讨论

本文通过对多层神经网络模型的BP算法的推导,讨论用BP算法对网络进行优化后误差精度、网络结构和学习次数之间的关系,最后指出BP算法的不足之处,提出加快学习过程的一些方法和技巧。     

基于改进BP网络的广义预测控制快速算法

提出了一种改进的全局寻优自适应快速BP算法并把其应用于广义预测控制 (GPC)算法中 ,解决了限制GPC实时控制的快速性问题。仿真结果表明其有效性     

改进GA-BP神经网络的无线信道预测方法

无线信道建模与仿真中,实现一种高效率、高准确性的无线信道预测方法是具有非常重要意义的。针对该需求,提出一种基于多种群遗传算法（Multi-population genetic algorithm, MPGA）-反向传播（Back propagation, BP）神经网络的无线信道预测方法。该方法通过改进遗传算法,优化BP神经网络中神经元的权值和阈值,以此改善BP神经网络预测精度差的问题,从而极大提高了BP神经网络的预测性能。将射线跟踪算法的理论值和BP神经网络结合,实现更高效的无线信道预测方法。通过对比遗传算法（Genetic algorithm, GA）-BP神经网络模型和MPGA-BP神经网络模型的预测误差,发现MPGA-BP神经网络模型的预测结果优于GA-BP神经网络模型,证明了所提出无线信道预测方法具有良好的精确度,可以更高效地进行无线信道预测。     

基于BP神经网络的车牌自动定位方法

提出了基于BP神经网络的车牌自动定位方法。实验表明，由此建立的车牌自动定位模型适角于各类机动车辆，总定位率为99．5%，达到了业务使用的要求。     

改进型遗传算法在故障诊断中的应用磁

遗传算法优化后的 BP 神经网络具有较好的全局搜索能力,但在迭代后期要求有较好的局部搜索能力,因此,通过对遗传算法进行改进,来平衡系统的全局搜索能力和局部搜索能力。实验表明,改进后的遗传算法能对各种故障进行可靠的分类,有效地提高了故障诊断的效率和准确度。     

基于种群规模可变的粗粒度并行遗传算法

在科学计算领域，并行计算越来越成熟，并行遗传算法开始受到关注。本文分析了遗传算法并行化的动机和实现模型，提出了一种新算法－基于种群规模可变的粗粒度并行遗传算法,仿真结果验证了这种新算法的有效性和合理性。     

基于误差反向传播神经网络的超视距协同空战研究

针对多机协同空战中的多目标分配问题,利用构造的误差反向传播（BP）神经网络模型对超视距空战情况下的几种典型的第3代战斗机空战性能进行比较评估,在此基础上建立了协同优先的分配模型。给出了协同优先权的计算步骤。仿真算例表明了模型的有效性。