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。     

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。     

基于多种群遗传神经网络的非线性系统辨识

提高非线性系统的辨识精度,本文提出利用多种群遗传算法对BP神经网络权值进行优化,并将该算法用于非线性系统辨识中,取得了良好的效果。实验证明,与单纯采用BP神经网络辨识方法相比,本文方法对非线性系统有更强的辨识能力。     

一种基于BP神经网络算法PID控制器的研究与仿真

文中将BP神经网络的原理应用于参数辨识过程,结合传统的PID控制算法,形成一种改进型BP神经网络PID控制算法。该算法利用BP神经网络建立系统参数模型,能够跟踪被控对象的变化,取得较高的辨识精度。针对BP神经网络对权系初始值敏感的缺点,优化BP神经网络的初始权系数。通过BP算法修正BP网络自身权系数,实现PID参数的在线调整。仿真结果显示了该算法收敛速度快、精度高、鲁棒性强、稳定性好,表明了该算法的可行性与有效性。     

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。     

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。     

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。     

基于BP神经网络算法的仿真研究

BP神经网络,有着较好的函数拟合性,但仍存在着网络不收敛、陷入局部最小的风险和收敛速度慢的缺点。对这些缺点的克服,大量的科研工作者对此算法做了许多改进工作。文中利用输入向量与目标函数之间的关联,更新网络的权重值,针对网络收敛速度慢、陷入局部最小等风险,对BP算法进行了改进。且对已了解的BP神经网络的几种改进算法以某通信设备的故障诊断为实例一一进行实际训练验证,针对网络训练结果做了总结,对比各种改进方法的优劣,通过对比分析得出本文的算法改进效果明显,且故障诊断准确具有实际价值。     

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。     

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。     

改进BP神经网络在电台“指纹”识别中的应用

提取了两类实际电台信号的指纹特征，利用改进的BP神经网络对电台指纹特征进行了有指导的分类识别。通过Matlab 6．5．1编程实验，结果表明该算法收敛性好，精度高，对通信电台指纹识别效果比较理想。     

调制样式BP神经网络分类器

给出从信号幅度、相位、频率及功率谱等特性中提取的五种特征参数的定义，详细研究了应用这5种参数识别CW、AM、SSB、FM、2FSK、2PSK、NOISE信号的BP神经网络分类器。该分类器采用Levenberg-arquardt神经网络学习算法，隐含层采用log-sigmoid函数为激励函数，输出层采用tan—sigmoid函数为激励函数，隐含层的神经元个数取l0个。并给出了具体的仿真结果。     

改进BP神经网络在物体识别中的应用

针对传统BP神经网络容易陷入局部极小、收敛速度慢和确定隐含层的神经元个数比较困难等缺点,从结构和算法两方面对BP神经网络进行改进。改进后的网络具有较快的收敛速度和较短的运行时间,加强了BP神经网络的学习能力和自适应能力,并将其应用于物体的分类识别,取得了良好的效果。仿真结果表明了此改进方法的可行性和有效性。     

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。     

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。     

小波域BP网络图像压缩及Matlab实现

BP网络是一种非线性映射网络,三层BP网络可以很好地逼近任一连续函数.BP网络用于图像压缩是一个很好的创意.但因其训练时间过长,而没有得到应有的重视.人的视觉特性对图像的低频部分及图像的边缘部分比较敏感.经小波分解后图像的大部分能量集中在低频和图像的边缘部分,即这部分小波系数比较大,其余部分小波系数很小,接近于零.因此提出了小波域BP网络图像压缩方法.该方法是根据小波变换后小波区域重要性的不同而采用不同的压缩比.即不重要的小波系数采用大压缩比的BP网络(隐节点少),重要的系数采用小压缩比网络(隐节点多)或不进行BP压缩而直接编码.并给出Matlab仿真程序.     

基于BP神经网络的仿真线设计及其FPGA实现

该文提出了一种采用BP神经网络实现仿真线的方法。首先采用遗传算法优化神经网络结构,用离线训练后的BP神经网络逼近传输线的传递函数,然后用STAM算法以较少的存储空间实现BP神经网络的激励函数近似,进而用FPGA和D/A转换器进行硬件实现。文中基于FPGA对长度为10000m,特性阻抗为55的同轴电缆进行了仿真线的硬件实现,实验结果验证了该方法的有效性。该方法可以推广到传递函数未知的传输网络的仿真应用中。     

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。