一种改进的BP算法及其在车牌识别中的应用

在车牌识别系统中,如何提高字符识别的速度和准确率是很关键的问题。传统的BP算法可以实现非线性函数的映射,经过有监督式的学习规则可以达到比较好的识别效果。但是BP算法识别速度慢,而且容易陷入局部最优。本文借助增量PID算法的思想,提出了一种改进的BP神经网络算法,可以根据识别误差自动调整学习速率,而且不容易陷入局部最优。文章最后给出了仿真结果和程序实现。     

基于LM算法的神经网络语音识别

由于语音识别中朵用标准BP算法存在的训练速度慢、容易陷入局部极小等问题，提出一种基于稳定、快速的Levenberg-Marquardt算法的神经网络语音识别方法，主要包括语音信号预处理、特征提取、网络结构优化设计、网络学习训练和语音识别等过程。其中网络隐含层节点数的选取采用黄金分割优选法。试验仿真表明，LM算法明显提高了网络训练速度，减少了训练时间，其效果优越于标准BP算法。     

一种改进的GA-BP算法在手写体数字识别的应用研究

在分析GA-BP算法不足的基础上,通过对GA算法中的相应算子进行改进设计,从而有效避免了GA算法中的出现局部次优的情况,并把GA算法产生的最优个体作为BP神经网络的连接权值和阈值,应用于手写体数字识别过程中.实验结果表明,改进的GA-BP算法可以提高BP网络的学习速度和识别效果.     

基于PSO-BP算法的规范手写体数字离线识别

针对BP算法存在的易陷入局部极小点、收敛速度慢、所设计的网络泛化能力不能保证等问题,提出了一种基于粒子群优化算法（PSO）的BP（PSO—BP）网络的权值调整新方法。该算法在基本BP算法的误差反传调整权值的基础上,再引入PSO算法的权值修正,从而建立了基于PSO—BP网络模型。基于此模型设计了规范手写体数字识别的分类器,采用随机手写数字样本进行了仿真实验,结果表明：PSO-BP算法提高了网络的稳定性,避免了BP算法容易进入平坦区、陷入局部极小等问题。     

一种基于BP神经网络的数字识别新方法

针对标准BP神经网络收敛速度慢、易陷入局部极小点的缺点,提出了一种新的BP神经网络改进算法。该算法通过变步长法和牛顿法来改进BP算法,加快了网络的收敛速度,且收敛速度快于其他的改进算法。在此基础上将BP神经网络应用于数字识别中,为其网络建立识别模型。利用仿真实验观察BP网络的泛化能力以及识别准确性,比较BP算法及其改进方案,提出改进方案中分别需要注意的地方。     

BP算法在手写体汉字识别中的应用

介绍了人工神经网络的概念和原理，重点介绍和推导了BP算法。分析了手写体汉字识别存在的问题及应用的技术，并对利用BP算法进行手写体汉字识别进行了详细讨论，分析了在用BP算法进行手写体汉字识别时的具体步骤，最后介绍了对BP算法提出的改进方法。     

基于改进遗传算法的神经网络手写体数字识别

BP网络作为人工神经网络的重要分支,已经广泛应用于手写数字识别。然而BP神经网络存在训练时间长、易陷入局部最小的问题。为了克服这些问题,提出了一种改进的遗传算法,并用该算法来优化神经网络的权值和阈值。最后,利用基于该算法的神经网络对大量USPS手写数字样本集进行训练。实验结果表明,该算法比单纯的BP算法具有更快的识别速率。     

智能油漆配色系统的改进BP算法

BP算法具有数学意义明确、学习规则简单等优点,是前向多次神经网络的典型学习算法。但是,BP算法在学习过程中容易陷入局部最小问题。针对这一问题,提出一种修正Sigmoid函数的改进BP算法。实验证明,改进BP算法可以有效克服局部最小,显著提高收敛速度。     

基于改进BP神经网络的尿液中红白细胞识别算法

对显微图像中的尿液有形成分包括红白细胞等进行分析,可以帮助医生对有肾脏和泌尿系统疾病的患者进行评估。针对无染色、无标记的尿液图像中红白细胞存在对比度低、边缘模糊等问题,提出一种基于改进BP神经网络的识别方法。首先,将遗传算法引入BP神经网络对网络权值和阈值进行优化,解决训练过程中网络容易陷入局部极值等问题,提高BP神经网络的识别精度;其次,使用动量梯度下降法消除网络在梯度下降中产生的摆动,加快网络的收敛,提高BP神经网络的学习速度。与基础BP神经网络相比,改进方法对红白细胞的识别准确度分别提高了6.9%和9.5%,且识别时间分别缩短了19.3 s和42.1 s;与CNN识别算法相比,改进算法对白细胞的识别准确度提高了1.7%;与SVM识别算法相比,改进算法对红白细胞的识别准确度分别提高了12.9%和12.7%。验证实验和对照实验的结果表明,改进方法能以较高的准确率和较快的速度实现红白细胞的识别。     

无标定图像视觉伺服控制方法研究

针对视觉伺服控制识别速度慢、精度低的问题，提出一种基于反向传播(BP)神经网络和遗传算法的视觉伺服控制算法。该算法对机器人与图象复合雅可比矩阵建模得到初始的BP神经网络视觉伺服控制器，采用遗传算法对控制器的初始权重和阈值进行训练，得到混合优化的视觉控制模型。该算法可以有效地将遗传算法良好的全局搜索能力与BP神经网络的精确局部搜索功能相结合。实验结果表明，收敛速度加快的同时误差下降为原来的4.6%,为机器人控制提供了一种简单有效的方法。     

油井作业中传感器误差补偿方法的研究

为了提高油井作业中压力传感器的测量精度,提出了一种基于粒子群优化BP神经网络的误差补偿方法.利用粒子群算法的全局寻优和收敛速度快的特点,训练网络的权值,能有效地改善BP神经网络传统算法的收敛速度和学习能力.结果表明:这种方法大大提高了压力传感器在油井作业中的测量精度和稳定性,也提高了油田作业的工作效率.     

基于BP改进算法的自由曲面重建

针对BP基本算法应用于曲面重建的缺点,提出自调整S型函数方法,并利用共轭梯度法同时调整权值系数和S型函数的形状参数,使得收敛曲线能够迅速摆脱平缓的区域,加速了收敛进程。将这一改进的算法应用于BP网重建自由曲面中,仿真结果表明,同BP基本算法相比,在收敛速度和重建精度上均有较大程度的提高。     

模糊优选BP神经网络及其应用

本文采用模糊优选算法（BP）算法来训练前馈人工神经网络（BPN），用BP算法进行精确训练，使网络收敛速度加快和避免局部极小。     

模糊优选BP神经网络及其应用

本文采用模糊优选算法(BP)算法来训练前馈人工神经网络(BPN),用BP算法进行精确训练,使网络收敛速度加快和避免局部极小。     

基于BP神经网络的灾情预测模型

洪灾灾情预测是保险公司财产保险防灾减损工作的重要内容，它有效地预测出受灾的地区和强度，对于财产保险的费率制定、有效预防、及时施救以及防灾预案的编制有重要的指导意义。该文采用了BP神经网络进行灾情预测，在学习过程中结合了聚类，引入了惯性因子，加快了学习时的收敛速度，试验证明，取得了良好的学习和测试效果。     

基于比例UKF的神经网络及其应用

提出了一种利用比例无轨迹卡尔曼滤波（Scaled-UKF）进行神经网络权值估计的算法,该算法可以克服BP算法存在的学习速率缓慢、计算量大、容易使学习陷入局部极小等缺点。以Mackey-Grass混沌时间序列作为神经网络输入,运用比例UKF算法、UKF算法、BP算法仿真神经网络。结果表明,比例UKF算法较之BP算法具有更快的训练速度和更高的预测精度,且可以避免网络学习陷入局部极小;而相对于UKF算法,其变量分布可不限定为高斯型且能保证状态方差半正定。     

BP算法在数据挖掘中应用研究

探讨了数据挖掘数据技术的准备工作,由于神经网络方法的特殊性,数据准备更显得尤为重要.对标准的BP算法进行了研究,针对现有人工神经网络中BP算法效率较低、容易陷入局部极小等存在的问题,提出了一种改进的BP算法,并针对这种算法进行了"与"和"异或"问题中的分析测试.测试结果表明了改进的BP算法缩短了学习时间,提高了学习效率,并在一定程度上避免了学习中的局部极小问题.     

基于小波网络的BP算法改进研究

对BP算法的特点进行了分析,在权值平衡算法的基础上,应用小波网络对其进行改造,提出了基于小波网络的BP权值平衡算法,给出了具体的算法步骤,仿真结果证明该算法既具有BP网络的简捷性,又能够提高学习速度和精度,避免了BP网络易出现的收敛速度慢、易产生局部最优解的问题,是一种较好的神经网络学习算法。     

基于遗传优化的BP神经网络法在甲烷检测中的应用

针对传统的最小二乘法拟合红外传感器的输出特性曲线时存在误差大、计算复杂,传统的BP神经网络法拟合红外传感器的输出特性曲线时存在网络收敛速度慢、易陷入局部极小的问题,通过分析改进的最小二乘法和改进的基于遗传优化的BP神经网络法的拟合效果,指出改进的BP神经网络法拟合度较高,并给出了改进的BP神经网络法在甲烷体积分数检测中的实验结果。结果表明,该方法能够拟合出理想的曲线,有效提高了红外传感器的检测精度及响应速度。