基于ART-并行BP神经网络的柴油机故障诊断研究

造成柴油机故障的因素十分复杂,既存在单一类的故障,也存在多故障并存的现象,而且还会出现新型故障,仅仅依靠单一神经网络技术的故障诊断已经很难满足对柴油机的有效诊断要求。本文在信息决策层融合的基础上,以自适应谐振理论ART和误差反向传播并行BP两种神经网络为基础,建立了用于柴油机故障诊断的新型神经网络模型,以对柴油机系统工作过程多种故障进行诊断识别。通过与单一神经网络诊断识别结果的分析和比较,验证了该神经网络诊断模型的可行性,它能够进行多传感器信息综合诊断,既能识别单故障和并发故障,又具有识别新型故障的能力,可有效地提高对柴油机故障诊断的准确性和可靠性。

一种使用BP神经网络加速的蒙特卡洛拉格朗日水滴求解器

结冰可能威胁飞行安全。拉格朗日方法被广泛应用于求解结冰过程中的水收集系数,但是其发展受到鲁棒性问题和高计算成本限制。为了弥补拉格朗日方法的缺陷,使用蒙特卡洛积分法和反向传播(Backpropagation,BP)神经网络分别用于解决鲁棒性问题和降低计算成本。基于蒙特卡洛方法的拉格朗日求解器可实现对任意模型或计算条件的无条件稳定。构建了BP神经网络用于预测水滴撞击概率,通过筛除非撞击水滴减少计算量。BP神经网络不针对特定模型提前训练,使用异步并行策略使BP神经网络训练和水滴运动同时求解,建立了广泛适用的异步拉格朗日求解器。使用GLC-305后掠三维翼型和某型发动机短舱模型对求解器进行验证,结果显示BP神经网络可以有效提升计算效率,对比没有神经网络辅助最多节省27%运行时间,同时保有同等计算精确度。本文研究为首次尝试神经网络技术与结冰数值模拟融合,为进一步发展拉格朗日方法提供有力支撑。

Hadoop下并行BP神经网络骆马湖水质分类

研究借助云的计算向数据迁移机制及MapReduce并行处理海量数据的优势,解决BP神经网络在处理大规模样本数据时计算量大、网络训练时间长的瓶颈问题.构建了影响骆马湖水质的多污染因素评价网络模型,在Hadoop下应用并行BP网络算法,实现了对骆马湖水质分类挖掘,挖掘分析结果对骆马湖水质优化及生态修复具有决策支持性意义.

一种基于MapReduce的并行PSO-BP神经网络算法

为了提高BP神经网络算法的分类准确率和运行时间效率,利用PSO算法和并行化设计的思想,提出了Hadoop平台下基于MapReduce的PSO优化BP神经网络的并行化设计及实现方法。利用PSO算法优化BP神经网络的初始权值和阈值,提高算法分类准确率;采用MapReduce并行编程模型实现算法的并行化处理,解决了BP神经网络在处理大规模样本数据集时存在的硬件开销和通信开销大的问题。选用SUN Database场景图像库构造了5个不同规模的数据集,通过与传统的串行PSO-BP神经网络算法实验对比,并行化的PSO-BP神经网络算法分类准确率达92%左右,系统效率在0.85左右,在处理大规模数据集时具有明显的优越性。

并行进化BP神经网络

基于并行进化种族间的协作和竞争机制，给出了ＣＰＣＡ算法。新算法的进化操作更符合自然选择机制，在动态增加新种族的同时，亦动态删除老化、竞争力弱的种族。该算法用来进化ＢＰ网，经实验证明能有效地提高解的质量，并降低进化时间。

一种并行BP神经网络的动态负载平衡方案

为了加快在大规模神经网络训练下并行技术的训练速度问题,从BP算法的内部结构分析了BP神经网络算法的大规模行划分方法,提出了一种动态负载平衡方案。通过在PC集群环境下对并行算法的试验结果表明,这种并行划分提高了加速比,具有现实意义。

一个面向大规模BP神经网络并行算法

BP神经网络是在数据挖掘、语音识别和文本语言转换等领域最为广泛使用的网络之一。但也有其不足之处,主要表现在收敛速度慢和学习时间长。并行是解决这一问题的可行方案。本文提出了一种利用微机机群来实现并行处理,在并行编程环境PVM中实现BP神经网络的并行学习算法。即主要采用将大量计算由主控节点转移到从结点上、设置逻辑锁和粗粒度任务划分等方法以减少计算和通信时间,有效实现学习过程的并行处理。在微机机群系统下的PVM环境中实现该算法。结果表明改进后的算法不仅大大减少了学习时间,提高了学习效率,而且能够很好面对大规模BP神经网络的学习。

基于BP神经网络的并行算法

对强激光与等离子体相互作用三维数值模拟程序LARED_P数据输出进行分析,针对大规模数据模拟数据的特点,提出了基于BP神经网络的并行算法,即在各个搜索子空间内对训练集合中的学习样本进行并行训练。实例表明:不仅可避免陷入局部极小点,提高网络训练速度,而且仿真效果较好。

面向复杂问题的BP神经网络并行算法

结合基于训练集划分方法与NARA模型,提出了一个BP神经网络的并行算法.该算法不仅提高了BP神经网络的训练速度,而且增强了BP神经网络解决复杂问题的能力.

基于BP神经网络并行算法的研究

BP神经网络算法在大规模数据训练过程中需要处理大量的计算,导致整体训练速度下降,时效性较差,针对以上问题,本文提出BP神经网络并行化策略,并利用MPI并行编程库结合C语言在Linux集群上验证了该算法的有效性,提高了BP神经网络的整体训练速度。

基于BP神经网络的并行编码码率控制研究

作为视频图像编码技术中的一个重要环节,码率旨在有限的带宽下实现码流的顺利输出并调控视频编码的质量,由于现有的基于并行编码的码率控制算法具有其局限性,即对于视频I帧的比特开销预测误差大,无法保证视频编码的质量。由于BP神经网络能够充分逼近任意复杂的非线性关系,具有较高的容错能力、较强的自学习能力以及可控制的预测误差等优点,所以针对并行编码框架,提出一种基于BP神经网络的码率控制算法。经实验证明,较传统的帧级比特开销预测误差而言,基于BP神经网络的帧级比特预测误差更小、更稳定,验证了方法的准确性与可行性。

基于MapReduce的GA-BP神经网络算法并行化设计及实现

为提高BP神经网络算法的运行效率,利用遗传算法和并行编程思想,提出了Hadoop平台下基于MapReduce的遗传算法优化BP神经网络的并行化设计及实现方法。利用遗传算法优化BP神经网络的初始权值和阈值,提高算法分类准确率;采用MapReduce并行编程模型实现算法的并行化处理,解决BP神经网络在处理大规模样本数据集时存在的硬件开销和通信开销大的问题。选用Caltech 256图像数据集,与传统的串行遗传算法优化BP神经网络算法实验对比,验证了并行化GA-BP神经网络算法的优越性。

基于并行BP神经网络的近红外光断层图像重建方法基础研究

提出一种基于并行BP神经网络的近红外光断层成像(Near-inffared optical tomography,NIROT)图像重建算法,利用BP神经网络来表征生物组织内部光学参数的空间分布和边界光强之间的非线性映射关系。该方法将一个复杂的模型分解成简单的模型分别建立并行的神经网络。利用Femlab软件完成基于有限元的稳态扩散方程的两个简单模型的正向问题求解,根据提出的平均优化散射系数和正向问题训练的大量数据集合,建立并训练并行神经网络,通过对两个网络结果的分析,实现快速获得更复杂模型的光学参数的重构。算法能够快速识别特异组织的位置和准确反映热疗过程中生物组织的优化散射系数的变化趋势。

人脸识别中的遗传神经网络并行实现

实现了遗传神经网络并行的人脸识别系统。BP神经网络是人脸识别中最为有效的算法之一,在BP神经网络算法的基础上指出了其不适于多核计算机并行的部分。进而提出了一种新的遗传神经网络并行算法,从拓扑结构和权值取值两方面对BP神经网络算法进行优化。相比原算法,本算法在识别率和速度上都有显著的提升。通过在ORL上的实验证明了遗传神经网络并行算法的有效性。

BP神经网络FPGA实现结构的优化设计

为了实现反向传播(back propagation,BP)神经网络的现场可编程门阵列(field programmable gate array,FPGA)处理速度的提升和资源消耗的降低,提出一种总体设计和关键模块融合优化的BP神经网络的FPGA实现结构。利用定点数据量化和流水线结构,提高系统的处理速度;采用二次方程多段拟合Sigmoid激活函数,降低计算复杂度;通过调整并行转串行模块与激活函数模块的处理顺序,减少了95%的激活函数模块的使用,降低了资源消耗;采用一种网络原始权值读取与更新权值存储交替流水进行的双端口RAM存取方法,以提高数据存取的速度、降低存储资源消耗。经过对硬件优化设计的字符和服装识别实验验证,结果表明,优化后的总逻辑单元使用率为原来的31%。在FPGA中优化结构实现单样本前向传播与反向传播所用时间为24.332μs,为软件MATLAB实现时间的45.63%,提高了BP神经网络的运算速度。

基于并行神经网络的汉字识别系统

介绍了一种基于并行神经网络的汉字识别系统。该系统进行汉字图象的预处理后 ,针对汉字平移、旋转、尺度变化 ,提取三类相对稳定且抗噪、反映汉字结构信息的统计特征作为神经网络的输入。神经网络采用叠层BP网 ,用BP算法进行训练、学习和识别。本系统对标准BP算法做了若干改进 ,从速度和识别率上都得到了明显的提高 ;用PVM网络并行平台虚拟成并行机 。

基于BP神经网络的锅炉控制系统

神经网络的自学习、自适应和并行处理等特性,使得它们在现代控制系统中得到了广泛的应用。结合温度的时变、滞后和非线性的特性,提出了一种基于人工神经网络的控制算法,并经计算机仿真表明,该算法具有响应速度快、精度高和鲁棒性的特点。

基于并行模糊神经网络的车牌识别研究

车辆牌照的自动识别是目标自动识别的一种重要形式,针对车牌识别的后期技术,即牌照识别技术做了研究并提出了一种新的车牌识别方法,该网络由BP神经网络识别模块和模糊控制器构成,为了便于硬件实现,各模块相互独立,最后利用PVM网络在虚拟并行平台上实现了该识别网络,实验结果表明,和标准BP网络相比,该算法具有更加良好的性能,满足实时识别车牌的要求。

并行混沌神经网络建模方法应用研究

针对开关磁阻电动机的非线性特点及其现有建模方法存在初始网络权值参数随机给定和易于陷入局部最小点的缺点,提出了一种采用并行优化混沌BP神经网络的建模方法。该方法首先利用混沌系统对神经网络权值向量、阈值向量进行初始优化,然后利用BP神经网络的Levenberg-Marquardt算法进行收敛训练,如果陷入局部最小点则再次使用并行混沌搜索进一步优化模型,使模型具有精度高、速度快的特点。模型训练和开关磁阻电动机调速系统动态仿真结果表明,采用该方法建立的模型运行平稳,系统动态性能好,响应速度快。