基于MFO-BP算法的移动机器人定位研究

针对移动机器人定位问题,以自主搭建的复合式机器人为基础,提出一种基于飞蛾火焰优化-反向传播(MFO-BP)算法的移动机器人定位预测方法。将移动机器人视为一个“黑箱”,不单独考虑系统和非系统误差的影响,输入理论坐标值,输出预测坐标值。试验结果表明,MFO-BP算法预测模型能有效进行移动机器人定位预测,并且精度远高于传统反向传播(BP)神经网络预测模型。为了验证模型结构对预测结果的影响,将MFO-BP算法预测模型分为单隐含层和双隐含层这两种。试验结果显示,MFO-BP算法双隐含层与单隐含层相比,前者平均绝对误差更小、误差波动范围也更小、预测误差趋势更平稳。MFO-BP算法双隐含层预测效果更优,可以应用于复合式机器人末端定位。

ABC-BP风力发电机组短期功率预测方法

稳定可控的风力发电系统是风力资源开发利用的核心,提出一种基于人工蜂群-神经网络算法(artificial bee colony-back propagation,ABC-BP)的风力发电机短期功率预测方法,进一步提高短期风电功率预测的准确性。针对现有短期功率预测方法中遇到的收敛速度慢、局部最优等缺陷,结合ABC人工蜂群算法,提出改进ABC-BP算法。在对其数学模型收敛性证明的基础上,采用实际风电数据进行仿真验证,并通过模拟风力发电平台,进行实验,实验结果表明,预测数据达到实验要求,所提出的改进算法模型是可行的。改进ABC-BP算法应用于风力发电机监测系统中,为降低风电系统运维成本、提高监测效率提供一种有效解决方案。

改进哈里斯鹰优化算法与BP神经网络组合的滑坡位移高精度预测模型

开展滑坡位移高精度预测研究对于滑坡灾害的防灾预警具有重要意义。针对哈里斯鹰优化算法(HHO)搜索精度低且会陷入局部最优的问题,对其进行改进并进一步与BP神经网络组合,同时有效兼顾滑坡外部影响因子,发展了一种改进哈里斯鹰优化算法(IHHO)与BP神经网络组合(IHHO-BP)的滑坡位移高精度预测模型。结合我国典型黄土滑坡——甘肃黑方台党川滑坡HF08、HF05和HF09等3个监测点的北斗/GNSS实测数据,验证了IHHO-BP模型在3个实测数据集中的位移预测精度均优于单一BP神经网络模型,以及哈里斯鹰优化算法、麻雀搜索算法(SSA)、粒子群算法(PSO)、遗传算法(GA)与BP神经网络组合的预测模型。结果表明:引入Levy变异、局部增强和随机化Halton序列种群初始化策略的改进哈里斯鹰优化算法,可有效解决哈里斯鹰优化算法搜索精度低且会陷入局部最优的问题;IHHO-BP模型具有更好的泛化能力,可有效提升滑坡位移的预测精度,该组合预测模型具有更好的推广应用价值。

一种实用的克服局部极小的BP算法研究

ＢＰ算法由于其神经元输出函数为Ｓｉｇｍｏｉｄ函数，因此是一个非线性优化问题，不可避免地会出现局部极小。本文提供了一种改进的学习算法，提出判断局部最小的规则，能后引入冲量函数，使ＢＰ网络能够通过判断输出节点的输出误差来修改学习率，使误差函数在其梯度方向上出现大的跳跃，从而跳出局部极小。

前向网络bp算法的改进算法

进一步研究ｂｐ算法，给出了一个以逐步增加训练数据和隐节点＂为特征的避开局部极小的改进方法．

BP算法改进的研究

BP算法是神经网络中最常用的算法之一。分析传统的BP算法思想,发现它存在着诸如易于陷入局部极小、收敛速度慢等问题。针对BP算法的这些问题,分3个着手点,即:相关参数、激励函数和误差函数,归纳一些行之有效的改进方法,论述这些方法的主要思想,并分析它们的改进效果。

BP模型中的激励函数和改进的网络训练法

本文研究ＢＰ算法中激励函数ｆ对收敛速度的影响，得出了陡峭函数收敛快的结论．其次。

BP算法局部极小问题改进的研究进展

BP算法的最大缺陷之一,是易于陷入局部极小点。本文针对BP算法所存在的这类问题,分析其产生的原因,并对多种改进方案按照改进原理进行了详细的分类综述,指出了未来该领域研究的方向。

BP算法分析与改进

在人工神经网络中,BP神经网络是一种应用广泛的多层前馈神经网络。分析了BP算法的基本原理,指出了BP算法具有收敛速度慢、易陷入局部极小点等缺陷以及这些缺陷产生的根源。针对这些缺陷,通过在标准BP算法中引入变步长法、加动量项法、遗传算法、模拟退火算法等几种方法来优化BP算法。实验结果表明,这些方法有效地提高了BP算法的收敛性,避免陷入局部最小点。

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。

LBP和Tamura纹理特征方法融合的织物疵点分类算法

为了找出织物在生产过程中易产生疵点的类型,并反馈到生产工序中以提高织物质量,提出一种基于局部二进制模式与Tamura纹理特征方法相结合的织物疵点分类算法。该算法主要完成的任务是对织物特征向量的提取,局部二进制模式从局部或像素邻域描述纹理的特征,Tamura纹理特征方法从全局描述疵点纹理特征,两者结合能更好地描述疵点纹理特征。完成特征向量提取后,选用共轭梯度BP算法来处理特征向量。共轭梯度BP算法收敛性较好,提高了训练速度和训练精度。实验结果表明,提出的算法对疵点分类具有较高的分类准确率。

基于遗传算法与BP算法的水质评价模型

BP神经网络广泛应用于函数逼近、模式分类、水质评价等方面,但标准BP算法收敛速度较慢,容易陷入局部最优;而遗传算法是一种全局寻优搜索算法,能够有效克服上述缺陷。提出了基于遗传算法与BP算法的混合算法,既保留了神经网络原有的优点,又克服了上述缺点,并建立了水质评价模型。以信阳南湾水库为例进行评价,实验结果表明该混合算法模型评价精度较高,完全可以应用于水质评价工作。

基于BP算法的无线传感器网络定位

无线传感器网络(wireless sensor network,WSN)是一种应用广泛的全新的信息获取和处理方式,可以实现复杂的大规模监测和追踪任务。节点定位是无线传感器网络中的关键技术之一.位置估计的精度直接影响WSN后继的网络传输和监测性能。本文利用BP神经元网络方法对定位进行优化,并对测度结果进行验证。结果表明该算法提高了定位精确度。

基于IA-BP神经网络的UWB室内定位系统

复杂的室内环境给定位系统带来非视距误差和多径干扰,消除或降低误差成为超宽带(UWB)室内定位研究的热点。提出一种基于IA-BP神经网络的UWB室内定位方法,将BP神经网络训练的误差值作为免疫算法计算亲和度的抗原,通过免疫算法寻得BP神经网络的最优权值和阈值,避免BP神经网络收敛速度较慢和容易陷入局部最优值的问题,达到定位误差较小的目的。仿真实验结果表明,IA-BP神经网络训练100个样本输出的最大归一化误差不超过0.02,以3个锚点构成的定位场景中,待定位节点的仿真输出轨迹与实际运动轨迹基本吻合。

BP网络学习算法改进方案的探析

Ｂ Ｐ 网络是目前应用最为广泛的神经网络，但由于 Ｂ Ｐ 网络采用的是梯度下降法，这就不可避免地会出现网络学习收敛速度慢及容易陷入局部极小等问题。此外，学习因子和惯性因子选取对网络的收敛有较大的影响，但它们只能凭 经验确定。因此， Ｂ Ｐ 网络的有 效应用受到 了一定的限 制。针对 Ｂ Ｐ网络的学习收敛速度慢这一主要缺陷，对改进激励函数、改进 误差函数、改进一般化误差、学 习因子和惯性因子的自适应调整、梯度下降法与直接搜索法相结合、全局 优化、非线性优化、拓仆修正算 法等多种改进方案按改进原理进行了分类综述，并在此基础上，通过解决 Ｘ Ｏ Ｒ 问题的仿真实验对部分改进方案进行实验性评价，分析说明了它们的优劣和特点。

局部式反传网络的改进BP算法及应用

针对标准BP算法收敛速度慢的缺点,分析了其产生的主要原因,提出了一种改进BP算法。在传统BP算法基础上通过对其激励函数增加陡度因子并在误差反传权值修正时增加协调器,通过对网络灵敏度的分析将全反传式网络变成局部式反传网络,从而达到提高网络学习速率及精度的目的。改进的BP算法应用于导向钻井稳定平台系统的辨识,仿真结果表明该算法收敛速度快,精度高。

基于遗传算法的BP网络最优权值算法

针对BP神经网络由于初始权值的随机选取而造成陷入局部极小的问题,提出了以遗传算法为基础的最优值选择法,利用遗传算法自身特有的优势,为BP网络的权值找到全局最优解,从而提高BP网络的收敛速度和精度。

BP网络的SPDS算法的局部极小问题分析

针对BP网络的训练算法SPDS算法,研究了局部极小问题.利用基于单参数动态搜索算法的SPDS算法的变量逐一搜索的特点,证明了每次迭代的等价误差函数均为拟凸函数,进而极小点存在并可求出.将迭代必将收敛的初值集合定义为全局极小区域,针对局部极小问题给出L-SPDS算法,并证明了SPDS算法的全局极小区域沿坐标轴方向扩张的区域既是L-SPDS算法的全局极小区域,从而SPDS算法收敛于全局极小点的可能性大大增加了,算法的仿真试验也证明了这一点.

基于PSO-BP神经网络的无线传感器网络定位算法

针对无线传感器网络定位的基本功能问题。提出一种将PSO算法和BP神经网络相结合对RSSI在测距阶段测得的距离数据进行优化的算法。该算法将PSO算法作为BP神经网络的学习算法,缩短了BP神经网络的训练时间,并加快算法的收敛速度。通过仿真,定位精度较其他算法得到了明显提高,最高可达27.3%。

使用BP算法时应考虑的若干问题

归纳总结了使用 BP算法时可能涉及到的问题和一些技巧 .尤其对学习方法的选择、隐层数和隐层单元数的选择、学习步长的选择、避免局部最小的方法、学习样本的选择。