基于RPROP算法目标识别的数据归一化研究

在复杂的目标识别问题中,高维数的待识别数据往往存在较大的数值差异,导致神经网络分类器学习速度变慢甚至不收敛,因此需要对数据进行归一化处理。文中以回弹后向传播算法在目标识别中的应用为背景,系统深入地研究了BP算法网络输入数据归一化方法,详细讨论了6种归一化方法的特点和应用范围。使用4类目标的仿真数据、5类飞机的暗室测量数据和UCIdata数据库的部分数据集进行实验,以数据未经归一化时作参考,分析比较了这6种归一化方法对网络学习性能的影响。结果表明:归一化能消除不同特征分量间的数值大小差异,改善网络的学习性能,其中分量白化方法效果好、概念直观,可作为通用的归一化方法。

RPROP算法在测井岩性识别中的应用

为了更好地解决测井岩性识别问题,引入一种快速实用的BP算法Resilient Backpropaga tion (RPROP)算法。在说明RPROP算法的基础上,结合某地的实际测井资料,建立基于RPROP算法的BP网络岩性识别模型,进行岩性识别的应用研究。结果表明,应用RPROP算法进行测井资料岩性识别,识别的准确率较高,与基本BP算法及其一些改进算法相比,训练速度快,具有很好的应用前景。

RPROP算法在火成岩岩石分类中的应用

为了更好地解决火成岩岩石分类问题,引入一种快速实用的BP算法—Resilient Backpropagation(RPROP)算法.在说明RPROP算法的基础上,结合火成岩岩石资料,建立基于RPROP算法的BP网络火成岩岩石分类模型,进行火成岩岩石分类的应用研究.结果表明,应用RPROP算法进行火成岩岩石分类,分类的准确率高,与基本BP算法及其一些改进算法相比,训练速度快,具有很好的应用前景.

基于RPROP神经网络的电力系统谐波分析

为了提高谐波分析的速度和精度,将RPROP(Resilient Propagation)神经网络应用于电力系统谐波分析。该网络利用加汉宁窗插值谐波分析算法获得其权值和阈值的初值,并在此基础上采用RPROP算法训练。与BP(BackPropagation)算法不同,该算法根据一阶偏导数的符号信息调整可变参数,避免了受对参数调整意义不大的一阶偏导数幅值信息的影响,且不存在参数选择问题,提高了谐波分析的收敛速度、精确度和实时性。通过变学习速率且加动量项的BP神经网络与RPROP神经网络的比较验证了分析结论的正确性。

基于蚁群优化算法的BP神经网络的RPROP混合算法仿真的研究

针对无线网络传感器中如何处理信息服务点中大量的冗余数据、网络运行速度等相关问题;在基于蚁群优化算法的基础上,提出一种BP神经网络的RPROP混合算法;该方法通过在建立系统构架及信息服务点基础上,能够延长BP神经网络的生命周期,加快BP神经网络的收缩速度,能够将网络中信息服务点的重复数据进行有效的合并处理,并及时过滤掉非正常信息服务点的数据,减少数据服务点的能量消耗;仿真结果显示,与普通的蚁群算法相比,该混合算法在训练过程中迭代次数改善明显,解决了BP神经网络的学习、训练时间冗余等问题,同时具有较强的计算、寻优等能力,提高了网络分类正确率和运行的效率;具有一定的实用价值,从而完全能够满足日益增长的无线互联网终端的运行需要。

基于RPROP算法的MASS人为风险量化分析

通过分析IMO定义的海上自主水面船(MASS)的人为风险因素,以找到重点防控对象、制定正确的防范措施为目的,提出了MASS在不同航行阶段的人为风险量化分析模型。首先通过STPA方法识别出船员及岸基人员的不安全控制行为,得到MASS存在的人为风险因素。随后对中国海事局的船舶事故调查报告进行分析,利用安全控制结构图筛选出与MASS人为风险因素相同的事故报告,利用数据挖掘对报告中的关键信息进行提取并分组,同时使用MATLAB神经网络工具箱函数构造神经网络模型,将分组后的信息作为数据源传入网络中进行训练并测试网络的有效性,最终得到网络的有效程度为95.25%。

基于RPROP算法的湖泊富营养化评价

根据湖泊富营养化程度影响因素多,评价因素与富营养化等级间的关系复杂且是非线性的特点,建立了湖泊营养状态的弹性BP人工神经网络模型,并应用于我国的湖泊营养状态评价。根据传统BP人工神经网络收敛速度不稳定,容易陷入局部极小点等特点,使用RPROP算法进行网络的训练。在分析BP神经网络和RPROP算法原理的基础上,指出了RPROP算法具有收敛速度快、不容易陷入局部极小点、自适应能力强等优点,并分析了原因。将RPROP算法训练的多层前馈神经网络用于湖泊富营养化评价,给出了网络模型,分析了隐含层神经元数目对网络训练和评价的影响。水质评价参数的训练和评价表明,RPROP算法的收敛速度快于传统BP算法,并且与传统的评价结果具有高度的相关性,是一种有效的方法。

RPROP神经网络在非侵入式负荷分解中的应用

为了解决常用家电设备投切状态辨识问题,提出一种以神经网络为辨识模型的方法,增强其快速辨识能力。首先,从负荷印记出发,针对各用电设备的稳态电流谐波特性,建立用电设备特征标签。然后,采用弹性BP(Resilient back propagation,RPROP)神经网络,将输入数据特征向输出层非线性映射,实现快速收敛至全局最优点。训练中采用多种设备组合方式,进行用电设备特征辨识。最终,以五类常用用电设备进行实验,实验结果表明该算法能够有效地识别家用设备的工作状态组合,且对功率相近、谐波具有较小差异的用电设备工作状态也具有很好的辨识能力。

基于动态RPROP算法的对角递归神经网络

在训练对角递归神经网络(Diagonal Recurrent Neural Network,DRNN)时,为了避免网络权值的学习过程发生振荡、收敛速度慢,得到更好的收敛速度和辨识精度,文章提出一种动态RPROP(resilient back-propagation,RPROP)算法可以使上次的网络连接权值改变量对本次权值改变量产生影响。并将基于该算法的对角递归神经网络用于非线性时变系统的辨识,仿真结果表明该算法可以有效提高辨识效果、网络的收敛速度和辨识精度。

RPROP神经网络的电力系统谐波分析

将RPROP(Resilient Propagation)神经网络运用到电力系统的谐波分析中,能够提高其精度以及速度.与BP(Back Propagation)不同,RPROP算法能够调整可变参数,因此能够避免一阶偏导数幅值信息对参数调整的影响,并且能够提高谐波分析的精确度以及收敛速度.通过对RPROP神经网络与BP神经进行比较,验证了基于RPROP神经网络的电力系统谐波分析具有的高精度以及收敛速度快等特点.

基于自组织竞争网络与RPROP算法的线损计算研究

为更好地发现高效的降损措施,并为科学地制定线损目标提供依据,提出了一种基于自组织竞争神经网络的RPROP神经网络的线损计算方法。RPROP神经网络确保了网络在有限的训练次数下能够收敛,利用自组织竞争神经网络对信息数据进行有效分类,提高了RPROP神经网络的输出精度。通过在MATLAB平台进行仿真实验,并与线性回归算法、标准BP神经网络算法,以及未分类的RPROP算法进行比较,验证了该方法的有效性。

基于HIS颜色模型的珍珠颜色分选方法

为研究和实现珍珠的自动分选,提出了一种对珍珠的色调及饱和度进行分选的方法。将珍珠图像由RGB颜色模型转换到HIS模型中进行处理,根据I(亮度)分量直方图,通过全局分割提取珍珠光亮区,掩模后得到光亮区H(色调信息)、S(饱和度信息)均值。其中针对色调分选要求,运用了基于RPROP算法的人工神经网络学习方法;针对各色系内色彩的深浅差异,运用了K-均值聚类方法对S均值进行分类。从而实现了先按照珍珠表面色彩进行分类,再将同一色系内的珍珠按照饱和度进行再度分选,最终达到颜色分选要求。

一种改进的Elman神经网络算法

由于Elman肌神经网络具有动态记忆功能,作为有效的系统辨识工具在许多领域中都有广泛的应用。然而这种网络学习速度太慢,制约了其向前发展。为了解决这个问题,加速收敛过程,提出了用Rprop算法改进Elman神经网络的方法,并将这种方法应用到布尔序列预测问题中。实验结果证明这种方法可有效提高网络收敛速度,得到较好的预测结果。

重力梯度张量的拟BP神经网络反演

基于重力梯度张量是反映重力场空间变化率的参数,比传统的重力异常具有更高的分辨率和更丰富的信息,将改进的BP神经网络算法应用于重力梯度张量的反演中并分析其反演效果。该算法是一种基于RPROP算法的拟BP神经网络反演算法,采用三层神经网络结构,用隐层神经元表示物性单元的密度值,根据RPROP算法自动修改各单元密度值,从而得出场源空间的密度分布。研究结果表明:采用这种算法对重力梯度张量进行反演计算,收敛速度快,对初始模型依赖性小,可准确反映出异常体形态特征和密度特征。

鼠标点击的图形代替快速识别算法

鼠标图形是一种方便快捷的软件操作方法,本文首先对鼠标图形进行分析,提取具有平移和放缩不变性的特征,并使用这些特征作为多层前馈神经网络的输入来对鼠标图形进行识别.采用改进的RPROP算法对神经网络进行训练,实验结果表明,该算法能够识别复杂的鼠标图形,具有准确度高和抗干扰强,识别速度快的特点.

废旧聚丙烯制板工艺预测模型的研究

在研究基本误差前向反馈(BP)算法和模拟退火(SA)算法的基础上,提出了基于模拟退火优化的Resilient Back Propagation(RPROP)算法,并利用该算法建立了废旧聚丙烯制备板材重要工艺参数与成品板材的压制成形性能、力学性能之间的模拟及预测模型。与单纯的BP算法比较,数值计算结果表明,RPROP-SA混合优化策略具有较高的速度和精度。

基于神经网络模型的安徽省土壤pH预测

以土壤pH为研究对象,利用一般反向传播(Back propagation,BP)神经网络模型、带回溯的弹性反向传播(Resilient back propagation with backtracking,RPROP-WB)神经网络模型、不带回溯的弹性反向传播(Resilient back propagation without backtracking,RPROP-OB)和最小绝对梯度反向传播(Smallest absolute gradient resilient back propagation,SAG-RPROP)神经网络模型进行安徽省土壤pH的预测及制图,选用均方根误差(RMSE)、绝对平均误差(MAE)及决定系数(R 2)为评价标准,比较3种改进的神经网络模型与一般BP神经网络模型对于土壤pH的预测能力。结果表明:研究区域内,4种神经网络模型的拟合能力高低依次为:SAG-RPROP>RPROP-WB>RPROP-OB>BP。由建模集可以看出,RPROP-WB、RPROP-OB 2种模型与BP神经网络模型的预测精度一致,4种模型中预测精度最高的为SAG-RPROP,R 2比其他3种模型提高0.07。对于验证集,预测能力高低依次为:SAG-RPROP>RPROP-WB>RPROP-OB>BP,预测精度和泛化能力最高的为SAG-RPROP模型,RMSE、MAE和R 2分别为0.67、0.50及0.59。空间预测图结果显示,4种模型所得安徽省土壤pH空间分布基本类似,均呈“南酸北碱”趋势,一般BP神经网络对于土壤pH预测区分度较低,预测所得安徽省南部地区的土壤pH均集中在5.57至6.50之间,RPROP-WB、RPROP-OB及SAG-RPROP所得预测图则区分更为明显。综上所述,RPROP及其改进算法可以有效地进行土壤属性的预测,且精度均高于一般BP神经网络模型。

地学信息挖掘中RPROP和分层动量增项自适应BP算法应用研究

采用RPROP和分层动量增项自适应BP算法,从最小误差、收敛速度和运算次数方面对地球化学信息进行了研究,并进行了比较分析;针对本区域的样本数据训练结果,确定采用分层动量自适应算法进行后续预测统计工作,为矿区靶区预测提供支持.