反弹传播神经网络用于痕量铬的示波计时电位法测定

首次将反弹传播算法神经网络用于铜箔钝化液中痕量铬的示波计时电位法测定。探讨了网络层数、层结点数和结点转移函数等网络参数对预测结果的影响。实验结果表明 :Cr 浓度在 4.0× 10 -7～ 1.3× 10 -6mol/L范围内与示波计时电位曲线上的切口深度呈线性关系 ,检测下限可达 8× 10 -8mol/L ;与标准BP神经网络的训练和预测结果相比较 ,反弹传播神经网络用于示波测定时不仅具有较高的预测精度 。

基于RPROP算法的变压器油中溶解气体分析故障诊断

在分析BP算法和RPROP(振荡传播)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变压器油中溶解气体分析故障诊断,给出了网络模型,分析了隐层神经元数目对网络训练和诊断的影响。变压器油中溶解气体数据的训练和诊断表明,RPROP算法的收敛速度快于BP算法、加动量项BP算法,并且具有较高的诊断准确率,是一种有效的方法。

BP神经网络在负载管理中心故障诊断中的应用

在分析电气负载管理中心故障特点的基础上,利用神经网络权值和阈值能够随实际的排故结果不断更新及正向推理速度较快的特性,提出了基于BP神经网络的负载管理中心故障诊断方案,并确立了故障诊断BP网络模型。借助于MAT-LAB的神经网络工具箱,采用两种改进的训练算法对网络进行训练,得到了用于诊断的BP神经网络模型,为检验该模型故障诊断的准确性,采用大量的数据样本进行了仿真。结果表明:基于神经网络的诊断方法故障识别率高、快速有效,具有良好的实用价值。

基于自编码特征提取及弹性学习的手写数字识别

针对自编码算法提取输入特征能更好地发现样本间的相关性的优点,以自编码算法提取待识别样本特征作为多层前向网络的输入,以弹性BP算法训练网络,并用MNIST手写数字数据库样本测试。从正确率、拒识率、错误率和可靠率4项性能指标方面与逐像素方法进行了综合对比测试。研究表明,采用自编码特征提取、多层前向神经网络作为分类器以及弹性BP算法进行训练的手写数字识别,具有更快的收敛速度和更高的识别可靠率。

基于RPROP神经网络的多模盲均衡算法研究

针对传统盲均衡算法运算量大、收敛速度慢的问题,结合RPROP神经网络算法运算量小、速度快的优点,提出了一种基于RPROP神经网络的多模盲均衡算法。运用Matlab软件,以16QAM、16PSK信号为输入源,对该算法均衡效果进行仿真研究,仿真结果表明该算法在有效减少码间串扰的同时,缩短了收敛时间,达到了预期效果。

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。

自适应人工鱼群-BP神经网络算法在径流预测中的应用

为了提高水库和河流中长期径流预测精度,提出了弹性自适应人工鱼群算法(RAAFSA)。应用RAAFSA算法训练BP神经网络,实现BP神经网络参数优化,形成弹性自适应人工鱼群-BP神经网络混合算法(RAAFSA-BP),对石泉水库进行中长期径流预测。仿真计算表明,弹性自适应人工鱼群优化的BP神经网络算法收敛速度快于BP神经网络算法、人工鱼群-BP神经网络算法和RBF神经网络算法。该混合算法克服了BP神经网络和人工鱼群算法易陷于局部极值、搜索质量差和精度不高的缺点,改善了BP神经网络的泛化能力,输出稳定性好,预报精度显著提高,每次预测相对误差绝对值都小于6%,合格率达到100%。该算法成功地解决了石泉水库中长期径流预测精度不高的难题,可有效用于水库和河川中长期径流预测。

弹性自适应人工鱼群-BP神经网络模型及在短期电价预测中的应用

为了提高短期电价预测精度,分析了人工鱼群算法及其缺点,提出了一种弹性自适应人工鱼群算法(RAAFSA)。应用RAAFSA算法训练BP神经网络,实现了BP神经网络参数优化,形成弹性自适应人工鱼群-BP神经网络混合算法(RAAFSA-BP),对贵州电网进行短期电价预测。仿真表明,弹性自适应人工鱼群优化的BP神经网络算法收敛速度快于BP神经网络算法和人工鱼群-BP神经网络算法,该混合算法克服了BP神经网络和人工鱼群算法易陷于局部极值、搜索质量差和精度不高的缺点,改善了BP神经网络的泛化能力,输出稳定性好,预报精度显著提高,各日预测电价的平均百分比误差可控制在2%以内,平均绝对误差最大值为1.762$/MWh。该混合算法可有效用于电力市场短期电价预测。