基于改进贝叶斯正则化BP神经网络的测试性评估技术研究

测试性评估是整个测试性设计工作的关键环节,能够反映设计方案的正确性、识别设计缺陷以及检验设计要求;针对当前有效评估手段的缺乏,本文提出了一种新的测试性评估方法;在建立测试性评估指标体系的基础上,利用BP网络解决非线性问题的优势,建立了评估模型,同时采用贝叶斯正则化(BR)训练方法,提高网络的泛化能力,并提出带自适应变异的质心量子粒子群(AMCQP-SO)算法,以优化BP网络初始权值和阈值,以提高评估模型结果的准确度;经实验验证,评估方法具有较高的准确性和实用性,能够更好地为装备测试性设计服务。

基于NSGA-Ⅱ算法的BP神经网络优化研究

针对BP(Back Propagation)网络训练时,会遇到陷入局部极小点、收敛速度慢等问题,提出将BP训练看成多目标寻优过程,以网络输出节点的误差最小作为并行搜索的多个目标,通过带精英策略的非支配排序遗传算法(NSGA-Ⅱ,Non-Dominated Sorting Genetic Algorithm Ⅱ)对BP网络的初始权值和阈值进行优化,给出了应用该方法的步骤。通过仿真验证,这种NSGA-Ⅱ&BP算法对一个单输入双输出非线性系统进行逼近,能克服BP网络训练的缺陷,且所建模型对检测样本的拟合程度比单独BP网络的效果要好。

基于NSGA-Ⅱ和BP融合的青霉素发酵过程建模

针对BP(Back Propagation)网络对青霉素发酵过程建模时,会遇到陷入局部极小点、收敛速度慢等问题,提出将BP训练看成多目标寻优过程,以网络输出节点的误差最小作为并行搜索的多个目标,通过精英策略的非支配排序遗传算法(NSGA-Ⅱ,Non-Dominated Sorting Genetic AlgorithmⅡ)算法对BP网络的初始权值和阈值进行优化,给出了应用该方法的步骤。通过仿真验证,这种NSGA-Ⅱ& BP融合的算法对青霉素发酵过程建模,能克服BP网络训练的缺陷,且所需训练次数大大减少。