前馈多层神经网络在水滑石电缆阻燃剂制备中的应用

本文将前馈多层神经网络用于水滑石电缆阻燃剂制备的研究。从获得的试验数据中 ,通过训练建立了原料添加量与最终制备得的水滑石纯度的非线性映射模型。神经网络采用 BP算法 ,网络结构采用 3- 2 - 1形式。结果表明 。

前馈多层神经网络BP算法与可靠性增长模型

本文叙述了可靠性增长和 BP算法的基本概念 ,着重研究神经网络 BP算法用于可靠性增长的预测方法。Gompertz模型是可靠性增长的一个很好的预测模型。本文引用文献中的多个实例 ,将BP算法预测结果与 Gompertz模型预测结果相比较 ,结论基本上一致。这说明该方法不但可行 ,而且有简便。

前馈多层神经网络的一种高效加速算法

前馈多层神经网络是应用最广泛的一种人工神经网络 ,在各门学科领域中都具有很重要的实用价值 ,其学习能力和容错能力对不确定性模式识别问题的求解具有独到之处。前馈多层神经网络所使用的 BP算法虽然简单且易于实现 ,但收敛速度缓慢。因此基于收敛速度及存储空间的考虑 ,文中着重探讨了一种较实用的 BP网络优化算法——向量序列的 ε-加速算法 ,并对相关的收敛性和稳定性作了理论上的分析和研究。

基于前馈多层神经网络的振动模态参数计算

提出了用于振动模态分析的BP神经网络模型,设计了适用于此类问题的神经网络拓扑结构,在此基础上得到了一种振动模态参数的计算方法。这种策略利用了误差反向传输法的特点。此方法被用于一个具体的振动系统,得到了满意的结果。通过对一个实际振动系统的仿真考察了相关神经网络结构的收敛性能及计算效果,结果令人满意。

基于蚁群算法的多层前馈神经网络

反向传播算法是神经网络中应用广泛的一种多层前馈神经网络模型。但算法有求解精度低、搜索速度慢、易于陷入极小的缺点。蚁群算法是一种新型的模拟进化算法,有正反馈、分布式计算、启发性收敛等特性。这些特性使得解题过程加快,易于实现分布式计算。将蚁群算法和神经网络相结合起来,实现了非线性模型的辨识问题及倒立摆的控制。仿真实验表明:用蚁群算法训练神经网络,可兼有神经网络广泛映射能力和蚁群算法快速全局收敛的性能。

一种优化多层前馈神经网络中隐节点数的算法

多层神经元网络中隐含层的层数及其每一层的神经元数的多寡 ,至今仍无法用一个解析式精确求得 .提出了一种基于黄金分割法的算法 ,用于求解三层前馈神经网络中的隐层节点数 ,所得结果有助于提高三层前馈神经网络整体品质 .

基于改进多层前馈神经网络的电能质量扰动分类

电能质量扰动分类是电能质量控制的重要工作之一,主要工作包括信号特征提取和分类器构造两个阶段。采用S变换与改进的多层前馈神经网络相结合,提出一种新的电能质量扰动分类方法。首先利用S变换对原始数据进行处理,提取具有代表性的4类典型特征以表征不同种类的扰动类型的特性,之后使用拟牛顿法和自适应因子改进传统的多层前馈神经网络,将特征作为改进的多层前馈神经网络的输入向量,实现自动的分类识别。实验表明,新方法减少了噪声对分类准确率的影响,学习能力强,能够有效的识别电压暂降、电压瞬升、电压中断、暂态震荡、谐波等5种电能扰动。

多层前馈神经网络研究——单位BP算法

分析了引起标准 BP算法收敛速度慢的原因 ,以及传统改进方法的不足之处 ,探讨了解决的途径。为了提高 BP算法的收敛速度 ,定义并引入了基量函数的概念 ,并将其运用到 BP算法中 ,给出了一种高效的单位 BP算法。仿真和实例结构均表明该算法能够较好地克服标准 BP算法收敛速度慢的缺点 。

基于模糊分类器及多层前馈神经网络混合结构的说话人辨认

提出了基于模糊超椭球聚类算法的说话人辨认新方法。该算法首先将某一类的训练数据分成若干子类, 对每一子类在其中心周围定义具有超椭球区域的模糊规则。实验表明,该系统可以较快的聚类速度取得与HMM 相当的识别效果。进一步的研究表明,基于模糊超椭球聚类算法的说话人辨认系统与传统的基于HMM的识别方法存在一个共同的缺点,即抗噪性能较差。为此,通过引入多层前馈神经网络(MLFNN)与模糊超椭球分类器构成混合模型,使系统的识别性能和抗噪能力显著提高。

基于遗传多层前馈神经网络的大豆脂肪酸含量近红外光谱检测

文章提出了一种利用遗传多层前馈神经网络建立数学模型的方法,建立起化学测定值与近红外光谱数据之间的定量关系。把得到的近红外光谱数据作为网络的输入,把用化学法测定的5种脂肪酸含量作为网络的输出,再利用遗传算法训练多层前馈神经网络的权值,建立大豆脂肪酸的神经网络检测模型,探索出一种能够准确、高效地完成近红外光谱检测的神经网络模型,文中设计了一种用遗传算法训练的多层前馈神经网络。通过试验证明,用遗传算法优化人工神经网络的权重,获得高于单纯用人工神经网络训练的结果。大豆5种脂肪酸的相关系数都可达到0.9左右,能够满足大豆育种的初步检测。

多层前馈神经网络在基于案例推理的应用

基于案例的推理(CBR)系统的增量式学习会使案例库逐渐增大,导致案例的检索时间较长,效率较低。多层前馈神经网络是构造性神经网络技术,很容易构筑及理解,具有较低的时间和空间复杂性和较高的识别率。利用该神经网络技术对案例库进行分类后,待求解的新问题只需在某个子案例库中进行检索,便可以有效地解决大规模案例库的能力与效率的维护问题,确保CBR系统的能力保护与效率保护兼顾的实现,为大规模案例库的应用提供技术保证。

基于多层前馈神经网络的并联型电能质量控制器

神经网络用于电力系统电能质量分析和控制是一个新研究领域。快速可靠地提取谐波分量决定着并联型电能质量控制器的整体性能,构造了一种和理论分析相一致的基于反向传播算法的三层前馈神经网络,离线训练收敛后可用来在线检测电力系统谐波电流。系统中逆变器补偿电流的产生对系统的补偿性能至关重要,提出了一种基于神经网络的逆变器瞬时电流PWM控制。并联型电能质量控制器投入系统后电流总畸变率由26.29%下降为5.25%。仿真实例表明,所提并联型电能质量控制器动态响应快,可改善电力系统电流波形畸变,提高电能质量。

基于VisualC++6.0的多层前馈神经网络训练系统的实现

基于VisualC ++6 .0软件 ,开发了多层前馈神经网络训练系统 ,通过参数设置 ,该系统可以对教师样本进行学习 ,具有参数调整方便、界面友好等特点 ,通过对电火花线切割加工状态的识别 ,证明了本训练系统是有效和可行的 .

多层前馈模糊神经网络进行图像识别

神经网络和模糊技术在模式识别领域中已有了广泛应用,两者有着各自的优势。针对神经网络模式识别中所遇到的问题,为了进一步提高分类器在样本分布不清晰情况下的识别能力,本文提出了两种将模糊机制引入神经网络的方法——输入模糊化方法和隐层模糊化方法,并在此基础上分别构造了模糊神经网络。实验结果表明,模糊神经网络较好地结合了神经网络和模糊技术的优点,取得了比传统神经网络更好的识别结果。

常见遗传多层前馈神经网络实数编码的不合理性分析和改进

对遗传多层前馈神经网络常见的实数编码中不适合于优化权值大小、不利于交叉算子发挥作用等问题 ,进行了理论分析 ,提出了“最小模式”等概念 ,并据此对编码方式做了改进 。

多层前馈神经网络及其在开关变换器中的应用

多层前馈神经网络具有多层结构、可鉴别神经元特性函数和误差反传算法等三个要素。本文从多层前馈神经网络的结构和原理出发,分析了多层前馈神经网络的非线性函数映射能力,以此为基础,从而可以实现其在系统辨识和非线性控制上的作用。另外,以Boost变换器的神经网络辨识器和控制器的设计为例,探讨了开关变换器的数学建模方法和多层前馈神经网络在其中的应用,使得各种线性和非线性控制方法均可以利用多层前馈神经网络来实现,并具有统一的设计和训练措施。

模糊隶属度融合多层前馈神经网络的CBIR方法

针对大多数现有基于内容的图像检索方法的性能很大程度上依赖分类器的问题,提出了一种基于模糊隶属度融合神经网络的CBIR方法;首先,利用离散小波变换进行特征提取;然后,使用神经网络计算查询图像的类标签和模糊类隶属度;最后,利用简单与加权距离度量的组合在完整搜索空间中进行检索;在3个纹理类数目、方向和复杂度都不同的数据库上进行实验验证了所提方法的有效性,实验结果表明,相比其他几种较新的纹理图像检索方法,所提方法取得了更好的检索性能。

用于多层前馈神经网络学习的快速遗传算法

提出了一种用于多层前馈神经网络学习的快速遗传算法 ,论述了其算法的进化过程并对多层前馈神经网络的权值进行了优化 ,对权值的初始化范围以及输入层节点进行了优化选择。仿真试验结果表明 ,该算法收敛速度快 ,网络逼近精度高 ,克服了BP算法易于陷入局部极小的问题。

多层前馈神经网络几种算法的样本顺序敏感性

检测神经网络4种算法(有弹回的算法、OSS算法、LM算法和Regularization算法)的分类能力。结果表明,多层前馈神经网络的分类能力与算法和学习样本顺序有关;OSS算法和LM算法训练的网络分类能力对学习样本顺序最为敏感,且容易产生输出奇异点和宽幅输出波动,Regularization算法训练的网络分类能力对学习样本顺序不敏感;下凸学习样本顺序的OSS算法分类精度最高,网络分类能力最强;递增学习样本顺序的LM算法分类精度最低,网络分类能力最差;不同算法的网络分类能力对学习样本的敏感程度取决于网络权值、阈值的冗余与传递函数的性质。

多层前馈神经网络在客户流失分析中的应用

本文研究了多层前馈神经网络原理及其后向传播算法,然后结合一个实例构建了客户流失分析的多层前馈神经网络模型,实验表明将该模型用于客户流失分析是可行的。