神经网络动量-自适应学习率BP算法与BP算法的性能比较及其应用

动量 -自适应学习率 BP算法是对标准 BP算法的改进 ,本文对这两种算法进行了分析 ,并利用计算机程序对其性能进行了比较测试 ,利用 VISU AL C++和 MATL

基于深度学习的降雨型滑坡预测模型研究

为提高降雨型滑坡的预测准确率,克服现有预测方法难以处理多因素非线性关系的问题,提出了一种基于DBN的对学习率进行优化控制的多因素预测模型,该模型在传统的DBN算法基础上,引入动量学习率,使用Dropout和Softmax等技术,避免收敛困难或局部最优,减少过拟合问题。仿真实验结果验证了本文所提出模型的准确率,为利用深度学习方法进行降雨型滑坡预测提供了新思路。

船舶设计任务动态调度预测

在船舶设计过程中经常会出现随机新设计任务,为船舶设计任务调度方案的制订带来一定的困难。基于反向传播(Back Propagation, BP)算法,引入动量-自适应学习率反向传播(Momentum and Self-Adaptive Learning Rate Back Propagation, MSBP)算法预测随机新设计任务是否可加入制订的船舶设计任务调度方案,以解决扰动情况下的船舶设计任务动态调度(Dynamic Scheduling of Ship Design Tasks, DSSDT)问题。为减小求解空间和训练难度,选择对调度结果具有重大影响的属性作为MSBP算法的特征值。基于抽取的特征值构建MSBP算法模型,并采用大量数据完成对模型的训练。对比试验结果表明,MSBP算法的准确性优于未改进的BP算法,某项随机新设计任务的可调度性与其优先级最为密切。

动量-自适应BP算法在机器人碰撞检测仿真系统中的应用

根据机器人运动连续性原理,通过对误差脉冲数的统计分析,我们基于人工神经网络算法,实现了机器人碰撞检测仿真系统 根据从机器人运行时采集的数据对神经网络进行训练和仿真,在实际应用中取得了预期的效果 本文讨论了动量-自适应学习率BP算法,说明了通过误差脉冲数进行碰撞检测的原理,比较了它与传统方法的区别,并且根据神经网络训练和仿真结果对动量-自适应学习率BP算法和标准BP算法进行了比较.

改进的深度信念网络预测模型及其应用

针对深度信念网络(DBN)模型在非线性系统预测时,由于在模型构建中固定的学习率难以寻找全局最优以及学习速度慢等问题,提出了一种改进的DBN预测模型。将动量学习率引入到DBN无监督预训练阶段,改进了受限波尔兹曼机(RBM)网络以提高特征提取精度及参数在训练过程中的抗振荡能力;同时,将共轭梯度法嵌入DBN微调阶段来提高学习速度;最后,在袋式除尘器数字样机工作性能数据集上进行了验证。实验结果表明,与传统DBN及其变型模型相比,改进的DBN网络模型不仅收敛速度快而且预测精度高。

基于VMD和DBN的结构健康状态趋势预测

为了能更好地反映结构状态变化趋势,提高限制玻尔兹曼机(RBM)对非线性信号的特征提取能力,该文在深度置信网络(DBN)的预训练阶段引入动量学习率,提出了一种基于VMD-DBN的结构健康状态趋势预测方法。将待处理信号用变分模态分解(VMD)方法进行分解,对分解的分量经希尔伯特变换得到瞬时频率;将瞬时频率作为改进DBN预测模型的输入进行结构健康状态趋势预测。仿真和工程实验表明,VMD方法有效地消除了模态混叠,分解出信号的各个固有分量。改进DBN模型的预测精度优于传统DBN、长短时记忆网络(LSTM)和传统BP神经网络,说明改进DBN模型能够很好地应用于结构健康状态趋势预测。

基于改进神经网络的SMT回流焊温度曲线预测

在实际生产中,SMT回流焊工艺通常以实验方法预测温度曲线,其高成本低效率是目前亟待解决的问题.针对温度曲线输入参数与曲线多重特征值间的非线性映射关系,提出基于BP神经网络技术的温度曲线预测模型.针对训练中出现的不足,改进了误差计算方法和权值调整方式,消除了预测样本次序对网络的影响,提高了网络训练速度.利用MAPE评估方法将网络预测结果与某公司实际生产数据进行对比,结果显示预测值满足企业生产误差精度要求,因此所建立的神经网络可以有效地进行温度曲线预测,为企业回流焊生产工艺规划提供指导.

BP神经网络在高层结构体系选择中的应用

提取高层建筑结构选型的主要控制因素 ,以此建立基于 BP(Back- Propagation)神经网络的高层建筑结构体系选择的数学模型 .分别采用传统的 BP算法、改进的带动量自适应学习率 BP算法 ,以及 L- M(Levernberg- Marquart)算法 ,进行高层建筑结构体系选择的研究 .研究结果表明 ,传统的 BP算法和改进的带动量自适应学习率 BP算法 ,无法适应土木工程中大规模的数据结构 .而采用 L- M算法神经网络 ,较传统 BP算法快 10 2～ 10 3倍 ,并且精度高 ,可以较好地解决高层建筑结构体系选型问题 .

改进的BP算法在股市预测中的应用

股票价格预测是证券界和学术界的一个重要的研究课题。神经网络具有强大的非线性逼近能力,文中采用MO-VLBP神经网络建立股票价格预测模型,对某银行的收盘价进行预测。实验结果证明,MO-VLBP网络模型应用于股票价格的短期预测,运算速度快、预测精度高。

河网水情预测的三种BP神经网络方法比较

针对神经网络能模拟复杂的河网水流运动规律,采用两种改进BP算法(动量—学习率自适应算法和Levenberg-Marquart法),以松花江河网水情预测为例与普通BP算法进行了应用比较。结果表明,两种改进BP算法的收敛速度和预测精度较普通BP算法均有明显的提高,L-M法的收敛速度较动量—学习率自适应算法更快,但在对超出训练样本特征范围的1998年超百年一遇历史性特大洪水进行外推模拟时,动量—学习率自适应算法表现更好。

一种基于粒子群神经网络的容差模拟电路故障诊断方法

为了诊断模拟电路中的故障,在粒子群算法和BP神经网络的基础上,本文提出了一种动态加速常数协同惯性权重的粒子群算法和动量及自适应学习率的BP算法的混合算法训练神经网络权值,使得动态加速常数协同惯性权重的粒子群算法与动量及自适应学习率的BP算法相互补充,提高网络性能,克服了传统BP算法收敛速度不快的缺点。通过对容差模拟电路硬故障的诊断,表明该算法提高了网络的学习速度,能够实现对容差模拟电路硬故障的诊断。