一种用于特征层融合识别的回弹全局自适应动量BP算法

针对特征层融合识别中全局自适应BP算法存在的收敛速度慢、学习不稳定等问题,基于对动量BP算法的详细分析,提出了一种新的全局自适应BP算法——回弹全局自适应动量BP算法(RGMOBP),该算法具有在误差增大时进行权值回弹并减小学习步长以保证权值的调节功能、使误差减小的特点。仿真结果表明:RGMOBP在学习性能上优于其它已有经典全局算法,是一种简单有效的神经网络特征层融合识别算法。

基于灰色-模糊-改进动量BP算法的矿工安全行为评价方法

根据矿工安全行为自身的复杂性,影响因素的多样性,行为过程的非线性、模糊性、随机性、时变性的特点,从安全生理、安全心理、工程心理、安全管理、生活重大事件、不同文化差异6个方面构建了矿工安全行为心理测量的初试量表。通过相关数学工具确定了与矿工安全行为状况紧密相关的63条测量指标作为评价因素集合,建立了基于灰色-模糊-改进动量BP算法的矿工安全行为状况的综合评价模型。通过实践应用表明,该方法能对矿工安全行为状态进行较为准确的评价,能满足生产现场矿工不安全行为预测的要求。

基于标准化动量BP神经网络的GPS高程转换

采用动量BP神经网络算法拟合高程求解,训练样本的量纲存在一定的差异性,为改善不稳定性,通过对样本进行标准化处理,得到了理想的训练效果。将该方法得到的计算结果与平面拟合、二次曲面拟合及其他神经网络方法计算的结果进行对比得出:标准化动量BP神经网络算法求解高程,精度可靠且稳定。

基于动量BP算法的过渡段路基沉降预测

利用动量BP算法改进了BP神经网络的收敛性,建立了过渡段路基沉降预测模型.该模型可克服传统BP神经网络收敛速度慢、易陷入局部最优等的缺点.结合津秦客运专线路桥过渡段路基沉降实测数据,将该优化模型与传统BP神经网络预测模型进行了对比.计算表明,利用动量BP算法改进的神经网络具有较高的预测精度,同时考虑了多个影响因素,因而具有广阔的应用前景.

改进动量BP算法计算围岩风流不稳定传热系数

针对围岩与风流之间不稳定传热系数Aτ的理论值解法的计算过程繁杂、容易出错等缺点,提出了基于改进动量BP算法的不稳定传热系数Aτ的预测计算模型,并以淄博矿业集团唐口煤矿的实测数据为例对网络进行了训练和学习,结果表明,该方法的使用可从多个方面改善网络的总体收敛性,具有较高的预测精度。

动量BP算法在路基沉降预测中的应用

提出一种采用动量BP算法来预测路基沉降的方法,结合具体的工程实例,构建了预测路基沉降的具体BP神经网络模型。预测结果表明,该模型有较高的预测精度,可作为预测路基沉降的一种新方法。

基于动量BP神经网络的确定掩护重点问题研究

确定掩护重点是地面防空作战的一个重点和难点问题。通过分析影响确定掩护重点问题的主要因素,建立评价指标体系,利用动量BP神经网络解决了确定掩护重点的评价模型,并采用MATLAB6.5的神经网络工具箱进行仿真实现。方法较好地降低主观误差,为确定被掩护目标重要性排序和兵力分配提供了依据。通过对BP算法的改进,减少了误差,提高了学习速度。模型思路清晰,算法简单实用,较好地解决了防空兵辅助决策系统智能确定掩护重点目标的问题。

动量BP算法及其在桩基沉降研究中的应用

在说明动量BP算法及其程序实现的基础上 ,阐述了网络训练中的主要参数 (初始权值与阈值、隐层单元数、输出单元数、归一化方法、传递函数 )对训练过程的影响 ,并将动量BP算法应用于桩基沉降的研究。研究表明 ,使用一定的训练参数 。

附加奇数s的动量BP算法在动态流量软测量中的研究与应用

针对BP算法收敛速度慢以及陷入平坦区的难题,提出了附加奇数s的动量BP算法.该方法在保证训练收敛和训练精度的情况下,通过降低计算量来提高计算速度节省计算时间,通过改进激发函数来增加梯度加快收敛速度.文中详细论证了算法的正确性,并通过实验验证了算法的性能,实验结果表明该算法比传统的附加动量BP算法节省了9.66%的时间,训练步数也减少了31.35%,比较好的适应于动态流量软测量中的实时性要求.

动量BP算法及其在桩基沉降研究中的应用

文章在说明动量BP算法及其程序实现的基础上 ,阐述了网络训练中的主要参数 (初始权值与阈值、隐层单元数、输出单元数、归一化方法、传递函数 )对训练过程的影响 ,并将动量BP算法应用于桩基沉降的研究 ,研究表明 ,使用一定的训练参数 。

基于动量BP神经网络的混沌系统同步与保密通信研究

基于动量BP神经网络技术,设计出了一种用于混沌系统同步的神经网络控制器,实现了混沌系统的同步控制。利用动量BP神经网络加快了同步速度,然后将混沌同步控制技术应用在Lorenz系统的保密通信中。仿真实验验证了本文所提方法在混沌保密通信应用中可行性与有效性。

基于动量BP神经网络的PFI项目风险评价

运用BP(Back Propagation)神经网络技术,采用动量BP算法,构建风险评价模型。对PFI项目存在的系统风险及非系统风险进行划分,建立包含政治、法律、金融、生产、市场、信用以及环保等风险的PFI项目风险评价指标体系。对专家组打分获得的训练样本进行训练,得到可靠性验证的训练网络。最后,将某PFI项目打分结果输入已训练好的网络,判定该PFI项目风险等级,为私营公司的决策提供参考依据。

一种基于动量BP算法的似然分布自适应粒子滤波

在量测精度不高时,重要性重采样粒子滤波效果较好,但在观测模型具有较高精度时,由于较多的无效样本可能导致粒子滤波失效.同时传统粒子滤波重采样算法虽可以用来解决粒子退化问题,但也会出现如粒子的多样性丧失、高权值的粒子被多次计算等,同时也存在传统的BP神经网络与粒子滤波结合会导致实时性较差等问题.针对这些问题,本文提出基于动量BP算法的似然分布自适应粒子滤波(MO-NNWA-APF):一方面通过反映量测噪声统计性能的精度因子α对似然分布状态自适应调整,增加先验和似然的重叠区,提高滤波精度;另一方面将动量BP算法与似然分布自适应调整结合,增大位于低概率密度区域的粒子的权值,同时部分高权值粒子被分裂为小权值粒子,一定程度上增加粒子的多样性和改善算法的实时性.选用一维系统和多维单目标系统仿真综合比较算法得出:使用基于动量BP算法的似然分布自适应粒子滤波算法优于现有的基本粒子滤波算法、基于BP神经网络的粒子滤波算法,在系统状态、均方根误差、估计与真值的关系、有效粒子数等方面体现出较好的预测能力,预测结果表现精度较高,算法稳定,实时性较好.

融合动量BP算法的样本数自适应粒子滤波

传统粒子滤波算法样本数保持不变,而固定的样本数将会直接影响粒子滤波算法的计算复杂度,进而影响粒子滤波算法的实时性和精度.针对这一问题,引入样本数可自适应调整的粒子滤波,既可以在每一步状态方差估计中设定样本数的下限,也考虑了状态方差过大或者过小的情形;同时将动量BP算法与样本数自适应粒子滤波结合,增大位于低概率密度区域粒子的权值,使位于这部分区域的小权值粒子重新进入高权值区域,降低粒子退化,同时部分高权值的粒子分裂为小权值粒子.仿真模型选取为单变量非静态增长模型和多维单目标跟踪模型,仿真结果得出:使用融合动量BP算法的样本数自适应粒子滤波优于标准粒子滤波算法、基于BP神经网络的粒子滤波算法,在系统状态、均方根误差、估计与真值的关系、有效粒子数等方面体现出较好的预测能力,预测结果表现为精度较高,稳定性较好,且降低了计算的复杂度.

基于动量BP神经网络激光陀螺调腔检测方法

为解决激光陀螺人工调腔质量低、效率不高等缺点,提出一种由CCD相机和光电倍增管构成的多传感器信息融合调腔检测方法,该方法同时检测光斑、光阑中心点及陀螺损耗值,并将这些信息送入融合中心,经过融合计算得到陀螺调腔是否合格的综合判断。融合系统采用动量BP神经网络对多源信息进行融合,根据调腔过程中的输入、输出情况,设计包含输入层、隐含层及输出层的3层网络拓扑结构。实验结果表明,此种方法对激光陀螺调腔质量是否合格判断准确率为93.81%,比人工采用单一传感器分步检测准确率提高了6%。

基于AHP和动量BP神经网络的工程项目承包商选择模型

运用BP神经网络技术,采用动量BP算法,构建了基于动量BP神经网络的工程项目承包商选择模型,并将AHP的评价结果作为学习样本,对BP神经网络模型进行训练和测试.结果表明,基于AHP和动量BP神经网络的工程项目承包商选择模型是可行的,该模型具有较高的自组织、自适应和自学习能力以及较强的容错功能,能够为一般的工程项目承包商选择活动提供有效的参考和依据.

基于动量BP神经网络的英文字符识别

英文字符识别已经广泛地应用于很多重要领域.已有的英文字符识别算法很多,一种典型的算法是BP神经网络算法.但是,BP神经网络算法有时不收敛,或陷入震荡.这就导致识别率下降.为此,本文研究了一种改进的称为动量BP神经网络算法用于英文字符识别.这种算法在BP神经网络算法的网络参数控制中添加一个动量系数和一个动量项.这样可以避免迭代的震荡,加快收敛速度.提高识别率.利用动量BP神经网络算法,对52个英文大小写字符进行了识别试验.实验结果表明,这种算法能获得满意的识别率.

基于相似日和动量法优化BP神经网络的光伏短期功率预测研究

提出了相似日和动量优化BP神经网络的光伏短期功率预测方法,采用与输出功率强相关的辐照度作为相似变量选取相似日,通过动量法优化并以相似日历史数据和气象信息作为训练样本建立BP神经网络预测模型。以新疆某光伏电站的实际运行数据进行验证分析,结果表明该方法在晴天和非晴天天气环境下能够达到预测精度,验证了所提模型和算法的准确性和有效性。

动量因子BP神经网络算法在设备故障预测中的应用

设备故障预测是设备预防性维护的重要组成部分。本文针对传统方法处理设备故障预测的不足,采用动量因子BP神经网络算法来预测设备状态。通过网络学习和诊断实验表明:动量因子BP神经网络算法不仅能解决设备故障预测的非线性问题,而且预测结果非常准确、误差精度较高、收敛速度较快。

基于BP和Elman神经网络的福建省汛期旱涝预测模型

建立了福建汛期旱涝BP和Elman神经网络预测模型,并对两种模型的性能和差异进行了比较,结果表明:动量BP网络模型,特别是具有局部反馈特性的Elman网络模型具有较好的拟合精度和预报效果。此外两种模型对旱涝等级为2和4的预测偏差较大,而对旱涝等级为3的预测较为准确。