误差反向传播算法与信噪分离

研究了误差反向传播算法的基本原理及其在信号识别与噪声消除中的应用。通过与经典谱估计的信号处理效果进行比较 ,阐明了BP网络具有良好的信噪分离特性。

单亲遗传误差反向传播算法及其在县级生态农业综合评价中的应用

针对误差反向传播 (BP)算法局部收敛等局限性和单亲遗传 (PGA)算法的优点 ,提出了融PGA和BP为一体的单亲遗传误差反向传播 (PGA BP)算法 ,并用于县级生态农业的综合评价 .评价结果表明 :PGA BP算法具有简便、高效、适应性强等优点 ,用于县级生态农业的综合评价是切实可行的 .

电力系统潮流误差反向传播算法

文中将人工神经网络中的误差反向传播算法应用于电力系统潮流计算,通过算例表明,该算法具有较好的收敛特性。

基于迭代式MapReduce的误差反向传播算法

针对误差反向传播（BP）算法计算迭代的特点,给出了迭代式MapReduce框架实现BP算法的方法。迭代式MapReduce框架在传统MapReduce框架上添加了传送模块,避免了传统框架运用在迭代程序时需要多次任务提交的缺陷。通过对K/TGR146对空台射电开关控制系统进行仿真得到BP算法训练样本,并在Hadoop云计算环境下,分别在基于传统框架和迭代式框架的BP算法中进行训练。实验结果表明,基于迭代式MapReduce框架的BP算法训练速度达到了基于传统MapReduce框架的BP算法训练速度的10倍以上,正确率提升了10%~13%,能有效解决算法训练时间过长和迭代计算中多次任务提交的问题。

基于误差反向传播算法的海上拖航风险

针对当前海上拖航作业失事后果严重、难以进行全线监测等问题,对大型海洋平台拖航作业的风险进行分析,结合事故致因理论从人、机、环境、管理等4个方面构建海上拖航作业安全评估指标体系。在此基础上,提出基于单隐藏层误差反向传播算法的海洋平台拖航作业安全评估模型,将指标数据作为网络输入、单一隐藏层作为中间层、拖航安全的评估值作为网络输出。试验结果表明,所提方法具有良好的精度和鲁棒性,对海上拖航作业具有一定的指导意义。

遗传算法误差反向传播人工神经网络预测阿立哌唑血药浓度

目的构建基于遗传算法误差反向传播(GA-BP)人工神经网络的阿立哌唑(APZ)及其代谢产物脱氢阿立哌唑(DAPZ)血药浓度预测模型,为需要调整APZ使用剂量或不能进行APZ血药浓度监测的患者提供浓度预测模型。方法回顾性收集在2021年7月—2022年8月新疆维吾尔自治区人民医院就诊且规律服用APZ的174例患者的血药浓度资料,提取相关变量,采用Matlab R2018a编程软件,结合深度学习网络构建GA-BP人工神经网络预测模型,预测APZ+DAPZ血药浓度。结果GA-BP人工神经网络预测模型验证结果显示,35例验证组样本的预测结果与实测结果相比,平均预测误差为-0.0926,平均绝对误差为0.6895,35个预测误差均小于15%,小于15%的概率为100%,血药浓度的预测值与实测值之间的相关系数为0.997,预测结果较理想。结论GA-BP人工神经网络预测模型预测APZ+DAPZ血药浓度,可用于APZ的个体化给药。

基于ACO-BP算法的熔融沉积成型翘曲变形量的预测方法

针对熔融沉积成型翘曲变形量预测问题,提出了一种基于蚁群算法(ACO)-误差反向传播(BP)神经网络算法的预测方法。采用ACO算法优化BP神经网络的初始权值、阈值,防止其训练时收敛于局部极小。基于正交试验分别设计4因素4水平的训练样本集和4因素3水平的验证样本集。训练样本集用于预测模型的学习,验证样本集用于验证预测方法的精度。基于极差法分析了各工艺参数对翘曲变形量的影响程度。结果表明,工艺参数对翘曲变形量的影响程度从大到小分别为层高、填充率、喷头挤出温度和打印速度。采用训练样本集充分训练预测模型后,验证基于ACO-BP算法的翘曲变形量预测方法的效果。基于均方根误差(RMSE)、均方误差(MSE)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE)评价模型预测精度。对于RMSE,BP算法的预测精度约为ACO-BP算法的1.7倍;对于MSE,BP算法的预测精度约为ACO-BP算法的2.9倍;对于MAE,BP算法的预测精度约为ACO-BP算法的1.6倍;对于MAPE,BP算法的预测精度约为ACO-BP算法的2.2倍。基于ACO算法优化的BP神经网络预测精度更高。

基于改进遗传算法的神经网络优化方法

为了克服神经网络反向传播算法收敛速度慢,易陷入局部极小值,初始权值和阈值的选择缺乏依据,具有很大随机性等缺陷,采用基于自适应遗传算法的神经网络优化方法,方法结合了两者的优点,但是仍存在种群早期进化速度慢的缺点,于是提出了一种改进的自适应遗传算法,将其应用于神经网络的权值和阈值的优化设计中,并将此模型用于对某城市污水厂难测参数SVI的预测。仿真结果表明,算法不仅可克服BP算法的缺陷,而且与BP和GA-BP网络模型比较,大大提高了收敛速度与收敛精度,获得了良好的测量效果。

BP神经网络算法的改进及应用

经典的BP算法存在陷入局部极小,算法收敛慢的问题。提出了一种改进的BP神经网络算法,在经典BP算法基础上,引入新的参数以调整经典的神经元转换函数,然后把改进算法应用到实际的教学评估中;利用真实数据的分析结果选取了参数的适当值。结果表明,改进后的算法在收敛速率和误差估计等方面有很好的效果,并实现了对教学效果的合理评价。

基于反馈调控参数的BP学习算法研究

为解决经遗传算法优化后的BP网络极易陷入饱和区域而导致网络学习停滞的问题,基于神经生理解剖学关于神经电位脉冲发放系统和神经递质系统的耦合机理,提出一种改进的基于反馈调控参数的BP学习算法,通过反馈调控参数对神经元的节点输出进行扰动,避免学习过程中发生权值调整量趋于0的问题,从而解决经遗传算法优化后的BP网络容易出现的饱和区域问题.仿真实验结果表明,该方法能有效克服饱和区域引起的学习停滞问题,提高BP网络对遗传算法优化结果的精确定位能力,而且还具有收敛速度快和稳定性好的优点和在较大权值空间中的寻优能力.

变尺度混沌算法的BP网络优化

采用变尺度混沌优化方法代替梯度下降法融入BP神经网络,在优化搜索过程中不断缩小搜索空间,克服了标准BP算法易陷入局部极小的缺点,能有效地寻找到BP神经网络权值的全局最优值;此外,进一步提出变尺度混沌优化与梯度下降法有机结合的算法,能有效缩短单一的变尺度混沌优化BP算法的训练时间。仿真结果表明,改进的BP神经网络具有实现简单、寻优性强和优化效率高等特点。

广义同余神经网络的算法改进与性能分析

对广义同余神经网络 (GCNN)的性能进行了深入的分析研究 ,提出了一种改进的广义同余学习算法 ,并将该算法与当前广泛使用的标准BP网络算法进行了比较。计算机数字实例模拟表明 ,该算法具有学习速度快、拟合效果好等特点。

多层前馈网络的优化算法及其工程应用

针对基于多层前馈网络的误差反向传播算法(Standard Error Backpropagation Algorithm,SEBPA)易使网络陷入局部极小点、网络振荡、收敛速度慢甚至不收敛等缺点,通过引入新的评价函数、在网络权值和阀值迭代式中加入动量因子和可变学习率,改进SEBPA以优化多层前馈网络。本文利用基于改进算法的网络拟合非线性函数进行仿真实验,结果表明算法能大大改善网络性能;而轴承状态分类实验进一步验证了算法是正确的和有实际应用价值的。

简化的广义多层感知机模型及其学习算法

提出了简化的广义多层感知机模型（SGMLP模型），并针对SGMLP模型给出了两种 学习算法：广义误差反向传播算法（GBP算法）和基于遗传算法（GA）的学习算法。两个典 型算例的实验结果表明，该模型及其学习算法是可行和有效的。

基于均匀设计混合算法的短期负荷预测

提高电力系统短期负荷预测精度有助于提高电网运行的安全性和经济性,改善供电质量。将均匀设计、改进遗传算法和误差反向传播算法相结合构成混合算法,并将其用于短期负荷预测。数据样本训练和实际预测结果表明,该模型不仅可避免陷入局部极小点,而且可提高预测精度和网络训练速度。

ACO-BP算法在化工过程故障诊断中的应用

将蚁群算法和BP神经网络相结合,利用蚁群优化算法与误差反向传播算法结合而构成的混合算法(ACO-BP)训练神经网络的权值和阈值,给出ACO-BP算法训练神经网络的基本原理和方法步骤,并将该算法应用于连续搅拌釜式反应器的故障诊断。仿真结果表明:ACO-BP算法具有较高的诊断精度,能够及时、有效地检测连续搅拌釜式反应器中存在的故障。

递阶遗传粒子群算法在神经网络设计中的应用

将递阶遗传粒子群算法(HGAPSO)应用于神经网络设计,可以在对网络拓扑结构优化的同时对连接权重进行求解。该算法结合了遗传算法在解决离散问题和粒子群算法在解决连续问题上的优势,并利用BP算法沿误差最速下降的能力对连接权重进一步学习,达到全局最优和快速搜索的有机结合。通过对混沌时序信号的预测,表明递阶遗传粒子群算法在较大程度上提高了神经网络的学习性能和泛化能力。

一种改进的BP算法

传统的BP算法收敛速度慢,利用附加动量因子和自适应学习速率改进了传统的BP算法,它对于BP网络结构优化,提高收敛速度有明显效果.

一种前馈神经网络算法

神经网络由于其非线性处理能力强,性能稳定等特点得到了广泛应用和研究。主要应用于模式识别、信号 处理、知识工程、专家系统、优化组合、机器人控制等。神经网络中使用最为广泛的就是前馈神经网络。其网络权值学习 算法中影响最大的就是误差反向传播算法(back-propagation简称BP算法)。BP算法存在局部极小点,收敛速度慢等缺点。 基于优化理论的Levenberg-Marquardt算法忽略了二阶项。该文讨论当误差不为零或者不为线性函数即二阶项S(W)不能忽略 时的Hesse矩阵的近似计算,进而训练网络。

基于误差反向传播算法神经网络模型的网络式以问题为基础学习效果评价方法的研究

目的研究误差反向传播算法（ error back propagation algorithm,BP）神经网络模型在网络式以问题为基础学习（ WPBL）效果评价中的适用性。方法基于调查问卷收集的资料,利用测试样本构建BP神经网络模型,并通过所构建的模型对训练样本进行检测。结果构建模型时测试样本的网络输出分数与综合评分之间的平均误差小于规定误差（E=0.000031592〈0.0001）。对训练样本进行检测显示,网络输出分数与实际综合评分之间的误差极小。结论 BP神经网络模型能够准确、快速地对WPBL效果进行评价。