改进BP神经网络模型及其稳定性分析

针对传统BP算法抗干扰能力差、学习速率慢且易陷入局部极小点等缺点,提出一种基于变更传递函数倾斜度和动态调节不同学习速率的BP改进算法,并在此基础上采用Lyapunov稳定性原理分析改进算法的收敛性。该算法综合考虑网络训练方式和学习率的不足,设计新的复合误差函数,同时采用一种分层动态调整不同学习率的新方法,并采用批量样本进行训练,以加快传统BP算法的收敛速度和避免陷入局部极小值点。在此基础上,将该算法应用于带钢表面缺陷图像检测中,并比较改进算法与传统算法在缺陷检测中的性能参数。研究结果表明:该改进算法能够提高缺陷识别率,检测速度快,更能满足钢板表面质量检测的实时性要求,是一种行之有效的方法。

改进的BP算法在路面裂缝分类中的应用

针对传统BP神经网络训练速度慢,误差大且易陷入局部极小值的缺点,设计了一种改进的复合误差函数来代替传统的全局均方误差函数以提高其学习率,同时采用了改进的分层动态调整不同学习率的新BP神经网络对路面裂缝图片进行分类。实验结果表明,与传统方法相比,改进后的算法在检测精度和速度上有了明显的提高。