近邻传播聚类算法的RBF隐含层节点优化

传统的RBF神经网络预测精度会由于随机选取隐含层中心节点不合适而导致算法效率低下和数值病态,为了提高RBF神经网络的效率,提出了一种用近邻传播AP聚类算法改进RBF神经网络的方法,并介绍了该方法的原理及建模步骤。由于采用的AP聚类算法属于自适应聚类学习算法,无需事先给定隐含层中心节点的个数,能够适用于不具有先验信息的预测。首先,利用AP算法根据训练样本的信息进行聚类迭代,从而确定RBF神经网络中隐含层的中心节点和节点数值,解决了RBF网络的中心取值问题。然后,把所有输入数据代入基于AP聚类算法优化的RBF神经网络中进行预测。由于AP算法无需预先指定聚类数目,所提方案能提高网络的学习精度和训练速度,利用所提优化方案对正弦函数进行逼近的仿真实验,结果表明该方案的逼近误差仅为0.005 5,在0.3噪声下能保持较好的预测精度。

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。

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。

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.

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.

切削过程的位置误差补偿控制研究

本文作者运用经典控制论对切削过程的位置误差补偿控制进行了研究。接着,作者对神经网络理论中的标准反向传播算法BP作了改进并提出了IBP算法。基于IBP法,作者构造了一个用于切削过程位置误差补偿控制的多层前馈神经网络控制器,并作了仿真控制试验。研究结果表明:IBP法较标准BP法具有更快的迭代速度和收敛性质;所建的智能控制器虽然结构简单,但在误差补偿控制方面跟经典控制法相似具有一定的控制效果。

《神经网络BP改进算法及其性能分析》

目前神经网络模型已有40多种。BP（Back Propagation）神经网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输人一输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。其结构包括输入层（input）、隐含层（hiddenlayer）和输出层（outputlayer）3类。

基于人工神经网络的BaTiO_3陶瓷配方研究

人工神经网络具有巨量并行、结构可变、高度非线性等特点 ,其建立数学模型并不需要预先知道太多有关问题背景的知识 ,这尤其适用于陶瓷配方研究中某些机理尚未完全清楚、传统数学方法无法分析的情况 .本工作将人工神经网络技术用于介电陶瓷的配方性能分析 ,以BaTiO3为研究对象选取了几种掺杂剂 ,在均匀实验设计的基础上 ,用BP人工神经网络对所得实验结果进行了分析 ,并且用图形化方式直观地表达了出来 .根据实验结果 ,并与多重非线形回归模型相比发现 ,人工神经网络模型比多重非线形回归模型更加准确且能给出配方组成与性能更丰富的信息 。

人工神经网络的理论、应用与实现研究

人工神经网络的理论、应用与实现研究李平岳祖州（山东大学光电子信息工程系济南２５０１００）人工神经网络是模拟动物和人脑的工作方式以实现大脑的某些功能的信息科学；它具有信息分布存储、高速并行处理、自学习功能和容错性等特点，近年来引起了广泛的重视。在模拟大...

BP神经网络在机械故障诊断中的应用研究

BP神经网络是一种基于误差反向传播算法的神经网络，在人工神经网络的实际应用中，绝大部分的神经网络模型都采用BP网络和它的变化形式．它是多层前向神经网络的核心部分。