基于动量因子技术的BP神经网络改进算法及应用

介绍了基于动量因子技术的改进BP网络训练算法,并将其应用于飞机电气设备故障诊断。以飞机交流异步电动机为例,建立了故障诊断模型,仿真结果表明该算法的应用具有可行性,有较强的推广前景。

BP神经网络算法的改进及在Matlab中的实现

分析了BP神经网络算法收敛速度慢的原因,研究了一种提高其收敛速度的方法,即将动量法和批处理方法结合起来对BP算法进行改进,提高学习速度,并给出了算法思想,用Matlab神经网络工具箱对神经网络进行了初始化和训练,仿真测试结果证明该方法是可行,具有实用性。

改进BP神经网络的钢结构应力缺失数据重构

钢结构健康监测过程中的应力数据缺失会干扰监测各环节的运行状态,无法保障施工阶段的安全,因此解决数据缺失问题至关重要。钢结构在施工阶段应力应变监测中,由于受到外界诸多复杂因素的影响,导致监测数据不准确、缺失以及局部应力数据的重构值与真实值偏差较大等问题。采用改进BP神经网络分别对300组和30组钢结构应力应变监测数据进行重构,并对改进BP神经网络的数据重构方法进行适用性分析。结果表明:相比线性回归法,改进BP神经网络法进行离散型缺失数据的重构平均误差降低0.7%,特别是对于局部缺失数据,改进BP神经网络法的重构精度更高,平均局部误差降低2.2%;为达到较好的重构精度,使用改进BP神经网络对缺失数据重构时,数据的缺失率不宜超过20%;改进BP神经网络法可为钢结构应力缺失数据重构以及结构健康监测提供技术支持,具有较好的实用性。

改进的BP神经网络预测模型及其应用

针对传统BP神经网络算法在对预测问题中存在的网络具有易陷入局部极小、收敛速度慢的缺陷,引入附加动量法和自适应学习速率法改进BP神经网络预测模型.将改进后的预测方法应用于企业的市场需求预测问题,以某汽车制造企业过去12个月汽车销售量的实际数据为样本,分别采用基于时间序列和基于因素分析两种预测模型,对所提出的改进预测方法进行实证分析.结果表明:所提出的算法对销售量的预测精度较高,误差均小于8.8%,运算时间也有所降低,预测结果表明文中所提出的算法在处理网络易陷入局部极小、收敛速度慢的预测问题方面的有效性.

基于改进BP神经网络的个性化推荐算法研究

个性化推荐是根据用户的喜好向用户推荐个性化的产品、信息或服务等,在大数据时代能有效地解决信息过载的问题。提出基于改进BP神经网络的个性化推荐算法,研究了如何建立混合推荐模型,采用BP神经网络训练提高算法中用户相似度计算的准确性。在真实数据集上的实验结果表明,该算法能有效减小用户相识度计算偏差,提高用户个性化推荐的推荐质量。

基于改进BP神经网络的机械故障研究

BP网络易陷入局部最优和运算不稳定,提出附加动量下降法对其改进;通过改进BP与标准BP对旋转机械常见故障诊断进行对照分析,得出改进BP能够克服标准BP的固有缺陷。

一种具有自适应动量因子的BP神经网络算法实现

互联网技术的快速发展给人们带来了海量的数据,极大地影响了消费者的选、购效率,高效的推荐系统变得尤为重要。传统的基于BP神经网络的协同过滤会导致局部极小值、收敛缓慢等问题。它通过改进BP神经网络算法,很好地优化了收敛缓慢的问题。解决方案是在增加动量项的基础上将动量项改为自适应的,使其能够实时变化,很好地解决了权值调整震荡导致的不稳定性。经实验证实该改进算法大大提高网络训练效率,并且提高推荐效率。

基于改进BP神经网络的导引头电子部件性能预测

为提高BP神经网络的映射能力,通过反馈环节中权值阈值和输出误差来给调整公式中常数项动量因子和学习速率赋新值,提出改进BP神经网络算法。改进后的BP神经网络从理论上调整精度更高,训练速率更快,二者从原来的依靠经验赋值变成变量,训练适应性更强。通过仿真实验,相比传统BP神经网络,改进后的BP神经网络在训练速率上更快,预测精度明显提高。因此得出结论,改进后的BP神经网络算法在部分电子部件性能预测中具有更好的适用性。

地震多参数BP神经网络预测煤层厚度

依据煤层反射波运动学和动力学特征 ,提取出了波峰波谷振幅 A1、平均频率 Fa、主频带能量 Qf1、低频带宽能量 Qf 和峰值频率 Fmain等 5个地震特征参数。选取 8组学习样本 ,利用 4层 BP(Back Propagation)人工神经网络模型 ,采用动量法和自适应调整的改进算法 ,训练 BP网络 ,用训练好的 BP网络预测煤层厚度。经实例验证 ,地震多参数 BP网络预测煤层厚度精度高 。

基于BP神经网络的空气质量建模分析

随着社会的进步,我国空气质量指数日益下降,一氧化碳、颗粒物、臭氧等是影响最严重的大气污染物,且它们已经成为检测空气质量品质的重要参数,对这些空气质量参数的监控和预测已变得尤为重要。BP神经网络对非线性系统函数有良好的逼近能力,符合我们对空气质量建模的实际要求。本文选择BP网络进行建模,以空气中几种主要污染物为输入,AQI参数作为输出。并结合实际情况进行了引入时间参量和引入动量因子两种优化方法。经过仿真论证,优化后的模型拟合度更好,收敛速度更快。

应用人工神经网络计算孤立波爬高

运用附加动量法和自适应学习速率对具有一层隐含层的 BP 网络进行改进，并由此建立神经网络模型来计算孤立波的爬高。将试验值分别与 Synolakis 公式以及本文结果进行比较，证实神经网络模型计算方法对于计算孤立波的爬高是合适的。

基于优化的神经网络构建旅游突发事件安全预警能力测度分析模型

由于旅游业对其产业变化十分敏感,所以旅游突发事件将不可避免地对旅游业的经济潜力产生重大影响。本文采用改进的附加动量法构建了BP神经网络模型,对旅游业突发事件的安全预警能力测度进行分析,并且利用Matlab工程试验技术仿真模拟该预警模型的实现过程,建立了训练集和测试集。通过对该模型的训练和测试,结果表明该模型具有高效、客观、公正的特点,能够满足旅游突发事件安全预警能力分析的需要。在文章的最后,总结了构建安全预警能力模型对旅游突发事件进行预警的重要意义。

基于改进BP神经网络的手写字符识别

针对标准反向传播(BP,Back Propagation)神经网络算法收敛速度慢、易陷入局部极小等缺点,采用附加动量法与学习速率自适应调整相结合策略对神经网络初始参数进行设置。通过在权重计算公式中加入动量项,降低神经网络对误差曲面局部调节的敏感性,有效抑制其陷于局部极小。学习速率根据总误差的变化进行自适应调整,可以有效地缩短学习时间,加快收敛速度。将该改进算法应用于数字、英文字母以及简单汉字的手写字符识别系统中,进行了有无动量、有无噪声等实验,结果表明该方法与传统BP算法相比识别精度较高、训练时间较短且具有较强的鲁棒性。

基于小波变换与MOBP的股价预测

提出了一种基于小波变换与改进动量BP神经网络(MOBP)的股价预测方法。将股票价格所构成的非平稳时间序列小波分解,建立基于优化权值的改进动量BP神经网络(MOBP)预测模型,对分解得到的近似部分与各细节部分分别进行训练,结合各部分的预测结果,可以得到原始序列的预测值。实验结果表明,这种方法预测效果较为理想,且相对于传统的BP神经网络预测的准确度有明显的提高。