改进的反向传播学习算法

采用了激励函数可调的多层神经网络，并对ＢＰ算法进行了改进。

基于混沌反向学习和水波算法改进的白鲸优化算法

针对原始的白鲸算法(beluga whale optimization,BWO)在某些情况下,中后期的探索和开发能力不足、多样性和求解精度降低、容易陷入局部最优等问题,提出一种基于混沌反向学习和水波算法改进的白鲸优化算法(TWBWO),进一步提高白鲸算法的计算精度和收敛速度,增强全局搜索和跳出局部最优能力。结合混沌映射和反向学习策略提高种群的质量和多样性,加快收敛速度。引入水波算法(water wave optimization,WWO)的折射操作,避免寻优时轻易陷入局部最优,提高计算精度。实验结果表明,TWBWO算法较之原始算法和其他经典算法在收敛速度和求解精度以及稳定性方面更为优秀,性能和寻优能力更强。

基于混沌反向学习改进灰狼算法的移动网络调度运行信息共享方法

为了提高移动网络调度运行信息的效用程度,提出了基于混沌反向学习改进灰狼算法的移动网络调度运行信息共享方法。在研究信息内部网/省调隔离区(demilitarized zone,DMZ)、网/省调III区之间的信息共享结构的基础上,通过包含共享任务层、信息层以及用户层的三层调度网络模型实现信息共享,并确定信息效用最大化的信息调度优化目标函数,通过灰狼算法求解该目标函数,获取信息调度结果;为获取更佳的目标函数求解结果,创新性地引入混沌反向学习和信息共享搜索策略,优化灰狼算法的初始种群和交流能力,以此获取更佳的求解结果,实现信息最优共享。测试结果显示:该方法具有较好的应用性能,信息效用值均达到20以上,偏差率低于0.12、拟合优度高于0.92,能够完成不同传输模式下的信息共享,并且呈现共享信息详情。

基于反吸引速度更新机制的改进蜉蝣算法

针对蜉蝣算法(MA)前期收敛速度较慢、后期寻优精度不高等问题,提出一种基于反吸引速度更新机制的改进蜉蝣算法(MMOA)。采用改进型Tent混沌序列初始化蜉蝣种群,使蜉蝣分布更加均匀,提升了种群的多样性;结合MA的特点,引入反吸引速度更新机制指导蜉蝣速度更新,平衡算法的全局搜索和局部寻优能力,进而提升算法的收敛性能;对全局最优蜉蝣进行逐维的重心反向学习变异,降低各维度间的干扰,帮助算法跳出局部最优并加速收敛。基于12个标准测试函数和部分CEC2017测试函数进行对比仿真实验,结果表明:MMOA较灰狼优化(GWO)算法、MA等算法在收敛速度、寻优精度和稳定性等方面都具有明显优势。

基于改进差分进化算法的动态防空资源分配优化

面对动态防空资源分配问题中存在的空袭目标突现和雷达、发射车等资源受干扰现象,在综合考虑雷达、发射车和导弹等武器装备性能的基础上,基于目标集、资源集建立了最小化目标总拦截价值与生存概率的混合整数决策模型。提出了一种新的改进差分进化算法进行求解,采用反向学习策略生成初始解,确保初始种群的质量,设计了一种快速修复与重构的启发式规则作用于多阶段,以提升算法的搜索能力。仿真实验验证了该算法具有求解时间和求解精度上的优越性。该研究能使武器系统在动态事件的随机影响下,保持高效的作战能力和决策效果。

一种改进的反向传播神经网络算法

在标准反向传播神经网络算法的基础上,提出了一种改进的反向传播神经网络算法.通过对每个处理单元增加3个参数来增强作用函数,且3个参数与连接权一样,在学习过程中进行实时更新.此算法提高了学习速度,且减少了进入局部最小点的可能性.通过XOR问题的仿真证明了改进算法的有效性.

基于EMD与机器学习算法的近零能耗建筑负荷预测方法

采用皮尔逊相关系数法分析了不同特征变量与冷热负荷的相关性,确定了预测模型的输入特征变量。采用经验模态分解(EMD)对逐日冷热负荷按频分解,然后采用机器学习算法,即反向传播神经网络(BPNN)、随机森林(RF)和支持向量机(SVM),分别对不同频率的负荷量进行了训练、验证,最后重构得到了近零能耗建筑预测负荷。基于上述方法,以北京市某近零能耗居住建筑为研究对象,比较了不同算法预测结果的精确度。结果表明:采用EMD与RF算法相结合对近零能耗建筑冷热负荷的预测精确度较高。进一步采用穷举搜索法对模型初设参数进行了优化,冷热负荷预测结果精确度提高,冷负荷预测结果的决定系数R2、平均绝对百分比误差MAPE分别为0.996、1.32%,热负荷预测结果的R2、MAPE分别为0.997、0.79%。

基于改进邻域粗糙集和优化BPNN的火灾预测算法

针对传统森林火灾检测算法精度低,以及大规模、多特征的火灾数据存在冗余信息等问题,该文提出了一种基于改进邻域粗糙集的优化反向传播神经网络(BPNN)火灾预测方法。首先,考虑到数据集具有高维特征空间和高度特征冗余等特点,设计出一种基于混沌反学习蝙蝠(BA)算法的邻域粗糙集特征选择算法,对火灾原始数据集进行特征寻优,得到约简属性子集;然后,构建BA算法优化的BPNN预测模型,将约简属性子集输入该模型中,得到火灾预测的结果;最后,通过平均分类准确度、F1值、精确度、曲线面积、召回率、平均误差率这6种评价指标,在UCI公开森林火灾数据集上分析和检验模型的分类性能。在2个数据集上的实验结果显示,基于混沌反学习策略的算法准确率为94.3%和52.7%,与邻域粗糙集结合后准确率达到98.1%和59.6%,证明了该文算法具备较高的检测精度。

FNN上的反向传播学习算法

近几年来,模糊神经网络(FNN)的研究引起了广泛的注意。本文对FNN上的反向传播学习方法加以讨论。使用输入均值和输出权重参量来进行模糊化和反模糊化处理,学习的目的是调整这两个参量到合适的值。

基于改进GA-BP算法的RFID天线参数优化方法

为了提高算法对天线参数的预测精度,提出了一种基于Adagrad优化器的改进遗传算法-反向传播(GA-BP)算法。通过在迭代过程中引入Adagrad优化器与阈值策略,对发生退化的种群最优个体的位置信息进行重新引导,解决了GA-BP算法局部寻优能力不足等问题,大幅度减小了误差损失并且加快了收敛速度。利用该方法对射频识别(RFID)标签天线的印刷品质和电磁参数进行了建模与分析。结果表明,改进GA-BP算法在稳步搜索极值的同时可以避免陷入局部极值陷阱,在误差和收敛效率方面均优于传统的反向传播(BP)算法与GA-BP算法,能够得到较高的预测精度,实现了RFID标签天线印刷品质的优化控制以及S_(11)特征曲线的预测。相比于BP算法与GA-BP算法,改进GA-BP算法在用于优化RFID标签天线的印刷品质时,平均绝对误差分别降低了91.92%和85.64%。在电磁参数预测应用时,分别降低了13.77%和13.19%。

模糊系统反向传播学习算法在系统辨识中的应用

文中提出了一种模糊逻辑系统的网络模型，给出了相应的反向传播学习算法，并将其用于非线性系统的辨识，构造了一种模糊动态辨识器．

带有反向传播学习算法的自适应模糊炉温控制系统

本文介绍以控制电加热炉的实际对象为背景研制的一种计算机控制系统。该系统引入了带有基于反向传播学习算法的自适应模糊控制。这种控制方法超调小 ,调整时间快 ,精度高。

基于反向学习与Levy飞行的改进蜂群算法

为了优化蜂群算法(BCA),平衡局部搜索与全局搜索,避免算法陷入局部最优,并提高蜂群算法的收敛速度,提出了一种多策略改进的方法优化蜂群算法(MSO—BCA)。算法在种群初始化阶段采用了反向学习(OBL)初始化的方法;在种群更新与邻域搜索中采用了具有Levy飞行特征的改进搜索策略。经过对经典Benchmark函数的反复实验并与其他算法的比较,表明了所提出的算法具有良好的加速和收敛效果,提高了全局搜索能力与效率。

基于改进粒子群优化-反向传播神经网络算法的小麦储藏品质预测模型

在使用反向传播神经网络(back propagation neural network,BPNN)预测小麦的储藏品质时,由于其易陷入局部极值且收敛速度慢,导致预测误差较大且稳定性较差,由此提出一种改进粒子群(improved particle swarm optimization,IPSO)算法优化的BPNN预测模型。采用非线性函数动态调整粒子群算法中的惯性权重和学习因子,优化BPNN中的权值参数,进而构建IPSO-BPNN预测模型。为验证该模型的准确性和稳定性,将其与BPNN模型、PSO-BPNN模型进行对比,结果表明:IPSO-BPNN模型预测的均方误差显著降低,有助于提高小麦储藏品质预测的准确性和可靠性。

基于改进灰狼算法和多核极限学习机的铁水硅含量预测建模

针对高炉铁水硅含量难以在线检测的问题,本文提出一种基于改进灰狼算法(IGWO)优化的多核极限学习机(MKELM)高炉铁水硅含量预测建模方法.首先,针对灰狼算法(GWO)寻优能力的不足,将最优-最差正交反向学习(OWOOBL)策略应用于灰狼算法的位置更新,得到一种改进灰狼优化算法.通过10种标准函数对所提算法进行仿真测试,结果表明此算法具有更好的寻优能力.其次,针对单核极限学习机(KELM)回归能力不足,将不同种类的核函数加权组合,并采用改进灰狼算法对多核极限学习机中的加权系数等参数进行优化.最后,基于某钢厂的实测数据对高炉铁水硅含量进行预测建模,仿真结果表明,本文所提方法的预测效果优于反向传播神经网络(BP-NN)、极限学习机(ELM)、KELM和GWO-MKELM,对高炉炼铁具有较好的指导意义.

适用于海量负荷数据分类的高性能反向传播神经网络算法

负荷分类对于指导电网发用电规划与保证电网可靠运行具有重要意义。面向负荷数据海量化与复杂化趋势,传统负荷分类方法已无法满足用电大数据分析要求。首先,针对用户侧数据体量大、类型多、速度快等特点,在Spark平台上将反向传播神经网络(BPNN)算法并行化,实现对海量负荷数据的高效分类。然后,通过对训练样本抽样分块以降低各网络学习时间,针对分布式后BPNN基分类器由于学习样本缺失潜在的准确度下降问题,采用集成学习予以改善。并通过BPNN学习不同训练样本块构建差异化基分类器,对基分类结果多数投票得到最终分类结果。另外,提供了一种基于K-means和K-medoids聚类的负荷数据训练样本选取方法。算例表明所提方法既能对负荷曲线有效分类,又能大幅提高海量数据的处理效率。

一种新的快速收敛的反向传播算法

提出了一种新的快速的误差反向传播算法 .这种方法从神经网络的权值调节公式入手 ,通过避免过早饱和、加大权值调节的幅度等手段来加快收敛 .并通过对两个奇偶问题、一个函数逼近问题的仿真 ,验证了所提出的算法的有效性 .结果表明 ,所提出的算法在收敛速度等方面大大优于通常的BP(反向传播 )算法、带动量项的BP算法以及其他的一些改进的算法 .

动态调整学习速率的BP改进算法

在基本反向传播(BP)算法中,学习速率往往固定不变,限制了网络的收敛速度和稳定性。因此,提出一种动态调整BP网络学习速率的算法,以BP网络输出层节点的实际输出值与期望输出值的平均绝对值误差及其变化率为自变量,找出学习速率与两个自变量之间的函数关系。根据网络的实际学习情况,对学习速率进行动态调整。实例仿真结果表明,改进的BP算法在保持网络稳定性的同时,具有更快的收敛速度。而且,该算法只需恰当地选取几个参数,不受条件限制,因此具有普遍的适用性。