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。

带有改进自适应动量因子的四容水箱DRNN控制系统设计

针对多变量耦合的四容水箱系统,提出一种带有自适应动量因子的对角递归神经网络(DRNN)自学习PID控制方法。首先依据四容水箱实验平台的结构,简要介绍了被控对象的数学模型,并给出了以PID为主控制器,DRNN用于辨识系统动态的总体控制方案;其次,考虑到耦合系统中控制输入与系统输出的之间耦合作用,为了减小整体跟踪误差,给出了调节PID控制器参数的全局性能指标;然后为了防止网络权值调整过程中出现收敛缓慢和震荡问题,设计了自适应动量因子;最后通过数值展示与仿真对比,验证了该文所提方法的有效性。

基于自适应神经网络的岩性识别动态建模

针对研究对象定量研究复杂度高的地质工作,应用计算机进行定量化和信息化的研究,需要建立一定的数学模型,然而,传统的数学方法难以得到精确的数学模型,神经网络作为一非线性建摸方法,具有良好的自组织和自适应性等功能,可以逼近任意的非线性函数(映射)。本文提出利用神经网络的自组织、自学习、自适应功能实现数学模型的实时建立的方法,并在反传神经算法前馈神经网络(BP)模型引入了自适应动量因子α,使得网络计算量小,收敛速度快。最后将该模型应用到某地岩性识别动态建模中,取得了较好的效果。

BP神经网络的改进及其在内网信息安全评估中的应用研究

针对反向传播人工神经网络(BP ANN)收敛速度慢的问题,提出一种改进的自适应动量因子的BP算法。该算法使得权值向量和偏置值都可以根据自适应动量进行调整,减小了学习过程中出现振荡的趋势,缩短了网络收敛时间。基于改进BP ANN建立电子政务内网神经网络评估模型,比较改进前与改进后BP ANN评估模型的性能。仿真结果表明,改进后BP ANN评估模型收敛性能更稳定且评估误差更小,能够更好地为复杂的电子政务内网进行信息安全评估。

一种含噪声不确定多输入多输出非线性时变系统的最优跟踪控制

如何在确保实时性能的前提下,将系统耦合、随机因素、时变特性和不确定非线性的影响一同最小化具有重要意义.为此,本文提出了一种基于自适应多维泰勒网(MTN)的优化控制方案,包括MTN控制器(MTNC)和MTN滤波器(MTNF).首先,设计基于强化学习和自适应动量因子的改进梯度法来调节MTNC权值以快速响应被控对象的不确定性和时变特性,实现最优控制;证明闭环系统稳定性.而后,通过Lyapunov稳定性理论设计MTNF权值更新律,使动态误差指数收敛到零;恰当选择Lyapunov函数来构造具有全局最小值的能量空间并对MTNF的Lyapunov特性进行分析;证明MTNF误差的收敛速度和收敛区域,避免奇点问题.最后,仿真结果表明所提出的控制器和滤波器可在较短的时间内获得更高的精度.

基于DRNN的非线性多变量系统控制算法

针对一类多变量耦合的非线性系统,提出了一种基于对角递归神经网络(DRNN)优化的PID控制方法.首先根据系统模型机理给出了用于优化PID控制器参数的性能指标,然后利用神经网络辨识控制律所需的Jacobian信息,并针对加快神经网络权值收敛速度过程中的震荡问题,提出了一种新型的自适应动量因子.最后通过仿真验证了理论的可行性.