基于在线学习误差反传算法的仿真伺服系统设计

针对无人机(UAV)仿真伺服系统的驱动模型,提出了一种将误差反传算法用于UAV仿真伺服系统在线学习设计的新方案。在该算法中采用了BP神经网络的基本思想,设计了两输入、单隐层、两输出在线学习策略,输入层分别为给定指令信号和反馈数字解算后的位置信号;隐含层单元数为12 个;输出层设为2 个输出单元,即经在线学习误差反传算法学习训练后的数字位置和速度,其中位置控制器采用自调节比例积分微分(PID)控制,速度通过数字/模拟(D/A)转换后传送到速度控制器,设定精度误差指标为0.05,训练样本数为30。用研制的UAV仿真伺服系统对UAV光纤陀螺传感器进行含实物半物理实时仿真实验,结果表明,该在线学习误差反传算法控制方案的UAV仿真伺服系统具有收敛性好、动态响应快、鲁棒性强的特点。

扩展隐层的误差反传网络训练算法研究

为提高神经网络的预测精度,对现有的误差反传网络训练算法进行了改进。对三层误差反传网络进行了结构扩展,在训练过的三层网络中,动态增加一个具有线性激活函数的辅助隐层,形成一种新的网络扩展模型。用改进的蚁群算法对新增权值参数进行训练,着重阐述算法的实现过程及算法分析。最后,设计了一组催化剂活性预测实验,对算法改进前后的预测能力及训练误差进行了对比。结果表明,采用该模型及训练算法,可以在不影响网络表达能力的基础上提高网络的训练精度及预测精度,改善了网络的泛化能力。

基于误差反传算法的时间序列非线性预测方法

讨论了基于误差反向传播算法的时间序列非线性预测方法，给出了用该方法预测的时间序列程序框图并对太阳黑子预测问题进行了计算机仿真。仿真结果表明该非线性预测方法有较好的预测效果．

基于改进BP神经网络的远传水表示值误差补偿方法

目的:提高远传水表示值误差补偿模型的精度。方法:提出了基于蚁群算法(ACO)优化的LM-BP神经网络模型的误差补偿方法。首先根据样本数据分层,结合randperm函数随机化样本数据,再通过蚁群算法对比训练样本的输出误差和期望误差,调整蚂蚁在路径上的信息素含量和路径选择,从而优化BP神经网络的初始权值和阈值,最终蚂蚁种群确定的最短路径作为最优的初始权值和阈值,再赋给BP神经网络通过LM算法对远传水表训练集数据进行训练,并针对远传水表测试集数据进行预测。结果:有效解决了BP神经网络学习收敛速度慢、易陷于局部极小和精度稳定性差的问题,进一步提高模型预测精度;经过优化之后的模型平均绝对误差百分比MAPE为1.0324%,平均绝对误差MAE为0.40111,均方误差MSE为0.42400,均优于LM-BP神经网络模型。结论:实验表明,基于蚁群算法优化的LM-BP神经网络误差补偿模型的应用效果显著优于普通BP神经网络。

神经网络中误差反传算法的分析与改进

分析了ＢＰ网络存在的主要问题及其产生原因，提出了改进算法ＢＰＧ，以共轭梯度方向代替梯度方向进行搜索，并在学习过程中采用不精确的一维搜索、限幅和条件轮回等措施．计算机仿真结果表明：改进的ＢＰＧ算法优于原ＢＰ算法．

基于遗传算法-误差反传神经网络的变风量空调系统空调箱故障诊断

本文针对变风量空调系统空调箱常见的8种软硬故障,提出了基于遗传算法(Genetic Algorithm,GA)结合误差反传(Back Propagation,BP)神经网络的故障诊断方法。通过变风量空调系统硬件在环仿真平台获取了不同故障工况下的数据;在BP神经网络模型的基础上,利用遗传算法对其权值和阈值进行优化,建立了GA-BP神经网络故障诊断优化模型;分析比较了BP模型和GA-BP优化模型的故障诊断性能。结果表明:GA-BP优化模型可以有效分离出8种故障,较BP模型有更好的故障诊断性能,准确率提高至90.7%;在相同神经元个数的情况下,GA-BP优化模型的故障诊断准确率更加稳定。

误差反向传播算法的数学推导及实现步骤

提供了人工神经网络的一种算法-误差反向传播算法的数学推导方法及上机实现步骤.

加入预测信息的反馈误差学习模型及其仿真研究

针对非线性平衡控制问题,提出了一种加入预测信息的反馈误差学习(P-FEL)模型,该模型使用系统状态预测信息和反馈控制器的输出信号共同构成前馈神经网络控制器的教师信号,使用在线BP算法保证运动控制和运动学习同步进行。将P-FEL模型应用于倒立摆平衡控制的仿真实验结果表明,P-FEL模型可以有效地减少前馈神经网络控制器对反馈控制器参数的依赖性,同时还具有良好的平衡控制性能和鲁棒性。

一种解决BP网络过拟合的学习算法

针对BP网络的过拟合问题,提出了一种基于验证误差的学习算法,该算法主要从构建最佳网络结构及获得最适训练次数两个角度进行了考虑.在学习过程中,通过不断检验验证误差及误差变化量,自动调整隐层节点数目,并适时停止网络训练.针对给定问题,该算法不仅能自动构建最佳网络结构和相应权系数,而且同时对网络的泛化能力进行了检验,从而有效避免了网络的过拟合.最后通过实验证明了算法的有效性.

基于遗传算法的人工神经网络学习算法

为了克服和改进ＢＰ算法的不足，提出了一种基于遗传算法的神经网络学习算法．仿真结果表明，该算法具有无比的优越性，可避免ＢＰ算法易于陷入局部极小值、训练速度慢、误差函数必须可导。

带一类自适应非线性特性的变步长BP学习算法

针对前馈神经网络的反向传播(BP)学习算法收敛速度慢、易陷入局部最小等缺点,本文提出了在BP搜索进入误差代价函数曲率较小、收敛速度较慢处时,在变步长BP学习算法的基础上,引入一个非线性特性项,并将该特性项的强度系数构造为具有升温、降温策略控制的自适应非线性函数。仿真结果表明,该算法的收敛稳定、快速,具有较好的效果。

基于混合学习算法的材料计算数据误差估计

鉴于低误差的基于密度泛函理论的材料计算模拟数据在新材料设计与发现中的重要性,提出一种基于BP神经网络和粒子群优化(particleswarmoptimization,PSO)混合学习算法的材料计算数据误差估计建模方法。结合PSO的全局搜索和BP算法的局部搜索优点,将不含速度项的简化PSO算法和BP算法相结合,提出一种PSO和BP混合的学习方法(tsPSO-BP),用于训练材料计算模拟数据误差估计神经网络模型,并以立方晶系二元合金弹性常数计算模拟数据误差估计为应用实例。应用结果表明ts PSO-BP训练后的弹性常数计算模拟误差预测神经网络模型预测的C_(11),C_(12)和C_(44)的计算模拟数据误差的准确率分别达到88.19%,87.83%和88.26%。

关于BP网络批学习算法的讨论

本文仿真结果和理论分析表明，与在线学习算法相比，批学习算法并不是一种更为有效的方法．相反。

基于鲁棒误差函数的 BP 算法

提出一种基于鲁棒误差函数的ＢＰ学习算法，并对这种算法进行了仿真研究结果表明该算法增强了ＢＰ网络的泛化能力，提高了ＢＰ网络的鲁棒性。

融合遗传算法和BP神经网络对基坑地表沉降预测的应用研究

随着基坑开挖的范围和深度越来越大,如何保证在基坑开挖过程中地表的沉降安全至关重要。本文利用遗传算法对BP神经网络预测模型进行权值和阈值优化,对基坑地表沉降监测时间序列进行预测处理,同时将预测结果与遗传算法和神经网络预测模型进行了定量性的比较和分析,结果表明融合模型比BP神经网络能够更加快速精确的预测基坑地表的沉降趋势,与此同时,本文将地下水的沉降时间序列和基坑地表的沉降进行了相关性分析,结果表明,地下水的沉降对基坑地表的沉降的影响较大,为基坑地表沉降预测提供了技术支持和参考。

BP神经网络的联合优化算法

针对BP神经网络存在收敛速度慢、易陷入局部极小等缺陷,提出了一种自适应调节学习率和动态调整S型激励函数相结合的改进BP算法。该算法将学习率与误差函数相关联,再对每个隐单元和输出单元的激励函数的斜率进行自动调整。通过实例仿真,将改进算法与标准BP算法、加动量项法和自适应学习率法进行比较,来验证所提出方法的有效性。实验结果表明,联合优化的BP算法能有效加快网络的收敛过程,并具有较强的泛化能力。

自适应动量项BP神经网络盲均衡算法

为了消除数字信号在传输过程中产生的码间串扰,使得接收端能够正确解调,对信道畸变进行有效补偿,在基于动量项BP神经网络盲均衡算法的基础上,提出一种能够自适应调节BP神经网络动量项的盲均衡算法。该算法根据盲均衡过程中误差函数的变化情况,自适应调节BP神经网络的动量项,充分发挥动量项在避免网络训练陷于较浅的局部极小点的优势。仿真实验结果表明,该算法在稳定性及收敛性能上均优于固定动量BP神经网络盲均衡算法。

前向神经网络学习速率的自适应算法(英文)

学习速率是控制神经网络学习过程的一个重要参数,影响神经网络的稳定性和快速性。提出了一种能够满足实时性要求的神经网络学习速率的自适应算法,并证明了在该学习速率下,神经网络的学习过程是Lyapunov意义稳定的。该方法通过为神经网络的输出增加一个输出修正量来补偿多个未知因素对学习误差的影响,从而构造使学习误差快速收敛到零的学习速率自适应算法。通过对神经网络在线逼近一个非线性对象的过程进行仿真,结果证明了该方法的有效性。

BP 算法执行过程中的平台现象及其减少方法的研究

基于对ＢＰ算法执行中存在的平台现象的分析，从神经元作用函数的总输入、作用函数的选择、作用函数的自适应调整和网络初始权值的选择几方面，分析和研究了减少平台现象的措施提出了神经元作用函数的选择方法，给出了具有作用函数自适应调整的ＢＰ算法。