误差反向传播算法与信噪分离

研究了误差反向传播算法的基本原理及其在信号识别与噪声消除中的应用。通过与经典谱估计的信号处理效果进行比较 ,阐明了BP网络具有良好的信噪分离特性。

单亲遗传误差反向传播算法及其在县级生态农业综合评价中的应用

针对误差反向传播 (BP)算法局部收敛等局限性和单亲遗传 (PGA)算法的优点 ,提出了融PGA和BP为一体的单亲遗传误差反向传播 (PGA BP)算法 ,并用于县级生态农业的综合评价 .评价结果表明 :PGA BP算法具有简便、高效、适应性强等优点 ,用于县级生态农业的综合评价是切实可行的 .

电力系统潮流误差反向传播算法

文中将人工神经网络中的误差反向传播算法应用于电力系统潮流计算,通过算例表明,该算法具有较好的收敛特性。

基于迭代式MapReduce的误差反向传播算法

针对误差反向传播（BP）算法计算迭代的特点,给出了迭代式MapReduce框架实现BP算法的方法。迭代式MapReduce框架在传统MapReduce框架上添加了传送模块,避免了传统框架运用在迭代程序时需要多次任务提交的缺陷。通过对K/TGR146对空台射电开关控制系统进行仿真得到BP算法训练样本,并在Hadoop云计算环境下,分别在基于传统框架和迭代式框架的BP算法中进行训练。实验结果表明,基于迭代式MapReduce框架的BP算法训练速度达到了基于传统MapReduce框架的BP算法训练速度的10倍以上,正确率提升了10%~13%,能有效解决算法训练时间过长和迭代计算中多次任务提交的问题。

基于误差反向传播算法的海上拖航风险

针对当前海上拖航作业失事后果严重、难以进行全线监测等问题,对大型海洋平台拖航作业的风险进行分析,结合事故致因理论从人、机、环境、管理等4个方面构建海上拖航作业安全评估指标体系。在此基础上,提出基于单隐藏层误差反向传播算法的海洋平台拖航作业安全评估模型,将指标数据作为网络输入、单一隐藏层作为中间层、拖航安全的评估值作为网络输出。试验结果表明,所提方法具有良好的精度和鲁棒性,对海上拖航作业具有一定的指导意义。

基于误差反向传播算法的电力机车故障定位方法

对HXD2型电力机车网络控制系统故障定位效率低、定位精度差的现状进行分析,详细介绍了一种基于误差反向传播算法的故障定位方法,并验证了该方法的可行性.

遗传算法误差反向传播人工神经网络预测阿立哌唑血药浓度

目的构建基于遗传算法误差反向传播(GA-BP)人工神经网络的阿立哌唑(APZ)及其代谢产物脱氢阿立哌唑(DAPZ)血药浓度预测模型,为需要调整APZ使用剂量或不能进行APZ血药浓度监测的患者提供浓度预测模型。方法回顾性收集在2021年7月—2022年8月新疆维吾尔自治区人民医院就诊且规律服用APZ的174例患者的血药浓度资料,提取相关变量,采用Matlab R2018a编程软件,结合深度学习网络构建GA-BP人工神经网络预测模型,预测APZ+DAPZ血药浓度。结果GA-BP人工神经网络预测模型验证结果显示,35例验证组样本的预测结果与实测结果相比,平均预测误差为-0.0926,平均绝对误差为0.6895,35个预测误差均小于15%,小于15%的概率为100%,血药浓度的预测值与实测值之间的相关系数为0.997,预测结果较理想。结论GA-BP人工神经网络预测模型预测APZ+DAPZ血药浓度,可用于APZ的个体化给药。

基于误差反向传播算法神经网络模型的网络式以问题为基础学习效果评价方法的研究

目的研究误差反向传播算法（ error back propagation algorithm,BP）神经网络模型在网络式以问题为基础学习（ WPBL）效果评价中的适用性。方法基于调查问卷收集的资料,利用测试样本构建BP神经网络模型,并通过所构建的模型对训练样本进行检测。结果构建模型时测试样本的网络输出分数与综合评分之间的平均误差小于规定误差（E=0.000031592〈0.0001）。对训练样本进行检测显示,网络输出分数与实际综合评分之间的误差极小。结论 BP神经网络模型能够准确、快速地对WPBL效果进行评价。

基于误差反向传播算法神经网络模型的水痘发病状况预测研究

目的 研究误差反向传播算法(BP)神经网络模型在广州市番禺区水痘发病状况预测中的适用性并进行预测,为制定水痘的防控提供措施理论依据.方法 基于广州市番禺区2006至2015年水痘的发病率,构建BP神经网络模型,检验模型的预测精度,并通过所构建的模型对2016至2018年的发病状况进行预测.结果 所构建的模型预测精度达到99.867％,利用模型可得到2016至2018年该地区的水痘的发病率分别为153.36/100000、118.17/100000、128.97/100000.结论 BP神经网络模型预测准确性高,适用于水痘发病状况的预测分析.

基于改进遗传算法的神经网络优化方法

为了克服神经网络反向传播算法收敛速度慢,易陷入局部极小值,初始权值和阈值的选择缺乏依据,具有很大随机性等缺陷,采用基于自适应遗传算法的神经网络优化方法,方法结合了两者的优点,但是仍存在种群早期进化速度慢的缺点,于是提出了一种改进的自适应遗传算法,将其应用于神经网络的权值和阈值的优化设计中,并将此模型用于对某城市污水厂难测参数SVI的预测。仿真结果表明,算法不仅可克服BP算法的缺陷,而且与BP和GA-BP网络模型比较,大大提高了收敛速度与收敛精度,获得了良好的测量效果。

变尺度混沌算法的BP网络优化

采用变尺度混沌优化方法代替梯度下降法融入BP神经网络,在优化搜索过程中不断缩小搜索空间,克服了标准BP算法易陷入局部极小的缺点,能有效地寻找到BP神经网络权值的全局最优值;此外,进一步提出变尺度混沌优化与梯度下降法有机结合的算法,能有效缩短单一的变尺度混沌优化BP算法的训练时间。仿真结果表明,改进的BP神经网络具有实现简单、寻优性强和优化效率高等特点。

广义同余神经网络的算法改进与性能分析

对广义同余神经网络 (GCNN)的性能进行了深入的分析研究 ,提出了一种改进的广义同余学习算法 ,并将该算法与当前广泛使用的标准BP网络算法进行了比较。计算机数字实例模拟表明 ,该算法具有学习速度快、拟合效果好等特点。

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。

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。

基于神经网络的数字广播信号无线定位算法(英文)

为了提高非视距(NLOS)环境下无线定位的准确性和可靠性,提出了一种利用数字广播信号进行移动台定位的神经网络方法.该方法利用神经网络的学习特性和逼近任意非线性函数的能力,建立到达时间(TOA)和到达时间差(TDOA)测量数据与坐标之间的映射关系.将神经网络的连接权值作为非线性动态系统的状态量进行估计,用基于扩展卡尔曼(EKF)的实时神经网络训练算法来训练多层感知器网络.由于基于EKF的训练算法给出的是连接权值的近似最小方差估计,其收敛性要优于误差反向传播(BP)算法.仿真结果表明,该算法在NLOS环境下有较高的定位精度,性能优于BP基的神经网络算法和最小二乘算法;且该定位方法不依赖于特定的NLOS误差分布,也无需视距(LOS)和非视距识别.

基于均匀设计混合算法的短期负荷预测

提高电力系统短期负荷预测精度有助于提高电网运行的安全性和经济性,改善供电质量。将均匀设计、改进遗传算法和误差反向传播算法相结合构成混合算法,并将其用于短期负荷预测。数据样本训练和实际预测结果表明,该模型不仅可避免陷入局部极小点,而且可提高预测精度和网络训练速度。

ACO-BP算法在化工过程故障诊断中的应用

将蚁群算法和BP神经网络相结合,利用蚁群优化算法与误差反向传播算法结合而构成的混合算法(ACO-BP)训练神经网络的权值和阈值,给出ACO-BP算法训练神经网络的基本原理和方法步骤,并将该算法应用于连续搅拌釜式反应器的故障诊断。仿真结果表明:ACO-BP算法具有较高的诊断精度,能够及时、有效地检测连续搅拌釜式反应器中存在的故障。

一种前馈神经网络算法

神经网络由于其非线性处理能力强,性能稳定等特点得到了广泛应用和研究。主要应用于模式识别、信号 处理、知识工程、专家系统、优化组合、机器人控制等。神经网络中使用最为广泛的就是前馈神经网络。其网络权值学习 算法中影响最大的就是误差反向传播算法(back-propagation简称BP算法)。BP算法存在局部极小点,收敛速度慢等缺点。 基于优化理论的Levenberg-Marquardt算法忽略了二阶项。该文讨论当误差不为零或者不为线性函数即二阶项S(W)不能忽略 时的Hesse矩阵的近似计算,进而训练网络。

人工神经网络在果蔬干燥领域应用进展

果蔬干燥是农产品加工中的重要环节,构建精确的干燥动力学模型成为干燥领域的重点方向。综述人工神经网络在果蔬干燥过程中的应用现状、分析存在的问题和做出展望。针对神经网络在干燥过程中的各种场景分类为四个部分:含水率预测、品质检测、工艺优化和控制系统方面,总结各部分的应用类型及发展创新;再对比传统干燥模型和人工神经网络模型;最后介绍混合神经网络的应用场景。发现人工神经网络比传统干燥模型更精确,且混合神经网络结合专家系统、模糊逻辑等理论能够提供准确的预测,作为一种新颖高效的建模技术,可以广泛应用于果蔬加工的优化、控制、自动化等领域。其中应用最广泛的就是与遗传算法结合的GA-BP神经网络,BP负责预测、GA负责寻优,在这样的算法中不仅可以精确预测结果还可以优化工艺。这样的模型更适合果蔬干燥且在未来有更广阔的发展空间,以期这些探讨和分析对果蔬干燥领域具有参考意义。

一种优化前馈神经网络算法

神经网络由于其非线性处理能力强,性能稳定等特点得到了广泛应用和研究。主要应用于模式识别、信号处理、知识工程、专家系统、优化组合、机器人控制等。神经网络中使用最为广泛的就是前馈神经网络。其网络权值学习算法中影响最大的就是误差反向传播算法(back-propagation简称BP算法)。BP算法存在局部极小点,收敛速度慢等缺点。基于优化理论的Levenberg-Marquardt算法忽略了二阶项。该文讨论当误差不为零或者不为线性函数即二阶项S(W)不能忽略时的Hesse矩阵的近似计算,进而训练网络。