误差逆传播算法的改进

讨论了误差逆传播算法存在的缺陷 ,并针对其缺陷提出了动态调整学习因子与合理选取激发函数相结合的改进方案。编程验证表明 ,改进后的误差逆传播算法速度快、精度高。

基于新型二层误差逆传播网络的图像压缩

基于误差逆传播算法对图像进行压缩的工作已有很多 ,但存在着人工神经网络训练时间较长 ,精度偏低等问题。考虑到利用三层及三层以上BP网络对图像压缩 ,其有效信息是中间层单元上的输出值和中间层与输出层之间的连接权 ,而输入层与中间层的连接权是冗余的 ,以至于对学习速度和压缩质量有负面影响。基于此我们提出了新型二层误差逆传播网络拓扑结构和算法。经过上机压缩测试 ,相对于三层BP网络、三层以上BP网络以及嵌套BP网络图像压缩的压缩比、学习速度和压缩质量都有很大提高 。

基于BP算法的CFG桩复合地基承载力的神经网络预测

将BP神经网络模型应用于CFG桩复合地基承载力的设计计算中,通过对影响CFG桩复合地基承载力因素间的非线性关系分析,指出影响CFG桩复合地基承载力的主要因素有:桩的参数、置换率、土的物理力学特性、褥垫层厚度和施工工艺。为成功预测CFG桩复合地基承载力,收集了大量工程实测资料(包括地质资料、工程设计资料、静载荷试验资料),并按照神经网络的训练要求对工程资料进行了分析整理,建立了基于人工神经网络的CFG桩复合地基承载力预测模型。通过对网络的学习训练,得到的复合地基承载力预测值达到了预期精度。

BP算法中样本特性及参数α，β两阶段动态调整

从样本特性和参数调整出发，提出了三种改进的ＢＰ算法，并在ＸＯＲ等问题上进行了检验。

《神经网络BP改进算法及其性能分析》

目前神经网络模型已有40多种。BP（Back Propagation）神经网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输人一输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。其结构包括输入层（input）、隐含层（hiddenlayer）和输出层（outputlayer）3类。

企业管理信息系统集成对供应链影响的评估与序参量的提取

从管理学的角度研究供应链企业间信息系统集成的影响,先列出在集成中影响系统能力的主要因素,利用模糊评估方法先对集成中节点企业信息系统能力进行评估,然后基于网络理论,利用提出的效率变化率判别节点企业管理信息系统能力对供应链流程弹性的影响,给出在集成中影响管理信息系统能力因子对整体的影响,最后利用神经网络误差逆传播算法中训练的阈值和权的组合,找出序参量。创新之处:1.从企业管理角度研究影响系统集成中不确定性因素,弥补前人主要从系统软件设计、框架体系构建研究系统集成,忽视了人对系统影响的缺点;2.利用复杂网络和神经网络的方法寻找管理意义下的“序参量”,使得研究既能体现主观因素也能体现客观因素。

基于BP神经网络的水泥抗压强度预测研究

探讨应用ＢＰ（ｂａｃｋ－ｐｒｏｐａｇａｔｉｏｎ）神经网络进行水泥２８ｄ抗压强度预测的方法．利用ＢＰ网络很强的非线性映射功能，建立抗压强度相关因素与抗压强度之间的关系．通过对样本的学习，ＢＰ网络将这种非线性映射关系以分布并行的方式存储在网络的联结权矩阵中，从而达到对样本集的非逻辑归纳．本文提出的强度预测模型能够以较高的精度预测水泥２８ｄ抗压强度．作为对比，同时应用回归分析方法预测水泥２８ｄ抗压强度，两种结果的对比分析表明。

基于模糊聚类神经网络的煤炭资源分类研究

采用模糊聚类神经网络方法建立了煤炭资源分类模型 ,通过自适应算法与误差逆传播算法相结合 ,解决了以往神经网络不能处理模糊问题的缺陷 ,从而更适应现实评价条件的需要。

均匀沙床面动床阻力计算的人工神经网络模型

针对泥沙运动数据含有噪音且样本数据较多的特点,提出采用人工神经网络(ANN)BP模型批学习的训练方法可有效地缩短计算时间、提高训练精度。建立了由能坡、无因次单宽流量和无因次泥沙粒径等3个参数预测水深的结构为3-33-1的冲积河槽动床阻力BP模型。预测结果与实测资料比较表明这个人工神经网络模型的预测精度较高,同时这个模型与21个动床阻力公式的比较表明人工神经网络模型要比传统的回归模型精度高。

BP机网络模型

文章提出了一种利用人工神经元网络方法BP机网络实现设计并训练一个印刷字符分类器 .程序采用MATLAB5 .

基于机器学习的铝合金铸锭夹杂物的定量检测方法

为解决人工检测铸造铝合金锭含渣量效率低、误差大的问题,在K模检测技术的基础上,提出基于机器学习的利用卷积神经网络和误差逆传播网络双网络结合的方式检测方法,实现对铸造铝合金锭含渣量定量化检测。首先利用卷积神经网络定性分析K模断口面是否含渣,再利用误差逆传播网络和滑动窗口对K模断口面进行特征提取和定量计算含渣量,最后利用非极大值抑制算法对检测结果进行优化和后处理。结果表明,利用卷积神经网络判断K模断口面含渣与否的准确率为85.88%,能够较为准确地判断K模断口面是否含渣以及计算K模断口面的含渣量,满足生产实际的基本需求。

改进的BP神经网络在流域产沙量预测中的应用

误差逆传播算法是多层前向网络的典型算法 ,但是其平方误差函数超曲面存在许多局部极小值 ,于是给出了基于输出空间的全局优化BP算法 (globaloptimizationbackpropagationalgorithm ,简称GOB PA)。应用GOBPA ,建立黄河某流域年均产沙量的预测模型。结果表明 。