神经网络梯度下降与粒子群组合的训练算法

针对神经网络迭代过程中易陷入局部极小点的问题,提出一种BP-PSO算法。采用负梯度下降法迭代神经网络中的各项参数,利用得到的权值和偏置作为一个解向量,在该参数的邻域内引入简单PSO粒子群算法进行全局寻优,将最优解代入负梯度下降法,循环求解。结果表明,在Tensorflow鸢尾花分类数据集上的测试中,该组合算法与梯度下降算法相比,损失函数下降了49.54%,训练次数减少了43.33%,达到了收敛速度更快、识别度更高的效果。

基于BP神经网络PID控制DC/DC变换器研究

针对传统PID控制DC/DC变换器具有响应速度慢,输出电压纹波系数大等问题。提出了一种BP神经网络结合PID的控制方法。对神经网络的结构进行了分析,对算法进行了数学公式推导,最后采用Matlab软件编程实现BP神经网络算法。在Simulink模块中搭建了Buck电路模型,再分别搭建了传统PID控制和模糊PID以及BP神经网络控制模型对其进行仿真,得到相应的输出电压仿真结果图。仿真结果表明,BP神经网络PID控制下的输出电压更稳定,纹波系数为0.4%,小于其他两种控制方法。

关于对BP神经网络算法改进的研究

为了减小标准BP算法中迭代次数并提高其收敛速度 ,现提出将负梯度下降法与DFP变尺度算法相结合进行权值修正的方法 .在误差寻优初期 ,首先采用标准BP算法进行迭代 ,每迭代一次的工作量较小、所需存贮量较少 ,且对初始点的要求不高 .然后 ,当寻优过程开始接近最优时 ,更改寻优算法 ,即使用DFP变尺度算法 .最后 ,运用MATLAB工具箱和VisualBasic实现算例 .实验结果表明 :改进后的BP算法减少了迭代次数 。

基于三角函数神经网络的电动汽车充电电流谐波分析方法

为了快速、准确地检测电动汽车充电的电流谐波,提出了基于三角函数神经网络的电流谐波实时分析方法。利用权重对电流的谐波分量进行估计,建立电流谐波分量参数与权重的关系,在学习中采用负梯度下降法更新权重,求取三角函数神经网络的最优权重,从而快速、精确地估计系统谐波分量的幅值、相角等相关参数。通过MATLAB对所提出方法进行仿真分析,并与快速傅里叶变换(FFT)方法进行对比,结果表明,所提方法鲁棒性较好,能够更加快速、准确地检测电流的各次谐波成分。

BP神经网络算法的一种改进

为了减小标准BP算法中迭代次数并提高其收敛速度,提出了将负梯度下降法与DFP变尺度算法相结合进行权值修正的方法,在误差寻优初期,首先采用标准BP算法进行迭代,每迭代一次的工作量较小、所需存贮量较少,且对初始点的要求不高。当寻优过程开始接近最优时,更改寻优算法,即使用DFP变尺度算法。最后,通过MATLAB实现。结果表明改进后的BP算法减少了迭代次数,提高了寻优的收敛速度。