神经网络动量-自适应学习率BP算法与BP算法的性能比较及其应用

动量 -自适应学习率 BP算法是对标准 BP算法的改进 ,本文对这两种算法进行了分析 ,并利用计算机程序对其性能进行了比较测试 ,利用 VISU AL C++和 MATL

动量-自适应学习BP算法在加工领域的探索

为解决实际加工中试验次数多生产成本高、选取加工参数困难等问题,采用动量-自适应学习BP算法构建BP神经网络预测模型。根据实际情况将典型BP算法改进,得到收敛速度快的动量-自适应学习BP算法模型;用电解加工试验数据对模型结构进行训练,最终建立动量-自适应学习BP神经网络加工预测模型。采用该模型对不同加工参数组合下加工的不锈钢微孔孔径大小进行预测。结果表明,该模型的预测误差低于5%,具有很强的预测能力。

动量-自适应BP算法在机器人碰撞检测仿真系统中的应用

根据机器人运动连续性原理,通过对误差脉冲数的统计分析,我们基于人工神经网络算法,实现了机器人碰撞检测仿真系统 根据从机器人运行时采集的数据对神经网络进行训练和仿真,在实际应用中取得了预期的效果 本文讨论了动量-自适应学习率BP算法,说明了通过误差脉冲数进行碰撞检测的原理,比较了它与传统方法的区别,并且根据神经网络训练和仿真结果对动量-自适应学习率BP算法和标准BP算法进行了比较.

基于核自组织映射-前馈神经网络的交通流短时预测

提出了一种基于KSOM-BP神经网络的交通流短时预测模型。利用基于核函数的样本自组织映射神经网络(KSOM),在没有任何先验知识的情况下,自组织、自学习地将具有相似统计特性的历史样本划分成一类,促使分类样本统计特性更集中显著。对每个类别的样本分别建立动量-自适应学习速率的BP神经网络预测模型,以期提高交通流短时预测精度,减少预测时间。结合实际城市道路数据对模型进行验证。验证结果表明:KSOM-BP神经网络的预测误差统计指标MARE小于7%,比基于全部样本训练的BP神经网络的MARE减少4%左右;同时,KSOM-BP神经网络建模时间更短,证明了本文方法的有效性和先进性。

基于CAS理论的出版企业技术创新行为模式研究

基于复杂适应系统(CAS)理论,分析了出版企业技术创新系统是一个复杂适应性系统,论述了出版企业技术创新的行为模式。其中,基于复杂的刺激-反应原理,构建了出版企业技术创新系统的主体行为模式;基于复杂的适应-学习原理,构建了出版企业技术创新系统的整体行为模式;基于复杂的层次-涌现原理,构建了出版企业技术创新系统的演化行为模式。复杂性科学的非线性、非均衡、复杂整体论的新的思维模式,为研究出版企业技术创新的行为模式提供了一种新的视角。

基于改进神经网络的SMT回流焊温度曲线预测

在实际生产中,SMT回流焊工艺通常以实验方法预测温度曲线,其高成本低效率是目前亟待解决的问题.针对温度曲线输入参数与曲线多重特征值间的非线性映射关系,提出基于BP神经网络技术的温度曲线预测模型.针对训练中出现的不足,改进了误差计算方法和权值调整方式,消除了预测样本次序对网络的影响,提高了网络训练速度.利用MAPE评估方法将网络预测结果与某公司实际生产数据进行对比,结果显示预测值满足企业生产误差精度要求,因此所建立的神经网络可以有效地进行温度曲线预测,为企业回流焊生产工艺规划提供指导.

海战场多传感器目标识别中神经网络的应用研究

由于海面目标所处的海战场环境的复杂性,以及海面目标探测获取的状态数据的不确定、缺失、模糊以及动态变化等,使得海面目标的综合识别非常困难。为了解决这些问题,需要对海战场多传感器目标综合识别中采用智能的神经网络进行应用研究。文中提出一种特征级采用LMBP神经网络算法,从多维度学习训练多传感器获取的数据,提取更多相关细节的目标特征属性信息,决策级采用证据理论的智能算法模型,即列文伯格误差反向传播结合证据理论算法的目标综合识别算法(Levenberg Marquardt Back Propagation-Dempster Shafer,简称LMBP-DS算法);然后通过Matlab仿真实验,比较不同的隐藏节点数对识别率的影响,找到LMBP-DS算法最佳的神经网络结构;通过对比实验得出:LMBP-DS算法比动量自适应学习BP-DS算法具有更快的收敛速度,同时具有更稳健高效的识别正确率,从而更适用于海战场多传感器目标综合识别。

醇解度预测的神经网络模型研究

针对聚乙烯醇生产过程的醇解度预测问题,建立神经网络模型;对醇解度的影响因素进行了研究,讨论了输入层、输出层、隐含层等神经元的设置及网络训练的参数,比较了梯度下降BP算法、动量-自适应学习速率调整算法、Levenberg-Marquardt BP算法三种不同的训练算法在本问题上的优劣,并与RBF网络相比较,综合考虑训练时间、训练精度、泛化能力等条件,动量-自适应学习速率调整算法是最适合醇解度预测的,并基于动量-自适应学习速率调整算法建立了神经网络模型;将模型应用于醇解度预测系统,系统实际运行情况表明,利用神经网络模型预测醇解度是可行有效的。

河网水情预测的三种BP神经网络方法比较

针对神经网络能模拟复杂的河网水流运动规律,采用两种改进BP算法(动量—学习率自适应算法和Levenberg-Marquart法),以松花江河网水情预测为例与普通BP算法进行了应用比较。结果表明,两种改进BP算法的收敛速度和预测精度较普通BP算法均有明显的提高,L-M法的收敛速度较动量—学习率自适应算法更快,但在对超出训练样本特征范围的1998年超百年一遇历史性特大洪水进行外推模拟时,动量—学习率自适应算法表现更好。