前向神经网络隐含层节点数的一种优化算法

由于前向神经网络隐含层节点数的确定尚无理论依据,为此提出一种基于黄金分割原理的优化算法,首先确定网络隐含层节点数频繁出现的区间范围;将网络总误差作为试验结果,然后利用黄金分割法搜索其区间中的理想数值;兼顾高精度的需要,将隐含层节点数频繁出现的区间作拓展,可以求得逼近能力更强的节点数。算法分析和仿真例子表明,此优化算法是切实可行的,不仅能找到理想的隐含层节点数,而且能起到节省成本、提高搜索效率等功效。

人工神经网络中隐含层节点与训练次数的优化

目前构建定量构效关系人工神经网络模型中隐含层节点数和网络训练次数大多是依靠试验方法来确定 ,针对该方法运算工作量较大、模型质量和预测精度没有保证等问题 ,通过编写程序获得有关网络的预测精度和百分误差与网络隐含层节点数和训练次数之间关系的大量数据 ,采用Matlab语言分别绘制预测精度和百分误差与网络隐含层节点数和训练次数之间的三维关系图 ,从图中可以很容易判断出达到最佳预测精度和最小百分误差的隐含层节点数和训练次数 .

基于LM算法的双隐含层BP神经网络的水位预测

为获得更精确的径流水位预测效果,文章提出了基于Levenberg Marquardt(LM)算法的BP双隐含层神经网络模型(BPDHLM)。LM算法是梯度下降法与高斯-牛顿法的结合,能缩短BP网络的收敛时间,改善网络的收敛性能;相对单隐层而言,双隐含层BP网络则能改善网络的性能误差,误差梯度,从而提高模型预测精度并改善网络性能。研究结果表明:该模型预报稳定性好,预报准确率高,为径流-水位时间序列预测提供一个有效建模方法。

BP神经网络隐含层节点数确定方法研究

在BP神经网络的众多参数中,隐含层节点数是其中一个非常重要的参数,它的设置对BP神经网络的性能影响很大,而且是导致"过拟合"现象的直接原因。目前理论上还不存在一种科学普遍的用于确定隐含层节点数的方法,应用时只是凭借设计者以往的经验以及借助多次实验进行确定,因此无法高效地获得隐含层节点数。针对BP神经网络隐含层节点数的确定问题,提出一种"三分法"算法,用于快速确定BP神经网络的隐含层节点数的最优解。在Wine-data数据集上,通过Matlab仿真实验验证了"三分法"算法比传统方法获取隐含层节点数的效率提高了1.8倍,是一种行之有效的方法。

BP神经网络隐含层单元数的确定

本文针对BP神经网络隐含层单元数难以确定的问题,提出了一种改进的方法,并通过实验证明该方法有效的减少了验证次数,提高了确定隐含层最佳单元数的效率,具有较高的应用价值.

基于人工蜂群算法的BP双隐含层神经网络水质模型

采用人工蜂群算法优化BP神经网络的初始权值和阈值,同时采用双隐含层来提高网络精度,选取DO、IMn、COD、BOD5和NH3-N作为评价指标,建立一个基于人工蜂群算法的BP双隐含层神经网络模型,并应用该模型对2012年黄河水系下河沿断面的各月监测数据进行水质评价,同时与BP神经网络、模糊层次评价方法作比较。结果表明:基于人工蜂群算法的BP双隐含层神经网络在水质评价时,均方误差小,多次运行的结果始终一致,评价结果合理有效。

基于随机隐含层权值神经网络的瓦斯浓度预测

煤矿的安全生产一直是人们重点研究的课题之一。在众多的煤矿开采安全事故中,瓦斯引起的事故占到了大多数。对井下生产线的瓦斯浓度进行实时准确的预测,提前预知生产环境是否处于安全状态,对煤矿的安全生产来说意义重大。针对这一问题,提出了一种基于NSGA-II训练的随机隐含层神经网络(BNSGA-II NN)来进行瓦斯浓度预测的方法。一方面,NSGA-II需要设定的参数少,使用较为简单;另一方面,NSGA-II中的交叉变异机制避免了陷入局部最优解。为了证明NSGA-II训练的随机隐含权值神经网络的预测质量,通过实验与PSOGSA训练的随机隐含层神经网络(PSOGSA NN)进行了对比。实验结果表明,BNSGA-II NN的预测质量明显高于PSOGSA NN的预测质量。

RBF网络隐含层节点的优化

RBF神经网络隐含层节点数的确定一直以来是该网络设计成败的关键所在,文中采用K-means自组织聚类方法为隐含层节点的径向基函数确定合适的数据中心,先给出一个初始值,再慢慢调整,通过实验数据来确定最佳隐含层节点数。结果表明,如果隐含层设计得当,RBF网络可以很好地解决函数接近问题。

基于灰关联和灵敏度的BP网络隐含层结构优化

在优化BP神经网络隐含层结构时,采用灰关联剪枝法是每次删除灰关联度小于灰关联阈值的隐节点,该方法学习时间短,但由于灰关联阈值的选取具有一定的主观性,可能会导致误删节点或不能完全删除冗余节点;而采用灵敏度剪枝法是每次只删除灵敏度最小的一个隐节点,放学习时间较长;因此,提出一种基于灰关联——灵敏度的BP神经网络隐含层结构调整算法;首先在网络前期学习过程中,采用灰关联法对隐含层节点进行"粗删",直到剩余隐节点的灰关联度都大于动态灰关联闽值,然后在网络后期学习过程中,采用灵敏度剪枝法对隐含层节点进行"细删",直到删除后的学习误差增大,则保留该节点,并结束学习;文章将结构优化后的神经网络应用于风电功率预测,仿真结果表明,该方法在满足学习误差要求的同时,不仅精简了神经网络结构,而且避免了灰关联剪枝法中灰关联阈值精确选取困难所带来的问题。

基于双隐含层GA-BP神经网络的重型柴油车排放预测

为了建立一种能够预测柴油车道路排放特性的模型,文章采用便携式车载(汽车尾气)排放测量系统(portable emission measurement system,PEMS),对某重型柴油车进行道路污染物排放特性测试;利用测得的试验数据,在双隐含层反向传播(back propagation,BP)神经网络的基础上,引入Levenberg-Marquardt(LM)优化算法,用遗传算法(genetic algorithm,GA)优化网络的权值与阈值;以车辆比功率(vehicle specificpower,VSP)为输入,搭建CO、NOx排放预测模型,并用试验数据对模型进行训练、验证。结果表明,CO、NOx的预测结果与样本数据之间的皮尔逊相关系数分别为0.8553、0.8512,线性高度相关;在整体误差水平上,CO、NOx排放因子的相对误差分别为2.61%、6.71%。该方法对车辆CO、NOx的瞬时排放和整体排放特性的预测准确性较好,具有一定的理论意义和工程应用价值。

关于BP网中隐含层层数及其节点数选取方法浅析

介绍了BP网络结构的重要性 ,总结了设计BP网时确定隐含层层数及其节点数的几种传统方法及一种新方法 ,此方法将矩阵分解理论引入BP网络结构优化中 ,为其指出了一个全新的思路及未来的发展趋势 .

前向神经网络合理隐含层结点个数估计

合理选择隐含层神经元个数是前向神经网络构造中的一个关键问题,对网络的泛化能力、训练速度等都具有重要的影响。该文提出了基于隐含层神经元输出之间的相关分析而进行隐含层神经元合理个数的估计方法,首先建立了基于网络输出和基于网络输出对网络各输入一阶偏导数的隐含层各神经元输出之间的相关程度度量,进而给出了基于模糊等价关系分析的神经元合理个数估计方法。具体应用结果证明了所提出方法的有效性。

基于双隐含层BP神经网络的绞吸挖泥船产量预测

挖泥船的产量直接决定了工程效益,因此,产量的预测具有重要的意义。疏浚作业时绞吸挖泥船疏浚工况是非恒定的且产量计算极其复杂,故提出基于Levenberg Marquardt算法的双隐含层BP神经网络模型预测绞吸挖泥船产量。相对单隐含层而言,双隐含层BP神经网络则能改善网络的性能,从而提高模型预测精度。分别以绞刀电机电流、流速、吸入真空、横移速度作为输入因素,以泥浆浓度作为输出因素,建立产量预测模型。实验结果表明,双隐含层BP神经网络的预测结果更为精确,可为预测挖泥船产量提供有效的方法。

基于属性核特征选择与隐含层节点数动态确定的BP神经网络模型

针对传统BP神经网络存在的容易产生过拟合、网络计算耗时长等问题,提出基于属性核特征选择与隐含层节点数动态确定的BP神经网络模型(AC-H-BPNN)。该模型以粗糙集中属性核为基点,通过属性重要度的判断,对神经网络输入项进行降维约简。针对隐含层节点数难以确定的问题,将二分分割法与经验公式相结合,精准确定隐含层节点数。并以水产养殖中对虾产量为例进行分析,实验结果表明,改进后的算法能够克服局部最小值问题,且预测结果准确度较高。

B-P网络隐含层对水质评价结果的影响分析

运用人工神经网络理论和方法 ,建立了水质评价的 B-P网络模型 ;重点探讨了隐含层节点数的确定方法。通过对某市不同水域水质评价及多个实例的检验分析表明 。

BP网络中隐含层节点优化的研究

在BP网络中,增加隐含层可提高BP网络的处理能力,但同时也增加了隐节点的个数,导致训练时间延长。文章分析了传统BP算法的训练过程及存在的问题,针对该问题,提出一种改进算法,即合并或删除隐结点。实验证明。

近邻传播聚类算法的RBF隐含层节点优化

传统的RBF神经网络预测精度会由于随机选取隐含层中心节点不合适而导致算法效率低下和数值病态,为了提高RBF神经网络的效率,提出了一种用近邻传播AP聚类算法改进RBF神经网络的方法,并介绍了该方法的原理及建模步骤。由于采用的AP聚类算法属于自适应聚类学习算法,无需事先给定隐含层中心节点的个数,能够适用于不具有先验信息的预测。首先,利用AP算法根据训练样本的信息进行聚类迭代,从而确定RBF神经网络中隐含层的中心节点和节点数值,解决了RBF网络的中心取值问题。然后,把所有输入数据代入基于AP聚类算法优化的RBF神经网络中进行预测。由于AP算法无需预先指定聚类数目,所提方案能提高网络的学习精度和训练速度,利用所提优化方案对正弦函数进行逼近的仿真实验,结果表明该方案的逼近误差仅为0.005 5,在0.3噪声下能保持较好的预测精度。

决定神经网络隐含层单元数目的自学习算法

基于一种启发式极限吸因子反向传播模式（ＨＴＡＢＰ）提出了一种决定多层前向神经网络中隐含层单元数目的算法．该算法不再用试探法和误差进行网络结构选取，而改由变量参数γｃ和标准误差函数决定．模拟试验表明：该算法是科学和有效的．

基于双隐含层BP算法的高清监控系统研究

随着机动车保有量的增大,机动车监控面临的问题越来越突出。针对道路车流量监控问题,提出了一种基于双隐含层BP算法的高清监控系统实现方法。通过感应线圈感知车辆状态并将之作为车辆图像获取的触发信号,利用激光探测器作为车辆图像获取手段,能够得到清晰、高分辨率的车牌图像。采用双隐含层BP神经网络算法对车牌图像进行分析识别来得到车牌信息。实验结果表明,该系统对于清晰的车牌图像的正确识别率达到95%,能够满足系统运用的需要。

基于双隐含层BP算法的激光主动成像识别系统

在传统激光主动成像系统的基础上,结合目标识别技术搭建了一个激光主动成像识别系统实验平台,用于研究激光主动成像后的目标识别。介绍了实验平台的工作原理,基于Hu矩特征的双隐含层BP神经网络算法以及实验处理流程和实验结果。特征量由7个不变Hu矩构成,通过240张原始目标样本库对由136个权值系数构成的双隐含层BP神经网络算法进行了训练。利用训练好的双隐含层BP算法对黑夜条件下远处的运动目标--43式冲锋模具枪进行了实验研究,成功获得了清晰的红外激光主动成像效果。实验显示对450m处2 740帧和550m处2 420帧激光主动成像图像的统计识别率达到了68.87%和72.11%,其中旋转变换下的统计识别率可达80.05%和84%,好于仿射变换的识别效果。