Salt and Pepper Noise Filter Based on GA-BP Algorithm Noise Detector

基于噪声检测的中值滤波器已广泛用于消除图像中的椒盐噪声，然而在高噪声密度情况下，对噪声像素的定位不准确很容易造成图像边缘的模糊。本文提出了一种基于GA-BP的椒盐噪声滤波算法，克服了这一缺陷。算法首先用遗传算法优化的BP网络对图像中的噪声像素定位，然后引入保边函数和PRP算法求目标函数的极值进而实现图像的去噪处理。实验结果表明，该算法比传统滤波算法效果有明显改善，且具有良好的泛化性、鲁棒性和自适应性。

基于双隐含层BP神经网络的某金矿回收率预测研究

为掌握某金矿选矿工艺影响因素对金实际回收率的作用规律并预测金的回收率,采用正交试验方法开展了金矿浮选试验,通过Pearson系数分析金回收率对不同工艺因素的敏感性,并利用双隐含层BP神经网络对金回收率进行预测。结果表明:生产过程中金回收率对不同因素的敏感性由大到小依次为2#油用量、Na2S用量、丁基黄药用量、CuSO_(4)用量和磨矿细度。在此基础上,选用2#油用量、Na_(2)S用量和丁基黄药用量3个主要影响因素,使用不同隐含层激活函数的BP神经网络对金回收率进行预测。预测结果表明:当使用“logsig”作为激活函数时,其拟合度与精度较高,拟合优度R2为0.9792,相对平均误差仅为0.666%,说明该模型能够较好地预测金回收率。研究结果对贵金属矿山生产中金属回收率的预测有一定的参考意义。

基于IAFA-BP的门式起重机技术特性权重预测

鉴于现有研究对门式起重机设计过程中功能需求与技术特性之间关系的挖掘尚有欠缺,文中提出了基于改进自适应萤火虫算法优化BP神经网络的门式起重机技术特性权重预测模型。通过分析门式起重机功能需求和技术特性之间的关系,根据功能需求重要度预测技术特性的权重,从而实现门式起重机的产品适应性设计。此外,为了提高门式起重机技术特性预测精度,针对萤火虫算法及BP神经网络存在的缺陷,设计了改进的自适应萤火虫算法,用于优化BP神经网络的权值和阈值,验证该模型的有效性。与传统模型进行对比分析,表明该模型具有更高的预测精度。

基于似然BP算法的区域供电能效差异变化趋势预测方法

采用目前方法预测区域供电能效差异变化趋势时,存在误差率高、预测值与实际值差距大及预测模型复杂程度高的问题。提出基于似然BP算法的区域供电能效差异变化趋势预测方法。利用RAMP重构具有稀疏噪声的电能数据,并将处理后的无干扰电能原始数据投入到神经网络中,利用似然BP算法对数据样本进行编码、选择、交叉和变异,最终构建预测模型,并运用预测模型完成区域供电能效差异变化趋势的预测。实验结果表明,所提方法误差率低、预测值与实际值差距小、预测模型复杂程度低。

改进麻雀搜索算法优化BP神经网络的短时交通流预测

针对BP神经网络预测短时交通流量过于依赖初始参数的问题,提出一种基于改进麻雀搜索算法(ISSA)来优化BP神经网络的短时交通流预测模型(ISSA-BP)。针对标准麻雀搜索算法(SSA)易收敛于原点,容易陷入局部最优等问题,对麻雀群体中的发现者和部分加入者的位置更新公式分别进行改进,改进后的发现者将基于搜索维度的大小和当前最优值的位置来进行全局搜索,部分加入者将根据其与最优位置之间的距离来进行全局搜索。通过实验对BP,PSO-BP,SSA-BP,ISSA-BP 4种短时交通流预测模型的预测效果进行对比分析,结果显示,ISSA-BP短时交通流预测模型的误差最小,ISSA-BP模型相较BP模型在MAE评价指标上的预测精度提升了48.85%,有着更好的预测精度。

Adaptive Learning Rate Optimization BP Algorithm with Logarithmic Objective Function

ＡｄａｐｔｉｖｅＬｅａｒｎｉｎｇＲａｔｅＯｐｔｉｍｉｚａｔｉｏｎＢＰＡｌｇｏｒｉｔｈｍｗｉｔｈＬｏｇａｒｉｔｈｍｉｃＯｂｊｅｃｔｉｖｅＦｕｎｃｔｉｏｎＬｉＣｈｕｎｙｕ（李春雨）ＳｈｅｎｇＺｈａｏｈａｎ（盛昭瀚）（ＥｃｏｎｏｍｉｃＭａｎａｇｅｍｅｎｔＳ...

基于ISSA-BP的500kV高压线损预测模型

线损对评估电力系统的经济运行有着重要作用。针对高压线损与多种特征参数之间关系复杂的问题,综合考虑关口电压、关口电流及温湿度对高压线损的影响,提出一种基于改进麻雀搜索算法(ISSA)优化BP神经网络(ISSA-BP)的高压线损预测模型。首先,通过Lévy变异策略及旋转策略分别对麻雀搜索算法(SSA)的发现者及加入者的位置更新方式进行改进,并在6个基准函数上进行测试,结果表明ISSA的寻优能力得到提升。其次,通过ISSA将最优初始权值和最优初始阈值赋予BP神经网络,进而拟合出特征参数与线损率的关系。最后,以山西省某条500 kV高压输电线路数据为研究对象,对比分析BP、GWO-BP、WOA-BP、SSA-BP与ISSA-BP这五种预测模型的预测效果,结果表明ISSA-BP模型的预测值最接近实际值,其RMSE、MAPE、MAE和R2分别为4.29%、3.67%、3.57%和99.01%,均为各种预测模型中最优。相较于SSA-BP,ISSA-BP的RMSE下降了33.4%,MAPE下降了36.7%,MAE下降了37.1%,R2提高了1.24%,表明ISSA-BP模型能对高压线损进行准确预测。

基于CAFA-BP算法的股票风险评估

引入改进后的Chebyshev混沌映射函数对萤火虫算法的步长进行更新,利用改进后的萤火虫算法搜索BP神经网络的初始参数,建立了基于萤火虫算法的BP神经网络的股票风险评估模型。仿真结果表明优化的股票风险评估模型是有效的。

利用BP神经网络对蛋白质折叠速率的研究

目的:通过BP神经网络模型对蛋白质的折叠速率进行预测。方法:以蛋白质的接触序参数(CO、LRO、TCD)为输入信息,折叠速率为输出信息,构建具有1个输入层、2个隐藏层和一个输出层的4层BP神经网络模型,用以尝试多种激活函数,给出合理的预测结果。结果:激活函数是影响BP神经网络效率和精度的最重要因素之一,文中比较了6个激活函数来评估神经网络模型在蛋白质折叠预测中的表现,发现Mish函数预测全β蛋白质比较有效,而Tanh函数更适合一般性蛋白质折叠速率的预测。本文还通过不同的分离截止值来了解蛋白质的序列和折叠率之间的关系,LRO和TCD/CO的分离截止值分别为8和3的模型可以更精确地预测折叠率。结论:在本模型中,蛋白质折叠速率预测结果和实验结果基本吻合,这些研究成果为寻找影响蛋白质折叠过程的动力学因素提供了理论依据。

一种提高BP算法学习速度的有效途径

ＢＰ网络在实际应用中的最大障碍就是学习速度慢这一问题。本文在详细分析与论证的基础上得出：在学习过程中，通过对ｓｉｇｍｏｉｄ函数形状的动态调整可有效地提高ＢＰ网络的学习速度，而且这一方法实现简单、易于理解、具有普遍适用性。同时本文对近期发表的有关文献中所提出的一些不恰当的观点和结论进行了修正和补充。

基于BP神经网络改进算法的入侵检测方法

对BP神经网络的算法进行改进:针对不同的训练样本,只激发网络中的部分神经元以产生输出。权值的调整只发生在与被激发的神经元相连弧线的权值上,而不是传统的BP神经网络需要对所有权值进行调整。实验结果表明,该算法在大样本训练网络时,可以显著提高网络的训练速度,减少训练的时间,同时还可以提高系统的检测率。

混合激活函数对BP算法收敛速度的影响

研究了不同激活函数选取对ＢＰ 网络收敛速度的影响，得出了采用组合激活函数可改善ＢＰ网络的收敛性的结论．以电力变压器的人工神经网络故障诊断为例所选取的ＴＴＳ（Ｔ表示为双曲正切函数，Ｓ表示为Ｓｉｇｍｏｉｄ 函数） 的组合激活函数方式，具有快速收敛性和较高的故障诊断精度．

神经网络BP算法在有源消声中的应用

为了克服传统自适应有源消声算法在应用中稳定性方面的不足，尝试将神经网络反向传播（ＢＰ）算法应用于有源消声技术。文中建立了基于ＢＰ算法的自适应有源消声（ＡＡＮＣ—ＢＰ）模型并给出该算法的递推公式。利用ＴＭＳ３２０Ｃ２５开发板实现了该算法功能。在半消声室中进行了单频和１００Ｈｚ带宽的消声实验，仅利用单个次级源结构便获得较好的消声效果。实验证明，基于ＢＰ算法的消声系统具有良好的稳定性。

基于激活函数四参可调的BP神经网络改进算法

为改善BP神经网络的性能,以标准Sigmoidal函数为基础,提出了一种四参数可调的激活函数模型.在学习过程中,它能同时对激活函数的陡度、位置及映射范围进行调节,具有更强的非线性映射能力.并推导出其在BP神经网络中的学习算法.仿真结果显示,改进后的激活函数与传统的标准Sigmoidal函数相比,收敛速度能提高10倍以上,收敛精度误差可减小到传统误差的0.4%以下,而且可以有效地减少隐层的结点数,学习能力可得到较大的提高.

BP模型中的激励函数和改进的网络训练法

本文研究ＢＰ算法中激励函数ｆ对收敛速度的影响，得出了陡峭函数收敛快的结论．其次。

改进BP算法在过程神经网络中的应用

过程神经网络是一种基于过程神经元的新型神经网络,其输入及权值皆为时序函数.针对基本BP算法的一些不足,将一种改进BP算法应用于前馈过程神经网络的训练之中,提高了网络的学习效率,扩展了过程神经网络的训练算法理论.在改进BP算法与网络训练的结合过程中,权函数及输入函数皆被用同一正交基函数展开.最后基于改进BP算法将过程神经网络应用于了飞机发动机尾气温度指数的预测当中,验证了算法的有效性,同时也展示了过程神经网络广泛的应用前景.

BP算法改进的研究

BP算法是神经网络中最常用的算法之一。分析传统的BP算法思想,发现它存在着诸如易于陷入局部极小、收敛速度慢等问题。针对BP算法的这些问题,分3个着手点,即:相关参数、激励函数和误差函数,归纳一些行之有效的改进方法,论述这些方法的主要思想,并分析它们的改进效果。

BP神经网络用于函数逼近的最佳隐层结构

目的研究采用反向传播（ＢＰ）算法的人工神经网络用于函数逼近时的最佳隐层结构。方法以典型的ｎ输入、单输出的多层ＢＰ网为例，在几种不同的网络隐层结构下对典型的连续函数进行逼近训练，分析各网络输出的全局误差．结果含有４个隐层的ＢＰ网具有最佳的学习收敛特性和函数逼近精度，各隐层所包含的单元数应当在１０～２０个之间，收敛性最差的是单隐层网，结论用于函数逼近的最佳ＢＰ神经网络应当是一个包含４个左右隐层的多层网，且各隐层中的单元数应当适中．

基于传递函数自我优化的BP网络算法改进

目前使用比较普遍的优化方法对BP算法改进之后,改进的BP神经网络预测过程都存在复杂程度变大、更加消耗人力资源等缺陷。针对这些缺陷,本文提出一种传递函数自我优化算法来改进神经网络。然后将改进的网络应用到风电功率预测中,以东北某风电场一段时间的风电运行数据作为实验样本,分别采用传统BP神经网络和改进的BP神经网络进行预测分析。仿真结果证明,改进之后的BP神经网络不仅有更快的收敛速度,还有更加精确的预测结果,并且不需要认为干预整个预测过程。极大提高了网络的预测能力和效率。

采用改进的BP神经网络预测离心通风机性能的研究

ＢＰ神经网络在离心通风机性能预测的研究中具有重要的价值．研究结果表明，对于任意平方可积函数，都可以采用ＢＰ算法通过对样本的学习获得满意的模拟结果，因此，在构造离心通风机性能预测模型中，ＢＰ算法提供了一个有力的工具．但是，在实际应用中，ＢＰ算法的收敛速度很慢，而且，从数学上看，它是一种梯度最速下降法，这就不可避免地存在着局部最小问题，尤其在训练量大、输入参数众多的情况下，学习效果大受影响．作者从改善ＢＰ网络结构、改进学习算法、初始化权值选取等方面入手，采用了函数联接网络，引入了改进的模拟退火法和自适应变步长的ＢＰ算法相混合的学习算法，并采用了一种有效的权值初始化方法，显著地提高了神经网络模拟非线性动力系统的效果，从而较好地完成了离心通风机的性能预测．