BP网络的权值诱导与层次训练算法

BP神经网络以其结构简单、工作状态稳定等特点,成为当前应用最广的一种神经网络模型,应用范围包括识别分类、非线性映射、复杂系统仿真等方面。但是,BP网络也存在局部极小、收敛速度慢、网络结构选取困难等缺点。对此。

基于遗传算法优化的BP神经网络在密度界面反演中的应用

BP神经网络方法在二维密度界面的反演中取得了较好的效果,但在反演三维界面时,由于模型更复杂、参数更多,BP神经网络的收敛速度和反演精度都有一定程度的下降。为了改善反演效果,本文利用遗传算法对BP神经网络的权值、阈值选择过程进行优化,获得了更好的网络模型;并将此模型应用于密度界面模型的反演中,预测误差从上百米减小到数十米,同时迭代计算步数减少了近2/3,有效减少了计算时间,反演结果更准确。利用基于遗传算法优化的BP神经网络反演了法国某地区莫霍面深度,预测相对误差仅为1.8%,取得了较好的应用效果。基于遗传算法优化的BP神经网络在密度界面的反演中具有良好的应用价值和研究前景。

BP网络的全局最优学习算法

一、概述自从1985年。

BP网络改进模型的性能对比研究

文章通过实例对BP网络的几种代表性改进模型进行了性能对比研究。分析了BP网络基于标准梯度下降法和基于数值优化方法的算法改进和训练策略改进获得的代表性模型的优缺点,并结合遥感图像分类实例,对其收敛速度和分类效果进行了对比分析,其结果可为BP网络模型的选择和改进提供一些思路和借鉴。

基于PSO-LM-BP神经网络的压力传感器温度补偿方法

为了提高高速列车表面压力测试的准确性,补偿温度对压阻式压力传感器的影响,克服BP神经网络收敛速度慢、易陷入局部极小值、稳定性差的缺陷,提出PSO-LM-BP神经网络补偿传感器温度误差的方法。首先,使用粒子群优化(PSO)算法,筛选BP网络的权值和阈值;然后使用LM算法作为BP网络的训练算法进行训练;最后,综合对比BP网络、LM-BP网络、PSO-BP网络和PSO-LM-BP网络的性能。结果表明,PSO-LM-BP网络收敛速度快、精度高、稳定性好,兼具3种算法的优点,有效抑制了温度对传感器的影响。

基于粒子群最优化下BP神经网络的短期电价预测(英文)

根据电力市场的相关历史数据准确地预测出未来的市场出清电价,对于市场中的各个参与者都具有十分重要的意义.在建立了一种粒子群优化(PSO)下的BP神经网络电价短期预测模型的基础上,采用PSO进化算法,反复抽取训练子集样本,通过对应的验证样本预测误差寻找近似最有代表性的训练子集,解决了模型的训练样本参数难以设置的问题.实验验证了该预测模型的有效性,结果表明处理好预测模型样本参数的选择问题,能够提高模型的稳定性及预测精度.

基于WOA优化神经网络的斜坡道拱顶沉降预测研究

为了更准确地预测地下矿山中斜坡道拱顶沉降的趋势,并控制预测精度,以保障矿山安全,提出鲸鱼算法优化神经网络的斜坡道拱顶沉降预测方法。主要步骤为:首先采取邻点中值平滑处理的方法对原始数据进行处理,将处理好的监测数据作为输入样本对BP、Elman神经网络进行训练、测试;再利用鲸鱼算法对初始权值和阈值优化,最后通过不同模型输出预测值。实验表明:鲸鱼优化后的BP、Elman神经网络模型相比优化前均能更准确地预测斜坡道拱顶沉降;WOA-Elman模型的决定系数为0.948,优于WOA-BP模型0.941,但WOA-Elman模型运行时间耗费671.214 s远超WOA-BP模型307.226 s,WOA-Elman耗费了更多的训练时间换取了少量的精度提升,大幅降低了训练效率;结合工程实例实测值、预测值的分析比较,鲸鱼算法(WOA)优化后的BP神经网络表现出了更高效且准确的斜坡道拱顶沉降预测能力。

液压系统中粒子群优化神经网络权值的控制算法

针对非线性、时变等缺陷导致传统的控制器控制效果较差、不适应电液伺服系统的现象,提出了用于电液伺服控制的基于粒子群优化算法对神经网络的权值进行学习训练的PSO-NN算法。结合电液伺服系统实例分析,用MATLAB仿真得到了输入阶跃信号和正弦信号时,PSO-NN算法的输出曲线以及适应度曲线;为了展示PSO-NN算法的效果,用BP算法仿真了对应输入阶跃信号和正弦信号的输出。仿真结果表明:在电液伺服系统的控制中,PSO-NN算法性能优于BP算法,系统输出具有更好的收敛性和对输入的跟随性,从而证明PSO-NN算法对于电液伺服系统的控制是合适并有效的。

模糊物理规划及其应用研究

物理规划(PhysicalProgramming)是一种新的处理多学科优化设计问题的有效方法.本文考虑了多目标系统的模糊性,给出了相应的多学科优化设计问题的解决方案,称为模糊物理规划.利用遗传算法求解数学模型,解决了最终优化目标可能存在多个局部最优解的问题,拓宽了模糊物理规划的应用范围.最后,应用模糊物理规划进行了直通旅客列车开行方案的优化.

神经网络结构与算法对变压器故障诊断的影响

BP神经网络算法本质上是基于梯度下降的一种迭代学习算法,存在学习收敛速度慢、收敛精度低、易陷入局部极小、学习率难以选取、隐层数及隐层神经元个数难以确定等缺陷。为了选择出更适宜变压器DGA故障诊断的神经网络结构及算法,本文采用了常用的几种智能算法对变压器故障样本进行了诊断性能对比实验。结果得出Levenberg-Marquardt神经网络算法是收敛速度较快的算法,有动量和自适应的梯度下降法是收敛稳定性较佳的算法;网络最优结构设计过程,为用于变压器DGA故障诊断的神经网络的结构和算法提供了系统化的试验方法。

基于9种无约束优化算法的岩爆预测BP模型优选

为研究不同训练样本数量和无约束优化算法对岩爆BP(Back Propagation)神经网络模型预测准确率的影响,选取围岩最大切向应力与岩石单轴抗压强度比σ_(θ)/σ_(c)、岩石单轴抗压强度与单轴抗拉强度比σ_(c)/σ_(t)和弹性能量指数Wet作为预测指标,广泛搜集整理100组典型岩爆实例建立了训练样本数据库.在样本数量分别为40、70和100时,基于标准算法和9种无约束优化算法建立了10个岩爆BP神经网络预测模型,并提出了考虑不同样本规模影响的岩爆烈度等级预测指数——综合准确值N.比较研究结果表明:BP模型的预测准确率随样本数量增加而提高,3种样本数量下的模型平均预测准确率分别为62.5%、76.4%和87.5%;基于9种优化算法建立的BP网络模型的N值均高于标准BP模型;基于Ploak-Ribiere共轭梯度法优化的BP模型的N值(195)和预测准确率(99.0%)均最高,且在5个工程实例中的预测结果完全符合现场实际,优于标准BP模型、支持向量机模型和其他优化模型,为岩爆烈度等级预测的最佳模型.