基于反向传播(BP)算法的核保风险分析模型探讨

针对高血压疾病建立风险判别模型,对投保人的患病风险以及属于何种风险类别进行判别。首先运用Ken-dall(tau-b)检验,选取相关性因素;然后以项目数据库作为建立风险判别模型的数据集,应用反向传播(BP)算法建立模型;最后通过改变训练集的样本数,来检验模型的精确程度。模型对投保人患病判别的吻合率达到81%左右,具有较强的可操作性,并可推广到相应的保险和金融等领域的风险分析。

一种LM-BP加速搜索的周跳探测与修复方法

针对传统三频周跳探测与修复方法中的不敏感、漏检以及效率较低等问题,提出一种基于莱文伯格-马夸特(LM)-反向传播(BP)神经网络加速搜索法的伪距相位组合与电离层残差组合联合周跳探测与修复方法:利用2个伪距相位组合以减少不敏感周跳数量,利用1个电离层残差组合以提高小周跳探测敏感度;在构成3个线性无关的组合观测值后,使用LM-BP加速搜索算法进行周跳探测与修复。实验结果表明,相对常规的伪距相位组合与电离层残差组合联合方法,该方法能够提高周跳探测与修复性能,可探测小至1个的周跳,探测与修复整体时效有较大提升。

基于GA优化BP神经网络的机床转台定位误差分析

为了提高数控机床转台误差补偿效果,设计了一种通过遗传算法(GA)来完成BP神经网络优化过程,并加入坐标参数、运动速度指标建立了转台定位误差模型。通过Matlab软件构建GA优化BP模型,得到优化权值与阈值后,将结果移植至DSP内开展建模与预测,促进预测速率的大幅提升。研究结果表明:机床转台处于各空间位置与速率下形成了不同定位误差,总体呈现较为复杂的变化特征采用GA优化BP神经网络构建的模型预测时达到了更高精度,误差残差范围在-0.5~0.5μm,满足实际需求。该研究有助于提高机床转台定位精度,增强加工精度。

BP神经网络算法的改进及应用

经典的BP算法存在陷入局部极小,算法收敛慢的问题。提出了一种改进的BP神经网络算法,在经典BP算法基础上,引入新的参数以调整经典的神经元转换函数,然后把改进算法应用到实际的教学评估中;利用真实数据的分析结果选取了参数的适当值。结果表明,改进后的算法在收敛速率和误差估计等方面有很好的效果,并实现了对教学效果的合理评价。

局部式反传网络的改进BP算法及应用

针对标准BP算法收敛速度慢的缺点,分析了其产生的主要原因,提出了一种改进BP算法。在传统BP算法基础上通过对其激励函数增加陡度因子并在误差反传权值修正时增加协调器,通过对网络灵敏度的分析将全反传式网络变成局部式反传网络,从而达到提高网络学习速率及精度的目的。改进的BP算法应用于导向钻井稳定平台系统的辨识,仿真结果表明该算法收敛速度快,精度高。

基于改进射线跟踪法和BP神经网络算法的室外微蜂窝毫米波信道特性研究

在28 GHz与39 GHz毫米波频段室外微蜂窝场景下,基于改进射线跟踪法和反向传播(back propagation,BP)神经网络算法对毫米波单发单收信道及单发多收信道进行建模仿真研究.在得到的无线信道仿真数据基础上,研究分析了毫米波信道的路径损耗、均方根(root-mean-square,RMS)时延扩展(delay spread,DS)、接收功率等传播特性.通过与现有文献的测量结果对比分析验证了改进射线跟踪法的正确性与有效性.通过BP神经网络方法拟合得到的路径损耗模型参数结果与改进射线跟踪法仿真得到的路径损耗参数结果对比发现,两者吻合程度很高,验证了BP神经网络算法能很好地对室外微蜂窝毫米波信道大尺度参数进行预测.同时,文中给出了一种普遍适用的用来表征室外微蜂窝视距(line-of-sight,LoS)与非视距(non-line-of-sight,NLoS)场景下28 GHz与39 GHz毫米波信道的路径损耗模型.结果表明:LoS场景下的RMS DS和接收功率都小于NLoS场景下得到的结果;LoS场景与NLoS场景下RMS DS、水平方向到达角、多径簇的个数累积分布函数均服从高斯分布;RMS DS在毫米波频段微蜂窝场景下,随着频率的升高而增大,到达接收端的多径成簇呈现稀疏性.

基于BP算法的ATEM室特性阻抗计算模型研究

针对非对称横电磁波传输室特性阻抗计算量大而导致准确性和实时性间存在矛盾的问题,使用有限点匹配法对其特性阻抗进行了计算,以其计算过程作为先验知识训练神经网络,基于BP算法为ATEM室特性阻抗建模,并进行了实验验证.

基于改进Fisher准则的深度卷积神经网络识别算法

为了有效利用深度学习技术自动提取特征的能力,并解决当训练样本量减少或者迭代次数降低时识别性能急速下降的问题,提出了基于Fisher准则的深度学习算法.该方法在前馈传播时,采用卷积神经网络自动提取图像的结构信息等特征,同时利用卷积网络共享权值和池化、下采样等方法减少了权值个数,降低了模型复杂度;在反向传播权值调整时,采用了基于Fisher的约束准则.在权值的迭代调整时既考虑误差的最小化,又同时让样本保持类内距离小,类间距离大,从而使权值能更加快速地逼近有利于分类的最优值,当样本量不足或训练迭代次数不多时可有效地提高系统的识别率.大量的实验结果证明:该基于Fisher准则的混合深度学习算法在标签样本不足或者较少训练次数的情况下依然能达到较好的识别效果.

一种车辆路径规划的改进混合算法

针对物流活动中需要找出各个配货节点之间的最短路径,用以指导物流车辆调度的问题,提出一种将遗传算法与BP神经网络相结合的新方法,规划车辆的路径,达到节约运送成本的目标。对遗传算法进行了改进,克服了遗传算法局部搜索能力差、易早熟和总体可行解质量不高的缺点。该混合算法有效弥补了遗传算法的不足,同时在遗传优化操作中引入最优保存策略,并在选择操作中采用锦标赛选择法,使算法的效率和功能得到了很大提高。通过对基于遗传算法的改进混合算法求解车辆路径优化问题的性能进行仿真,并与自适应遗传算法和免疫遗传算法进行对比分析,验证了改进混合算法的优点和有效性。

递阶遗传粒子群算法在神经网络设计中的应用

将递阶遗传粒子群算法(HGAPSO)应用于神经网络设计,可以在对网络拓扑结构优化的同时对连接权重进行求解。该算法结合了遗传算法在解决离散问题和粒子群算法在解决连续问题上的优势,并利用BP算法沿误差最速下降的能力对连接权重进一步学习,达到全局最优和快速搜索的有机结合。通过对混沌时序信号的预测,表明递阶遗传粒子群算法在较大程度上提高了神经网络的学习性能和泛化能力。

林木固碳释氧量预测的BP神经网络模型研究

为了实现林木固碳释氧量的数字化估算,针对现有估算方法的不足,提出了基于BP神经网络的林木固碳释氧量的预测模型。基于对神经网络理论和固碳释氧量估算模型的研究,分析了林木在生长季节的CO2通量变化趋势,采用规范化方法对训练样本预处理,进行BP神经网络训练,并结合弛豫涡旋积累法和箱式法,建立了CO2通量神经网络模型。实验结果表明,所建模型具有较好的泛化性能,能够比较准确地估算出林木的固碳释氧量。

电力系统网络信息安全风险防范措施分析

为强化电力系统网络信息安全防护能力,聚焦于电力系统网络的信息安全风险,深入分析电力系统网络的基本架构和关键技术组件,并识别电力系统网络所面临的主要技术安全风险,并采用模糊预处理和反向传播(Back Propagation,BP)神经网络算法构建一个电力系统风险评估模型。结果表明,构建的全面风险评估体系,可以有效评估电力系统的安全风险,为电力系统网络的安全管理和决策提供实用的工具,从而保障能源和网络安全。

基于降维BP神经网络的高维数据分类研究

为确保高维数据的神经网络分类精度,提出了先降维后分类的方法。采用主成分分析(PCA)法实现高维数据的降维。通过分析传统BP算法,提出分两步来更新网络权值的扰动BP学习方法。采用MATLAB对降维分类算法的分类精度和误差收敛速度进行分析。仿真结果显示:先降维再采用扰动BP网络进行高维数据分类可大大提高数据的分类精度和训练速度。

融合心电特征提取的矿工疲劳状态识别

疲劳引起的人为失误是事故的主要原因。为准确识别矿工疲劳状态,降低作业风险,利用麻雀搜索算法(Sparrow Search Algorithm,SSA)优化反向传播(Back Propagation,BP)神经网络,构建疲劳识别模型。首先,通过模拟日常作业进行疲劳诱发试验,将OpenBCI Cyton开发套板作为心电信号的采集装置;其次,借助MATLAB对所采集心电信号(Electrocardiogram,ECG)数据进行预处理,基于疲劳等级形成初始样本数据集;进而利用Pan-Tompkins算法进行特征提取;最后,针对特征间皮尔逊相关系数进行假设检验,从而获得优选指标并用于模型训练,经疲劳识别模型得出结果。结果表明,与传统BP神经网络、支持向量机(Support Vector Machines,SVM)、遗传算法(Genetic Algorithm,GA)优化BP神经网络相比,模型准确率分别提高6.25百分点、22.92百分点、2.78百分点,从而为企业作业人员休息制度的制定及完善提供了理论依据。研究结果对于相关便携式精神状态监测硬件研发具有参考价值。

基于MATLAB工具箱的神经网络在地震预报中的应用

概述了人工神经网络的原理及MATLAB语言神经网络工具箱。编写了BP神经网络训练程序 ,并用两个实际例子进行验算。结果表明 ,网络经训练后具有较高的识别能力 ,在地震预报中有一定的应用价值 ;同时也表明利用MATLAB工具箱进行神经网络的设计和应用 ,可以极大地提高解决问题的效率和质量。

神经网络在混凝土断裂能预测中的应用

通过神经网络中最广泛使用的BP网络建立预测模型,预测混凝土的断裂能。对模型的预测值与试验数据及已有的数学预测公式的预测值进行了比较。研究表明,神经网络方法由于综合考虑了更多的混凝土断裂能影响因素,而且能够实现非线性关系,所以具有较高的预测精度。神经网络预测模型在混凝土断裂能预测中具有广阔的应用前景。

基于人工神经网络的病症诊断原型系统

知识获取是目前专家系统和知识库系统的“瓶颈”问题。解决这个问题的关键在于知识的自动获取方法的实现,也就是希望能够达到智能获取。这里以知识库系统理论为基础,在中医医案的研究中,实现对病症推断的自动获取,探讨知识获取实现的方法,研究人工神经网络的BP算法的应用。

基于遗传神经网络的入侵检测研究

入侵检测技术是计算机网络信息安全检测的重要手段之一,入侵检测作为一种动态的安全防护技术,提供了对内部攻击、外部攻击和误操作的实时保护,在网络系统受到危害之前拦截和响应入侵。对计算机网络数据进行特征提取,提出了采用遗传算法和神经网络相结合入侵检测技术。遗传算法具有计算简单、优化效果好的特点。利用遗传算法来避免BP算法的局部极小点,从而达到均方根误差全局最小点,也解决了BP算法的收敛慢的问题;同时也解决了单独利用GA往往不能在短时间内寻找到接近最优解的这一问题。通过计算机实验验证了入侵检测的效果,提高了识别率,使得误报率和漏报率降低。

基于股票市场灵敏度分析的神经网络预测模型

股票市场是非线性系统,具有内部结构复杂性和外部因素多变性,建立基于股票市场灵敏度分析的神经网络预测模型。针对神经网络结构设计问题,计算网络输入层与隐层神经元的灵敏度,并修剪网络中不敏感的神经元,在保证模型泛化能力的同时,实现网络结构精简;针对神经网络黑箱问题,根据输入层神经元灵敏度解决各输入变量对股票市场的重要性和反馈机制。以上证指数为例,在不同的时间跨度下对股票市场运行规律进行学习,并分析不同结构修剪模型的适用性和市场意义。最后,通过与其他神经网络预测模型比较,验证本文模型的有效性。

基于单神经元的参数自学习模糊控制器的研究

为进一步改善永磁交流伺服系统的动静态性能,该文设计了一种基于单神经元的参数自学习模糊控制器,它在控制规则数与二维控制器相当的基础上,可实现三维模糊控制的效果。引入的单神经元采用改进的BP算法来实现比例因子的在线自学习。控制器具有结构及算法简单、易于解析实现的特点。为验证其有效性,该文通过仿真试验,将其与采用常规的PI调节器的控制系统进行比较,结果表明,这种模糊控制器具有较好的控制效果。