BP神经网络学习算法的改进与应用

本文利用BP神经网络拟合电化领域的工艺模型 ,并通过正交实验获得实验样本数据 ,对BP网络进行演化训练。在实践应用中 ,对BP网络的演化学习进行了改进 ,取得了良好的效果。实践证明 ,用该模型得到的最优工艺流程的预期值误差和稳定性 。

BP神经网络学习算法的改进及应用

为了研究BP神经网络改进学习算法的适用情况,通过对实际的4个应用运用BP神经网络的多种改进的学习算法进行训练,比较得到各学习算法的适用范围,并能根据所研究问题类型、网络大小和要求精度等来选择合适的学习算法。结果表明:LM算法逼近效果好,但不适合大规模网络,RPROP算法应用于模式识别收敛速度最快,但不太适合函数逼近,SCG算法对较大网络规模的性能很好,且逼近效果好。

采用进化计算的BP神经网络学习算法研究

针对ＢＰ神经网络中存在的局部极小问题,本文提出了采用进化计算方法改进ＢＰ学习算法收敛速度的新方法,理论分析和数字仿真表明算法有很好的效果。

BP神经网络学习算法的联合优化

针对ＢＰ网络学习速度的缓慢性，本文提出了一种联合优化后的快速学习算法。其改进具体表现在以下方面：１）采用Ｃａｕｃｈｙ误差估计器代替传统的ＬＭＳ误差估计器；２）对常规的Ｓｉｇｍｏｉｄ函数引入形态因子：３）采用非单调线性搜索法实现学习步长的自适应变化。最后，本文以模式分类、函数逼近和数据压缩的典型应用为例分别与标准ＢＰ和常规改进算法进行比较，验证了该算法的优越性。

基于Metropolis准则的BP神经网络学习算法研究

本文针对BP神经网络训练学习过程中 ,连接权在调整时容易陷入局部极小使得进一步调整失去作用的问题 ,提出了一种有助于提高BP神经网络逼近精度的方法———基于Metropolis准则的神经网络学习算法。该算法整体采用传统的BP算法 ,但在一定条件下依据概率进行连接权的调整 ,使权值以一定的概率跳跃 ,跳出局部极小区 ,最终达到全局极小。

两种改进的BP神经网络学习算法

借鉴计算机网络拥塞控制中的"慢启动"策略,针对传统BP算法中存在的收敛速度慢与精度不高的不足提出了两种改进的变学习率学习算法,仿真结果表明改进的BP算法与自适应附加动量BP算法性能相近,其学习的收敛速度与精度优于传统的BP算法.

BP神经网络学习算法的研究

文中针对BP算法收敛速度慢的问题,提出一种改进的BP算法.该算法结合生物神经元学习与记忆形成的特点,针对特定的训练样本,只激发网络中的部分神经元以产生相应的输出,而未被激发的神经元产生的输出则与目标输出相差较大,所以对未被激发的神经元权值阈值进行调整.利用距离来度量训练样本与神经元权值之间的关系,可以找到未被激发的神经元.文中提出的算法是对局部神经元权值阈值的调整,通过实验表明该算法有助于加快网络的学习速度.

BP神经网络学习算法的改进及其应用

针对标准BP算法的不足给出了典型的改进算法。对两个BP网络的应用实例利用MAT LAB语言编制了仿真程序 ,并对几种算法的学习收敛速度进行了比较。结果表明改进算法的学习收敛速度大大地优于标准BP算法。

一种基于差分进化的BP神经网络学习算法

提出了一种基于改进差分进化算法和BP神经网络的计算机网络流量预测方法。利用差分进化算法的全局寻优能力,快速地得到BP神经网络的权值和阈值;然后利用BP神经网络的非线性拟合能力获得高精度的网络流量预测结果。实验结果表明,此方法能在较短的时间内获得较高精度的预测结果,具有较好的应用价值。

基于分层遗传算法的BP神经网络学习算法

针对BP算法局部搜索能力强,而分层遗传算法全局搜索优势突出的特点,结合二者优势构造了一种分层遗传算法与BP算法相结合的前馈神经网络学习算法.将分层遗传算法引入到前馈神经网络权值和阈值的早期训练中,再用BP算法对前期训练所得性能较优的网络权值、阈值进行二次训练得到最终结果.仿真结果表明,该混合学习算法能够较快地收敛到全局最优解,优于BP算法、分层遗传算法,具有一定的实用价值.

基于模拟植物生长的BP神经网络学习算法研究

针对标准BP神经网络在训练过程中,网络容易陷入局部极小点,使得进一步调整失去作用的问题,提出了一种有助于提高BP神经网络逼近精度的方法—基于模拟植物生长的学习算法,使BP网络在训练时能有效避开局部最小点,达到全局极小点,并保证了网络有较好的收敛速度。通过一个用Matlab编程的仿真实验表明了这一算法的有效性。

大型BP神经网络学习算法

神经网络的训练是一个ＮＰ完全问题．提出一种集成学习算法．理论分析与计算机模拟结果表明这种学习算法具有学习结果准确、学习速率快等特点。

利用单形进化优化的BP神经网络学习算法

在BP神经网络训练算法中,针对权值的优化学习容易陷入局部极值点、收敛速度慢等问题,很多研究引入智能优化算法对其进行改进,但传统的智能优化算法通常有多个控制参数,若不能正确选取参数,或者没有适当选择初始点位置,则很难搜索到最优的神经网络权值。为了解决这些问题,提出一种基于单形进化的BP神经网络学习算法,它通过全随机搜索减少算法的控制参数,利用群体的多角色态保持粒子的多样性,避免算法陷入局部的极值点,减少了对初始值的依赖。在应用中,将该算法应用于神经网络的训练算法中,通过对UCI数据集和人脸图像的测试,实验结果表明,上校算法训练的神经网络有效提高了识别率与训练效率。

紫外光谱结合BP神经网络算法建立食用油掺伪煎炸油的快速鉴定模型

为建立一种快速食用油掺伪煎炸油检测方法,采用紫外光谱法鉴别其掺伪,本研究选取大豆油、玉米油和葵花籽油为代表分别煎炸,在纯油中掺入相应煎炸时间0~6 h及掺假梯度0%~90%的煎炸油制备掺伪油样,进行紫外光谱及二阶导数预处理,经处理后的光谱特征峰与BP(Backpropagation)神经网络算法结合建立食用油掺伪煎炸油模型,对掺入煎炸油类别、煎炸时间和煎炸油含量进行鉴别分析。结果表明二阶导数预处理后掺伪煎炸油的光谱特征峰中大豆油为446、462 nm、玉米油为268、274 nm、葵花籽油为280、288 nm,根据其特征峰位与峰值建立Levenberg–Marquardt算法(LMA)、动量梯度下降法(MGD)及弹性梯度下降法(EGD)掺伪模型识别率分别为98.15%、91.67%、95.52%。

小波包与遗传算法优化BP神经网络相结合的井架钢结构损伤识别

井架钢结构损伤影响其承载安全性,为快速、准确对损伤位置进行识别,提出小波包与遗传算法优化BP神经网络相结合的井架钢结构损伤识别方法。首先利用小波包处理非平稳振动信号的优良性能对原始振动信号进行特征提取,获得表征井架钢结构损伤的信息;再通过特征参数建立数据集训练并测试井架钢结构损伤识别模型,该模型结合遗传算法自身特点改善了传统BP神经网络的不足。本文识别方法不需要损伤前的数据特征进行对比,便可对损伤位置进行确定。经过对石油井架钢结构模型实验验证:该方法对井架钢结构损伤识别准确率超过90%,相对于BP网络识别准确率以及识别速度均有所提高。

基于BP神经网络算法的异步电机故障诊断系统研究

为了确保电机安全可靠地运行,研究了BP神经网络算法对异步电动机进行故障诊断。通过MATLAB平台,分别使用附加动量因子和自适应学习率两种梯度下降法进行网络训练,搭建故障诊断BP网络模型。以MSE值为指标优化最佳隐含层节点数、动量因子与学习率,并通过遗传算法来优化BP网络的初始权值,对故障测试样本进行仿真测试。结果表明,GA-BP网络模型比MF-BP和AG-BP的MSE值更低,仅为0.009163,优化后的诊断预测结果与目标值几乎没有差别。基于遗传算法改进的故障诊断系统模型能够满足异步电动机故障诊断的应用需求。

BP神经网络算法在求解数学建模最优化问题中的应用

为了解决目标函数较为复杂、无法用初等函数表示的最优化问题,文章采用了结合BP神经网络与遗传算法的方法进行求解。求解过程分为两个模块:第一,利用BP神经网络算法确定目标函数的解析式;第二,利用遗传算法寻找目标函数的最优解。为验证该方法的可行性,文章对单变量和多变量两种情况进行了验证。

遗传算法优化BP神经网络在水质评价中的应用

通过对常规BP神经网络和遗传算法深入研究后,提出将二者结合起来,取长补短,并采用黄金分割算法确定神经网络模型隐含层节点数,借助MATLAB软件建立了遗传算法优化后的BP神经网络水质评价模型,解决了初始权值、阈值确定难,易陷入局部极值以及网络收敛慢等问题,同时结合2021年黄河上游部分断面地表水环境质量评价进行了实例仿真实验,验证了该模型的可行性和准确性。遗传算法优化后的BP神经网络不仅能从全局考虑污染因子对评价结果的影响,而且解决了常规BP神经网络易陷入局部极值的问题,提高了网络的识别精度,评价结果更准确,更符合实际水体情况,在一定程度上改善了传统评价方法的片面性和主观性,对现有的水环境质量评价方法的改进起到了积极作用。

基于遗传算法的BP神经网络在轻质路基沉降预测中的应用

为更好地掌握轻质路基施工过程中的沉降变形情况,选取宁芜保通线部分轻质路基沉降监测数据,在BP(back propagation)神经网络模型的基础上,采用遗传算法对其进行优化,并将优化后的模型应用于轻质路基沉降预测。结果表明:遗传算法优化的BP神经网络在全局搜索能力和收敛能力方面具有明显优势;在轻质路基沉降预测任务中,多数预测结果的相对误差集中在更低的范围内,监测点1和监测点2预测结果的模型评价指标MAE、RMSE、MAPE分别为0.017 mm、0.021 mm、0.679%和0.013 mm、0.016 mm、1.395%,预测结果拟合程度高,误差小,模型泛化能力强。因此,遗传算法优化的BP神经网络的沉降预测模型具有可靠的预测效果与预测精度,在实际工程中可行性较高,可作为轻质路基沉降预测和预警的一种辅助手段。

基于BP人工神经网络与遗传算法的航速优化

为了进一步提高船舶能耗效率,本文提出一种基于BP人工神经网络与遗传算法的航速优化技术路线。首先,介绍常见油耗模型的构建方法;其次,利用BP人工神经网络建立目标船舶的油耗模型。模型预测的平均绝对误差为2.3%,准确度和泛化能力基本满足工程应用要求。最后,利用遗传算法,并基于历史气象数据对目标船舶的航线做分段航速优化。计算结果表明,航速优化后目标船舶的航行时长不仅能减少1.35天,燃油损耗还可节省10.1%,由此说明对航行船舶做分段航速优化是一种可行方案。