人工神经网络BP算法的改进及其应用

:对传统的BP算法进行了改进 ,提出了BP神经网络动态全参数自调整学习算法 ,又将其编制成计算机程序 ,使得隐层节点和学习速率的选取全部动态实现 ,减少了人为因素的干预 ,改善了学习速率和网络的适应能力。计算结果表明 :BP神经网络动态全参数自调整算法较传统的方法优越 ,训练后的神经网络模型不仅能准确地拟合训练值 。

基于级连分组BP网络的高精度手写数字识别

本文提出了一种基于级连分组网的手写数字识别的新方法。这种方法根据将每次分类任务简单化的思想 ,将每个网络的任务简化以提高其辨别能力。整个系统分为两级 ,第一级进行粗分类 ,选取前两个后选字。第二级对两个后选字进行细分类。每个细分类网络完成区分两类特定模式的任务 ,由于每个子网络分类数目的减少导致识别精度的提高。使用我们自己构造的含 1 0万个字符的库进行测试 ,我们的系统达到了在拒识为 5 %以内时误识为 0 .0 6 7%。

人工神经网络BP算法的改进和结构的自调整

本文解决了ＢＰ神经网络结构参数和学习速率的选取问题，并对传统的ＢＰ算法进行了改进，提出了ＢＰ神经网络动态全参数自调整学习算法，又将其编制成计算机程序，使得隐层节点和学习速率的选取全部动态实现，减少了人为因素的干预，改善了学习速率和网络的适应能力．计算结果表明：ＢＰ神经网络动态全参数自调整算法较传统的方法优越．训练后的神经网络模型不仅能准确地拟合训练值，而且能较精确地预测未来趋势．

基于BP神经网络组和DS证据理论的信用风险评估算法

结合BP神经网络和DS证据理论,将其有效地结合应用于商业银行的信用评估中。该方法通过对信用风险的输入数据特征进行分类,建立BP网络组,对网络组的输出,建立对于各类信用度的基本概率分配函数,最后利用DS证据理论融合,从而实现信用风险的最终决策。通过实际案例,验证了算法的可行性和有效性。

基于GA-BP神经网络的逐时总辐射分组模型研究

通过分析影响太阳辐射的主要因素,提出以太阳高度角、季节和天气(晴空指数)作为数据划分依据的分组模型建立方法。以拉萨和西安地区的逐时气象数据和辐射数据为例,基于遗传算法(genetic algorithm,GA)优化的BP神经网络,建立太阳高度角、季节和天气类型的逐时总辐射分组模型。该研究揭示分组模型误差变化的规律,并将其估算误差与AllData模型比较。结果显示,相较于AllData模型,分组模型的估算误差均有降低。其中,天气分组模型误差最小,且西安的天气分组模型结果优于拉萨。西安天气分组模型平均绝对百分比误差(MAPE)和相对均方根误差(rRMSE)相较AllData模型结果分别下降3.96%和4.18%。研究结果表明分组模型能够降低逐时总辐射估算误差,可为估算逐时总辐射提供方法借鉴。

基于粒子群算法与BP网络的机床主轴热误差建模

为了避免基于反向传播(BP)神经网络的主轴热误差模型精度低、通用性不强和收敛性较差等缺点,利用模糊聚类理论与相关分析法对温度变量进行优化,并且选取热敏感点以挖掘温度变量与热误差间的相关性,降低温度变量间的耦合性.利用粒子群优化算法(PSO)将预测输出与期望输出间误差平方和的倒数作为个体适应度函数,将个体头部分与身体部分的表现码分别映射为网络的隐含层节点数、权值和阈值,实现了对BP网络的拓扑结构的有效优化,通过跟踪个体极值和全局极值实现了粒子群个体速度与位置的更新.分别建立了基于BP和PSO-BP网络的热误差模型,以精密坐标镗床主轴为研究对象,采用五点法对高速主轴热误差进行测量.结果表明,PSO-BP模型可实现不同工况下主轴空间位姿状态的高精度预测,验证了测量及建模方法的有效性.

动态全参数自调整BP神经网络预测模型的建立

本文从减少干预的思想出发 ,提出了 BP神经网络动态全参数自调整学习算法 ,使得隐层节点和学习速率的选取全部动态实现 ,改善了学习速率和网络的适应能力。最后又将改善后的 BP神经网络应用到经济领域中 ,得到了比常规经济学模型更优的效果。

等效分组级联BP网络模型及其应用

松弛的和紧密的分组级联BP网络模型等概念的提出,对于解决有限的小样本情况下高维BP网络的训练和预测问题有一定的参考价值.定义了BP网络等效性和相关定理,构建并证明了与BP网络等效的分组级联网络模型,分析比较了两种网络模型所需训练样本的数量情况,并将其应用于网络安全评估领域.最后通过仿真试验结果证实了所提出分组级联BP网络模型的可行性和有效性.

基于BP神经网络群的中压配电网电压降落估算

对影响农村中压电网电压降落的因素进行了分析,利用神经网络具有自学习、联想记忆功能以及逼近任意非线性映射的能力,提出了基于BP神经网络群的中压电网电压降落估算方法。为解决由于样本多、分类空间复杂而易导致网络不容易收敛的问题,采用分层的BP网络群结构,将样本分类,由各BP子网进行单类样本训练,完成对样本的并行训练及测试。该方法依据电压降落影响因素及实际电网结构参数,确定神经网络输入输出特征量;按照线路负荷分布类型将样本分类,减小了BP网络训练复杂度;根据样本误差和误差变化调整学习率和冲量因子,提高了BP网络学习效率。实际算例结果验证了所提出方法的有效性和可行性。

基于BP神经网络的战时维修人员编组评估模型研究

简要介绍了装备保障力量编组的基本方式,分析了维修人员编组的主要影响因素,针对维修人员编组方案评估过程中各因素组合的非线性及评估对象结构的复杂性,提出将维修分队成员同一属性的组合看成维修分队整体的一个属性,并利用BP神经网络对维修分队每个组合属性进行评估,最后利用线性加权法求出维修分队人员编组方案的综合评估结果。以某型火炮维修分队为例对该模型进行了运用,结果表明该模型具有客观、准确、简便的特点。研究结果可对维修人员的优化编组提供理论指导。

粒子群优化BP神经网络在电梯群控系统中的应用

为了达到最优电梯群派梯指标,提出了一种基于粒子群优化的BP神经网络电梯群控方法,将带变异因子的改进粒子群优化技术应用到BP神经网络中,获得电梯评价指标中的满意度,以改进粒子群优化BP神经网络的初始权值和阀值。仿真结果表明,改进粒子群优化的BP神经网络算法减少了迭代次数,缩短了运行时间,证明了新方法的有效性。

基于BP方法的企业核心竞争力关键因素探析

为了有效提升企业核心竞争力,对影响企业核心竞争力的关键因素进行识别和分析.依据人工神经网络理论,基于一较全面的企业核心竞争力评价指标体系,建立企业核心竞争力的人工神经网络专家模型,在此基础上构建一个识别企业核心竞争力关键影响因素的模型,是企业竞争战略的制定与实施的有益工具.对哈药集团进行实证研究表明,该模型能较好地识别哈药集团企业核心竞争力的关键影响因素,这对企业为提高核心竞争力如何进行有针对性的资源投入有较重要的借鉴价值.

基于分组排序的码率兼容打孔LDPC码BP译码算法

由于在一定码率范围均能获得良好的误码性能,码率兼容打孔LDPC(rate-compatible punctured LDPC,RCP-LDPC)码成为时变信道下优选编码方案。然而,与非打孔码相比,RCP-LDPC码的BP译码收敛速度太慢。为了提高译码收敛速度,提出一种基于打孔变量点分组优化和串行调度的BP译码算法。根据BP译码消息的可靠度对打孔变量点进行排序和分组,使其在译码时,按可靠度由高到低的次序依次更新各组变量点消息。仿真结果表明,当最大译码迭代次数较低时,本文方法的误码性能优于BP算法和随机分组洗牌BP算法。特别是当打孔比特较多时,性能改善越明显。

一种基于BP神经网络群的自适应分类方法及其应用

本文针对基于BP神经网络的分类系统 ,提出了神经网络群的概念 ,在此基础上给出了一种系统自适应增长算法 ,使得在新的目标类型加入时系统结构能够自适应调整 .验证结果表明 ,该算法可以在增加新的目标类型时简化系统结构的调整过程 ,缩短重新训练网络所需要的时间 。

粒子群优化的BP神经网络在电梯群控系统中的应用

目的提出基于粒子群优化的BP神经网络获取评价电梯群控系统派梯性能指标的新方法.方法综合考虑电梯运行特性,确定电梯调度控制策略,建立了电梯运行性能的评价指标函数,利用神经网络自学习功能获取评价指标的初始权值和阀值,针对平均候梯时间对比研究了普通BP神经网络算法和粒子群优化BP神经网络算法.结果将优化的权值和阀值代入BP神经网络获得平均候梯时间,粒子群优化的BP神经网络与BP神经网络相比,减少了迭代次数,缩短了运行时间.结论仿真实验表明,该方法可以避免BP神经网络训练中产生局部极小值,加快BP神经网络训练速率,提高电梯群控系统控制的速度.

基于GA-BP模糊神经网络在电梯群控交通流量识别中的应用

针对BP神经网络识别电梯群控交通流量存在的缺陷,提出了基于遗传算法优化GA-BP模糊神经网络识别电梯群控系统交通流量的新模型。GA训练模糊BP神经网络能够克服网络建模中产生的局部极小的缺点,提高了电梯群控交通流量识别的准确性。最后利用Matlab软件对样本数据进行训练和测试。仿真结果表明所构造的识别模型预测误差非常小。

用BP网络算法获取电子浓度真高剖面

提出了一种从垂测电离图获取电子浓度真高剖面的新方法——网络逼近法．该方法通过ＢＰ网络算法求解群路径积分方程，得到了电子浓度真高剖面．并对给定的抛物模式作了验证计算。

改进GA优化BP神经网络的电梯群控策略

在遗传算法优化BP神经网络的电梯群控系统基础上,利用遗传算法对候梯时间、乘梯时间、舒适度和运行能耗等评价函数进行搜索具有全局性的进化解,通过BP神经网络按照进化解权值进行寻优,从而获得全局最优解。为提高遗传算法的效率,在遗传操作过程中采用最优个体保存策略,同时采用了交叉率和变异率能够随适应度自动改变的自适应算法,提高了达到最优解的收敛速度。得出最优派梯方案,实现电梯的多目标优化调度。

基于改进萤火虫优化算法的BP神经网络目标群威胁判断

以舰艇防空作战目标选择决策和规划需求为背景,针对萤火虫算法求解精度不高且收敛速度较慢的问题,提出可动态调整步长的改进萤火虫优化算法。在改进萤火虫优化算法的基础上,建立基于改进萤火虫优化算法的BP神经网络目标群威胁判断结构模型。通过改进萤火虫算法优化BP神经网络的初始权值和阈值,能够更好地预测测试集。实验结果表明,该方法可快速、准确地实现目标群威胁判断。

基于BP神经网络解决小麦群体特征的图像理解问题

小麦生长发育群体图像动态信息的识别与分析能够为小麦高产田的诊断提供定量化的诊断依据.依据诊断出的作物各生长阶段的群体结构和个体指标,通过技术措施对群体发展动态进行监测调控,使其沿着高产目标的预定方向发展.本文以小麦群体绿色面积和叶面积指标信息的获取为例,应用图像分割、图像增强技术提取小麦群体图像特征,采用BP人工神经网络(ANN)方法,建立小麦图像群体特征识别自学习系统,并将其应用于小麦图像群体特征识别中,准确率在85%以上,表明利用ANN技术对小麦图像群体特征识别是可行的.