利用VLRBP神经网络改善汇率预测

分别使用基于滑动窗口的VLRBP神经网络模型和基于C-C相空间重构的VLRBP神经网络模型及ARIMA-GARCH模型对欧元汇率时间序列建模和预测,通过比较发现基于C-C相空间重构的VLRBP神经网络对于含有大量非线性成分的欧元汇率时间序列的预测比较准确。同时,为了提高基于滑动窗口的VLRBP网络的泛化性能,提出在训练VLRBP神经网络时应用浴盆曲线方法选取隐层神经元个数和滑动窗口尺寸。

基于改进型动量BP神经网络算法的风扇叶片性能优化研究

为探索叶片优化设计的新途径,获得具有更高气动性能的各类叶片,使用了一种改进型变学习率动量BP神经网络算法和非均匀有理B样条函数法相结合的方法,对某风扇压气机的第2级转子叶片特别是针对其根部基元级进行了气动优化改型设计;通过对转子叶片和整个风扇压气机优化设计前后气动性能的对比分析,表明该优化设计方法确实可行,能够改善转子叶片以及整个风扇压气机的气动性能,使整机的效率和压比分别增长了0.379 4%以及0.225 4%,达到了优化的目的。

基于改进灰色神经网络的故障预测方法研究

故障预测技术是电子装备预测与健康管理(PHM)领域的核心内容,对电子装备关键部件实施有效的预测是保证系统正常运行的关键。首先将灰色理论和人工神经网络算法相结合,构建灰色神经网络模型并对其进行分析;然后在此基础上通过附加动量变学习速率法对灰色神经网络的权值更新策略进行改进,提出一种基于改进灰色神经网络的故障预测模型;最后以某型脉冲测量雷达中频接收组合中的压控振荡器为例,以采集的原始频率数据为基础进行仿真验证。预测结果表明,将该预测方法应用于电子装备PHM是行之有效的,可有效提高故障预测精度。

一种基于BP算法的融合神经网络

针对水电仿真系统水机温度建模中存在非线性动态数学模型问题,提出了一种采用融合神经网络的温度模型·并且为消除应用中神经网络训练速度慢、容易陷入局部极值的影响,采用了可变学习速度的VLBP算法作为更新网络梯度和权值的算法·在该模型的实际应用中,首先设置多个传感器采集温度参数,然后使用采集数据对神经网络进行离线训练,而后使用训练完成的网络对水机温度参数进行实时在线预测·通过现场数据和网络预测数据的对比分析,证明该模型的实际准确率可达96 5%,可以满足实际仿真的要求·

改进的小波神经网络算法对变流器的故障诊断方法

变流器是双馈风力发电系统中的枢纽设备,其运行可靠性直接关系到发电系统的安全与稳定。针对基于递推最小二乘(RLS)算法的离散小波神经网络(DWNN)存在收敛速度慢、收敛精度不高、搜索局部极小等不足,以变流器的电流为分析对象,提出一种采用变加权和变学习率改进算法的小波神经网络的变流器故障诊断方法。选择变流器电流作为离散小波神经网络训练及故障识别样本,对训练过程和仿真结果进行对比分析。实验结果表明:较之RLS算法,改进的小波神经网络故障诊断方法在故障识别准确率和收敛时间方面表现更优。

改进型补偿模糊神经网络故障诊断系统

在模糊逻辑与神经网络融合的基础上,引入补偿运算单元,构成补偿模糊神经网络,使网络从初始定义的模糊规则进行训练,再动态的优化模糊规则,提高网络的容错率和稳定性.针对网络训练的不同阶段对学习速率的不同要求,提出一种具有分段可变学习速率的补偿模糊神经系统,可以提高网络的整体性能,实现动态的、全局优化的运算.故障诊断仿真研究表明:模型具有更好的收敛特性,能够大大的缩短训练时间,减少训练步数,提高误差精度.

改进型BP网络在男西服规格尺寸自动生成上的应用

男西服规格尺寸设计对成衣的合体性和板型有着直接的影响,在现今的服装企业中,这项工作对制板师的经验依赖程度比较高,容易因人员流动影响成衣质量。随着人工神经网络等人工智能技术的发展,本文构建了一种可用于男西服规格尺寸设计的改进型BP神经网络模型,并探讨和分析了隐含层神经元数、传递函数、动量因子等影响神经网络性能的关键因素,经过多次仿真测试,表明利用改进型BP网络可以实现由人体关键部位的净体数据自动生成男西服成衣规格尺寸。若经过进一步完善,此方法还能应用于其他服装品种的规格尺寸设计,有利于提高服装企业的制板效率和成衣的适体率。

基于可变学习率BP算法的空调控制系统的研究

通过分析控制器参数学习率和控制器性能之间的关系,设计一种基于可变学习速率反向传播算法VLRBP和模糊神经元网络的变频空调控制系统。该系统不仅可以通过反传误差信号训练控制器参数,而且可以根据网络的当前状态朝最优化方向调整控制器参数的学习率。实验结果表明,该控制系统不仅比传统的空调PID控制器和模糊控制器具有更好的控制性能,而且相比基于标准BP算法和动量BP算法的模糊神经网络控制系统,也具有更快的收敛速度和更好的控制精确度。

反向传播神经网络收敛性的探讨

标准BP算法采用的最陡梯度下降法使得均方误差达到最小的策略可能存在两大问题:①陷入局部最小而没有收敛到全局最小,即不收敛;②收敛速率慢。本文从训练算法角度方面,比较了标准BP算法、动量算法、可变学习速率算法和Levenberg Marquardt算法这几种方法的收敛性以及收敛速率,并通过Matlab仿真进行了验证。

基于集成模糊神经网络的容差模拟电路故障诊断方法

为了解决容差模拟电路故障诊断,采用了一种集成T S模糊神经网络的故障诊断方法,首先应用PSpice软件仿真得到故障数据,其次对故障数据进行小波分解并归一化处理,获得神经网络训练样本,然后将样本分配到每个T S模糊神经网络中进行训练和测试。采用学习速率可变的附加动量BP算法训练网络权值,使其稳定性与收敛速度达到最佳。仿真结果证明:该方法收敛速度快、正确诊断率高,能有效地实现对模拟电路故障的诊断。

基于BP神经网络学习率优化的研究

现今社会人工智能技术快速迭代发展,其应用也越发广泛,包括搜索、数学优化、逻辑推演等工具都应用了人工智能技术。神经网络作为人工智能的重要方法正在被不断地深入研究,而BP神经网络是经典的神经网络之一,在语音分析、图像识别、数字水印、计算机视觉等应用领域都取得了显著的效果。在对BP神经网络进行训练时,学习率的设置是众多参数中至关重要的一项。学习率选取不当将直接导致模型收敛速度慢、模型易越过全局极小值点等问题。针对BP神经网络中的学习率选取开展研究,将传统的固定学习率优化为变化学习率,从而有效地提高了BP神经网络模型的收敛速度以及精确度。

基于改进BP神经算法的农产品价格预测模型的构建与实现

为了提高农产品价格预测精度,提出一种改进的BP神经网络模型。先通过定性分析得到影响农产品价格波动的因子,然后采用MIV方法选择强影响力的因子作为神经网络输入节点。并采用改进的算法进行学习,寻找最优的BP网络结构。利用改进后的模型,实现了农产品价格的高精度仿真。

限幅的变步长BP算法

针对BP算法学习速度慢和易陷入局部最优等缺陷,提出了一种新的变步长算法——限幅的变步长算法C VLBP。这种算法根据误差来调整下次的学习步长,同时把步长限制在一定范围内,这样在计算量增加很少的情况下,使学习时间大为缩短的同时,也避免了过多的振荡,防止了系统的发散。仿真结果表明,该算法具有跳出局部最优的能力,同时对初始权值和阈值具有一定的鲁棒性。

基于变学习率三角基函数神经网络的4型FIR滤波器设计

本文提出一种基于变学习率三角基函数神经网络的线性相位4型FIR滤波器设计方法。该方法根据三角基函数神经网络与线性相位4型FIR滤波器幅频特性之间的关系,构建了一种变学习率三角基函数神经网络模型,在神经网络训练过程中引入变学习率算法自调整学习率取值,解决学习率通常依靠经验或试凑法确定带来的不确定性,提高神经网络的学习效率和收敛速度。通过训练神经网络的权值,使设计的FIR滤波器幅频响应与理想幅频响应在整个通带和阻带内的误差平方和最小。文中利用该方法对FIR高通滤波器和带通滤波器进行了优化设计,仿真结果表明了该方法设计FIR滤波器的有效性和优越性。

立体神经视觉系统中零件识别的学习方法

提出了一种立体神经视觉系统中零件识别的学习方法 ,与标准的BP算法对比有两点改进 :①用变尺度方向代替负梯度方向作为搜索方向 ;②用可变的最优学习率来代替不变的学习率 .采用上述 2个改进后 ,训练速度和收敛性都有较大的改善 .实际应用表明 ,所提出的学习方法的训练速度。

人工神经网络模拟反应精馏过程的研究

提出了用BP(误差反向传播)神经网络模拟计算合成乙酸甲酯的新思路,模拟过程中采用学习速率可变的动量BP算法训练神经网络。结果表明:只要有充足可靠的数据为基础,采用学习速率可变的动量BP算法训练的神经网络的预测精度比普通BP算法的预测精度高10倍左右,且训练时间显著下降,是一种具有广泛应用前景的模拟方法。

基于改进BP神经网络的大豆病害检测

大豆病害诊断是有效防治的先决条件。为此,针对传统BP神经网络在处理高维大豆病害数据时存在的时间复杂度高、诊断准确率低以及误差收敛缓慢且容易出现震荡现象的问题,提出了一种改进方法。该方法首先对高维大豆病害数据进行特征选择,去除"贡献"较小的特征,实现数据降维;然后,对传统BP算法进行改进,根据输出误差动态调整学习速率,并使用改进后的算法建立大豆病害检测模型。经实验测试,该方法在大豆病害诊断测试中准确率达96%以上,且各项统计指标、误差收敛速度及平稳性均优于传统BP神经网络,证明了其可靠性和高效性。

一类训练前馈神经网络的梯度算法及收敛性

为加速网络训练,给出学习率的一种更广泛的选取方式,并从理论上证明这类新的变学习率的梯度学习算法的收敛性和训练过程中误差函数的单调递减性。

一种改进的BP神经网络剪枝算法研究

将相关性剪枝算法(CPA)和变学习率、附加动量方法结合提出了一种基于CPA的改进的BP神经网络剪枝算法.实验结果表明,改进的算法可以降低训练步数,加快神经网络的收敛速度,在测试数据集上的均方误差也得到了进一步的优化.

高速公路进出流量差异的BP神经网络预测模型

进出高速公路收费站车流量的差异和变化给营运管理带来一定难度。分析了造成流量差异的部分因素,建立了BP神经网络预测模型,并运用Matlab工具进行仿真及误差分析。结果显示,采用本模型可缩短训练时间,避免训练陷入局部极小值,并可对近期4d的车流量差值进行可靠预测。