基于结构熵和IGSO-BP算法的动态威胁评估

针对传统超视距空战威胁评估不能根据各类威胁因素的变化动态调整其对应权值的问题,引入前向反馈(back propagation, BP)神经网络,采用综合考虑主客观因素的结构熵权法确定各威胁指数权值并作为神经网络训练参数进行训练,提出了改进萤火虫算法(improved glowworm swarm optimization, IGSO)和BP神经网络相结合的空战动态权值计算方法。该算法采用改进萤火虫算法优化BP网络的权值和阈值,优化后的BP网络能更好地计算不同态势下的威胁指数权值,从而根据威胁估计模型进行威胁评估。以某一时刻预测多无人机空中对抗时的威胁度为想定,分别采用结构熵权法和IGSO BP进行仿真计算。结果表明：结构熵权法能够科学合理地计算各威胁指数权值,IGSO BP算法可有效解决空战目标威胁评估问题,且所提算法与现有几种算法相比在可靠性和准确性上都有明显提高。     

基于数值积分的离散过程神经网络算法及应用

为解决离散过程神经网络的训练问题,提出了两种基于数值积分的离散过程神经网络训练算法.分别采用三次样条积分和抛物插值积分直接处理离散样本和权值的时域聚合运算,采用梯度下降法实现网络参数的调整.以漫湾水电站的月径流数据预报为例,实验结果表明,两种算法性能接近,均优于基于正交基展开的过程神经网络.     

发酵过程混合神经网络模型及其仿真

提出了一种新型的发酵过程混合神经网络模型，该模型由非线性神经网络和线性神经网络两部分组成，由于非线性神经网络采用结构具有线形式的Flat网络，两个网络能够合并为同一表达式，并具有线性形式，可采用线性最小二乘法求解网络权值，与串联结构及串并联结构混合神经网络模型相比，该模型训练方式简单，并可方便地使用在线辨识算法。     

基于深度强化学习的网络路由优化方法

针对同一网络拓扑下不同网络负载的路由优化问题, 在深度强化学习方法的基础上, 提出了两种依据当前网络流量状态进行路由分配的优化方法。通过网络仿真系统与深度强化学习模型的迭代交互, 实现了对于流量关系分布的网络路由持续训练与优化。在利用深度确定性策略梯度(deep deterministec policy gradient, DDPG)算法解决路由优化问题上进行了提升和改进, 使得该优化方法更适合解决网络路由优化的问题。同时, 设计了一种全新的链路权重构造策略, 利用网络流量构造出用于神经网络输入状态元素, 通过对原始数据的预处理加强了神经网络的学习效率, 大大提升了训练模型的稳定性。并针对高纬度大规模网络的连续动作空间进行了动作空间离散化处理, 有效降低了其动作空间的复杂度, 加快了模型收敛速度。实验结果表明, 所提优化方法可以适应不断变化的流量和链路状态, 增强模型训练的稳定性并提升网络性能。     

集中式粗粒度分布并行模型和并行进化神经网络

提出了一种分布计算环境下并行进化神经网络的实现机制：集中式粗粒度模型。该模型基于并行遗传算法，可以同时对前馈神经网络的结构和权值进行优化。在分布计算环境中的实现为其在分布式网络中的应用开辟了广阔的前景。初步的实验结果表明该模型可以加快神经网络的进化速度，提高进化的效率     

一种改进的RBF神经网络学习算法

提出了一种改进的RBF神经网络学习算法 ,分别通过减聚类和监督学习算法对网络参数和权值进行训练 ,既可以根据样本合理地聚类、确定RBF径向基函数的个数和相应参数 ,又具有较强的网络映射能力 ,从而不仅使RBF神经网络结构得以优化 ,性能也得到了提高。仿真结果表明了该学习算法的实用性和有效性     

基于灰色关联分析的分层模糊神经网络

为解决“模糊规则爆炸”问题,提出一种基于模糊神经网络从试验样本抽取模糊规则的方法。首先,根据灰色关联分析的结果,将输入变量进行两两组合建立分层模糊子系统。其次对每个模糊子系统设计分层参数、结构优化算法。在权值学习过程中,模糊进化规划与分层方法相结合,网络的各层权值独立优化,并且各层权值优化问题简化为二次型问题,降低了权值优化过程中的计算复杂性。最终能够实现整个模糊神经网络的分层优化,各层神经元单独训练且训练结果互不影响。与常规的前向进化神经网络方法相比较,该方法通过对神经元的部分解群体的进化,缩短了个体的编码长度,显著地减少了计算量。同时这种方法不但能够很大程度上简化适应值的计算,更重要的是能够降低适应值空间的复杂性,从而能够加速进化算法收敛到全局最优点。     

基于PSO-RBF NN的非线性系统辨识方法仿真研究

提出一种基于粒子群优化算法构造径向基函数神经网络进行非线性系统辨识的新方法。网络径向基层的单元数由对手受罚的竞争学习算法确定后，其他所有参数：中心位置、各向宽度、网络权值，均是在全局空间动态确定的。实例仿真证实了该方法的有效性。     

小波神经网络模型的改进及其应用

将优化函数的连续型蚁群算法与小波神经网络耦合,用蚁群算法优化神经网络的权值和小波参数,找到蚁群算法中信息素更新的最佳衡量标准,且建立了基于蚁群优化的小波神经网络模型,旨在准确预测水稻需水量,为制定合理的灌溉制度、提高水利用率提供科学依据.通过对三江平原富锦市1985至2001年的井灌水稻区全生育期需水量预测检验,确定网络结构为6-12-1,训练最大次数20次时网络收敛,误差精度达到0.0024.研究结果表明,该模型不但计算简便,而且具有较强的逼近能力、较快的收敛速度和较好的预报精度,并且为网络模型的参数优化提供一种新方法,也为预测、预报的研究拓宽新思路.     

连续参数小波神经网络的递阶遗传训练方法

提出递阶遗传训练方法用于训练连续参数小波神经网络的参数及其结构.现有的连续参数小波网络训练方法大多只能训练网络的参数,包括平移参数、伸缩参数和权值,而网络的结构得预先用某种方法确定.应用递阶遗传算法能够把网络的结构和参数同时通过训练确定.利用混沌时间序列数据进行仿真,结果证明该模型具有较高的预测精度,提出的方法是可行的.     

Multilayered feed forward neural network based on particle swarmopti mizer algorithm

1 .INTRODUCTIONNowadays there are many algorithms used to trainand opti mize neural network.BPalgorithm,whichisbased on gradient vectors of nodes ,is the most popu-lar neural network training method. Once gradient in-formation is obtained, kinds of regression technologiesbased on gradient can be adopt to update parameters.However BP algorithm faces some problems :(1) speed of convergence ; (2) local mini ma ; (3)sensitivity of initial value ;(4) dependence on gradi-ent information. For s…     

基于BP-AsymBoost的医疗诊断模型

本文主要研究BP神经网络以及AdaBoost算法在医疗诊断中的应用,在分析标准AdaBoost算法的基础上提出改进的AdaBoost算法,即BP-AsymBoost.针对UCI数据库中的威斯康星乳腺癌数据集设计结合BP网络以及改进后的AdaBoost算法的诊断模型,并且通过多个指标将其与BP模型,遗传算法优化的BP模型,未经改进的BP-AdaBoost模型进行比较,验证BP-AsymBoost模型的有效性.     

基于目标运动模型的跟踪方法

针对常用的机动目标模型不能准确描述目标实际运动规律及常用跟踪算法只拟合目标的形心而不是目标轮廓轨迹的问题,提出一种基于目标运动模型的跟踪算法。该算法提取已检测出目标轮廓上的角点作为样本点,采用神经网络来构建目标运动模型,将用此模型预测出的目标轮廓上的点作为主动轮廓线的初始控制点来检测出目标真实轮廓,并反馈回神经网络的输入端来修正模型误差。实验结果表明该跟踪算法能很好地将前续目标检测结果继承到后续的目标检测过程中,对于目标跟踪中的遮挡问题也能很好地解决。     

基于EEMD-BP组合模型的区域海平面变化多尺度预测

海平面变化具有非线性、非平稳性以及多时间尺度变化特性,传统的基于时间序列的统计预测模型对于这种变化的预测存在较大局限性,预测结果不够理想.结合集合经验模式分解(ensemble empirical mode decomposition,EEMD)与BP (back propagation)神经网络,本文提出一种改进的海平面变化多尺度预测方法——EEMD-BP组合模型.首先利用EEMD分解提取海平面变化序列中具有物理含义的信号并降低噪声影响,得到不同尺度的多个固有模式函数(intrinsic mode functions,IMFs),确定出海平面变化中隐含的周期及趋势;然后利用BP神经网络分别对不同尺度IMF分量建立预测模型分析其未来变化趋势,最后将各IMF分量的预测结果重构,得到海平面变化序列的最终预测值.结果显示:EEMD分解能有效提取海平面变化中隐含的多时间尺度信号,神经网络能较好地预测不同尺度海平面变化趋势.相对于直接利用BP神经网络进行预测(R=0.74,RMSE=37.51 mm,MAE=48.02 mm),EEMD-BP组合模型预测精度显著提高(R=0.88,RMSE=29.23 mm,MAE=37.50 mm).EEMD-BP组合模型首先对海平面变化序列进行平稳化、降噪等处理,再对分解后的不同尺度时间序列分别进行预测,能够有效提高预测精度,为区域海平面变化预测研究提供了一种新方法.     

LM-BP算法在金融股指预测中的参数设定

针对股价系统内部结构的复杂性、外部因素的多变性,分析了基于BP网络进行股市预测的原理,利用三层前馈神经网络对股市建立预测模型,探讨了网络的拓扑结构、隐节点个数确定的原则、样本数据的选取和预处理、初始参数的确定等问题.为了避免网络陷入局部最小点和提高网络的收敛速度,算法采用改进后的LM-BP,并与其他BP算法进行比较.以最具代表性的上证指数为例,仿真实验表明了经过对筛选后的样本学习,并对所建的预测模型进行训练后,该LM-BP算法能够对有短期上证指数走势进行有效稳定预测.     

基于BP-ART混合神经网络的电路故障诊断新方法

建立了基于误差反向传播(back propagation, BP)神经网络和自适应共振理论(adaptive resonate theory, ART)神经网络的电路故障诊断模型,提出了BP神经网络和ART神经网络相结合的电路故障诊断方法,以ART网络为主,识别新故障,以BP网络为辅,识别多类故障,并对传统的ART神经网络竞争机制加以改进,有效地解决了复杂电路故障诊断的难题。实验表明,基于BP和改进ART神经网络相结合的电路故障诊断方法具有自适应性好、训练时间短、准确性高等特点。     

跨越连接BP算法及其在卷烟制丝工艺中的应用

传统BP神经网络算法及其改进算法都是非完全全连接神经网络算法,具有收敛速度慢,泛化能力差等不足.通过对神经网络连接方式的转化,可以得到一种完全全连接神经网络--跨越连接神经网络,并给出了跨越连接BP神经网络算法.针对卷烟制丝工艺的仿真实验表明,该算法具备描述复杂数据的能力,与传统BP算法相比,网络训练收敛速度快且泛化能力强.     

基于变尺度优化方法的快速神经网络学习算法研究

本文提出一种基于变尺度优化方法的多层前向神经网快速学习算法（ＭＤＦＰ），实验结果表明，这种算法对于加快网络的收敛速度有着显著成效     

基于BP神经网络与小波的控制研究

本文利用ＢＰ神经网络对被控对象进行在线辨识以及利用ＢＰ神经网络与小波对被控对象进行控制，通过某电厂过热器汽温为对象仿真验证此方法比一般ＢＰ神经网络效果好     

基于神经网络方法的大型电网短期负荷预报

电力系统负荷预报研究现状,介绍了神经网络方法应用于电力系统短期负荷预报的可行性及存在的问题。详细讨论了应用BP神经网络、共轭梯度算法改进BP神经网络方法进行电力系统短期负荷预报的算法,及在预报过程中对电网负荷数据进行预处理方法。分别应用二种方法对东北电力系统进行了72小时短期负荷预报仿真。仿真结果表明,BP神经网络训练时间长,预报精度低;而共轭梯度算法改进BP神经网络算法训练步数大大减小,缩短了网络训练时间,而且提高了预报精度。该方法可行,可用于电力系统短期负荷在线预报。