提高BP神经网络学习速度的算法研究

本文在深入分析了ＢＰ人工神经网络学习算法的基础上，研究了采用加动量项法、成批训练法及综合法来提高ＢＰ网络的学习速度，取得了显著效果．     

改进BP网络学习算法的探讨

ＢＰ网络是目前应用很广的人工神经网络。改善ＢＰ网络算法尤其是提高ＢＰ网络的学习速度一直是人们研究的重要课题。本文在对ＢＰ网络现行算法研究的基础上，提出根据系统误差自适应调节学习率的快速ＢＰ算法（ＦＢＰ），并以棉花棉铃虫预测为例，对两种算法的收敛速度进行了比较。     

神经网络中误差反传算法的分析与改进

分析了ＢＰ网络存在的主要问题及其产生原因,提出了改进算法ＢＰＧ,以共轭梯度方向代替梯度方向进行搜索,并在学习过程中采用不精确的一维搜索、限幅和条件轮回等措施．计算机仿真结果表明：改进的ＢＰＧ算法优于原ＢＰ算法．     

改进BP网络学习算法的探讨

ＢＰ网络是目前应用很广的人工神经网络。改善ＢＰ网络算法尤其是提高ＢＰ网络的学习速度一直是人们研究的重点课题。本文在对ＢＰ网络现行算法研究的基础上，提出根据系统误差自适应调节学习率的快速ＢＰ算法（ＦＢＰ），并以棉花棉铃虫预测为例，对两种算法的收敛速度进行了比较。     

神经网络活化函数的研究及其应用

通过构造一类新的高效分段活化函数,很好地解决了ＢＰ算法学习收敛速度慢的问题,而且提出了一种自适应调整网络参数的新算法,从而大大提高了算法的学习效率和综合性能．文中详细研究了基于改进的ＢＰ算法神经网络的实验仿真系统的建模过程,并在精细化工实验方案的分析和优选中获得了令人满意的效果．     

基于神经网络的眼底视杯图象分割技术

根据眼底图象中视杯的边沿特征,提出了一种基于ＢＰ神经网络的视杯分割方法,详述了这种方法的实现过程,并研究了ＢＰ学习算法的加速问题．实验证明,这种方法的分割效果较好．     

热释放率计算和预测的神经网络方法

基于多层前馈神经网络提出了火灾实验中不同材料热释放率的学习算法和预测技术．同时,将具有全局收敛特性的混合共轭梯度（ＭＣＧ）算法应用于该问题中多层前馈神经网络的训练,克服了传统ＢＰ算法收敛速度慢,推广性能差的缺陷．文中对ＭＣＧ方法进行了大量模拟,并将模拟结果与ＢＰ算法及带有动量项的ＢＰ算法作了全面比较,结果表明：ＭＣＧ方法不仅在学习速度和收敛性方面均优于传统的ＢＰ算法而且显示了良好的性能和行为     

基于学习率与惯性因子动态联合优化的快速BP算法

基于目标函数对学习率与惯性因子的偏导信息,提出了分别采用线性展开、二项式展开和共轭梯度的３种学习率与惯性因子联合动态优化的快速ＢＰ算法．仿真结果显示,与原ＢＰ算法相比,３种算法均可使网络训练速度显著加快     

多层神经网络BP算法的改进

多层神经网络ＢＰ算法的改进姚瑞波孙国雄汤崇熙（东南大学机械工程系，南京２１００１８）目前，前馈型多层神经网络模型已广泛应用于模式识别、语音识别、数据压缩等领域．ＢＰ算法作为其学习方式有效地解决了ＸＯＲ、Ｔ－Ｃ匹配问题，但ＢＰ网络的学习过程是对一个高...     

人工神经网络BP算法在Microsoft Visual C＋＋6.0下的实现

人工神经元网络的ＢＰ学习算法在小规模相似模式的识别中得到了广泛的应用。本文给出了一个种ＢＰ算法在Ｍｉｃｒｏｓｏｆｔ ＶｉｓｕａｌＣ＋＋６．０环境下的实现方法，该方法在手写体相似汉字机器识别的研究中具有重要的应用前景。     

BP网络自适应学习率研究

分析了自适应学习率BP算法,并对其进行了总结分类,针对每一类介绍了几种具体的自适应学习率BP算法。最后结合XOR问题把一种自适应学习率BP算法和标准BP算法进行了比较和评价。     

采用BP&SA混合学习策略的短期电力负荷预测方法

提出了一种BP混合模拟退火(SA)的ANN短期负荷预测方法,该方法针对传统BP学习算法的缺点,将BP算法和模拟退火算法的优点相结合以提高网络的学习性能.ANN模型中考虑了温度和预测日类型,可进行工作日和节假日的预测,实例表明ANN模型实用有效、精度高.     

基于动量因子优化学习率的BP神经网络PID参数整定算法

针对传统BP神经网络学习过程中学习率选取过大导致振荡的问题, 提出一种新的BP神经网络PID(比例-积分-微分)参数自适应整定算法. 采用BP神经网络对PID参数进行自适应调节和优化, 并利用动量因子优化学习率和增加动量项抑制BP神经网络训练中出现的振荡现象, 以加快收敛速度. 实验结果表明, 该算法有效缓解了振荡现象, 加快了算法的收敛速度.     

基于动量因子优化学习率的BP神经网络PID参数整定算法

针对传统BP神经网络学习过程中学习率选取过大导致振荡的问题, 提出一种新的BP神经网络PID(比例-积分-微分)参数自适应整定算法. 采用BP神经网络对PID参数进行自适应调节和优化, 并利用动量因子优化学习率和增加动量项抑制BP神经网络训练中出现的振荡现象, 以加快收敛速度. 实验结果表明, 该算法有效缓解了振荡现象, 加快了算法的收敛速度.     

一种改进BP算法在制冷系统仿真中的应用

采用了改进的BP算法,用网络输出关于学习率的线性展开法来自适应优化学习率,BFGS为尺度法来调整权重,对BFGS法作了局部改进以处理可能发生的BFGS公式中分母项为零的情况,以实际制冷系统的热力性能参数实验数据为样本,对比研究了标准BP算法,含学习率优化的最速下降法和含学习率优化的BFGS法的学习过程,结果表明,文中选用的含学习率优化的BFGS法学习效率与学习精度高,且自适应性能好。     

前馈神经网络中BP算法的一种改进

在传统的BP算法基础上,提出了一种改进的BP学习算法,先加入描述网络复杂性的量,使算法能够考虑到网络的连接复杂性,进而有可能删除掉冗余的连接甚至节点;接着提出对网络的学习步长的动态调整,以此来尽量避免传统学习中的学习速度过慢和反复震荡;然后给出新的算法是高阶非线性收敛的证明;最后通过实验说明的新的BP算法在一定程度上可减少网络的复杂性,有着比传统算法更快的收敛速度。     

基于遗传算法的BP网络全局收敛的混合智能学习算法

给出了一种将 BP算法和遗传算法有机结合的全局收敛的混合计算智能学习算法。此算法结合了 BP算法和遗传算法的长处 ,既有较快的收敛性 ,又具备良好的全局收敛特性。计算机仿真结果表明 ,该混合算法显著优于遗传算法和 BP算法     

自适应斜率输出函数的BP算法

在分析BP算法学习过程的基础上,提出使用自适应斜率函数作为神经元的输出函数,以改善BP算法学习过慢的弱点。随后讨论了这种改进算法和标准BP算法学习性能上的差异,并在此基础上初步分析了网络输入值对这种差异的影响。最后在应用中验证了结论。     

基于径向基函数概率神经网络的心律失常自动识别

讨论了基于径向基函数（ＲＢＦ）的概率神经网络的基本网络结构和网络的学习和运行过程,并且与ＢＰ算法的径向基神经网络进行了对比,同时也测试了网络的容错能力,结果表明,基于ＲＢＦ的概率神经网络,学习速度大大提高,同时减小了ＢＰ陷入局部极小的问题,有一定的抗噪声能力,基于ＲＢＦ的概率神经网络模型在心律失常自动识别中获得了很好的应用。