基于云自适应遗传算法的改进BP算法

针对标准BP算法对初始权值敏感、收敛速度慢、易陷入局部极小等问题,结合正态云模型云滴的随机性和稳定倾向性,以及遗传算法的全局搜索能力、收敛速度快等特性,提出了云自适应遗传改进BP算法.该算法首次将云模型和遗传算法结合调整神经网络的权值和阈值.由X条件云发生器产生改进的自适应交叉概率和变异概率.实验结果表明:云自适应遗传改进BP算法比标准BP算法收敛速度快.     

改进的BP神经网络在故障诊断中的应用

针对传统BP算法存在的收敛速度缓慢和易陷入局部极小值的固有缺陷,提出用具有全局搜索能力的模拟退火算法优化BP神经网络,避免陷入局部极小值,提高网络的稳定性;引入Powell算法优化模拟退火算法,加快网络的收敛速度.最后,以齿轮箱故障诊断为例进行仿真试验,结果表明改进后的BP神经网络比传统BP神经网络的训练收敛速度快、精...     

BP算法改进及其在变形数据处理中的应用

针对传统BP(back propagetion)算法存在的缺陷,分别对其收敛性标准、激活函数等进行改进,并采取措施防止振荡、加速收敛以及防止陷入局部极小.将改进后的BP神经网络运用到变形监测数据处理中,应用结果表明,改进后的BP神经网络比传统BP神经网络在精度等方面有了很大的改善.     

基于动量BP算法的过渡段路基沉降预测

利用动量BP算法改进了BP神经网络的收敛性,建立了过渡段路基沉降预测模型.该模型可克服传统BP神经网络收敛速度慢、易陷入局部最优等的缺点.结合津秦客运专线路桥过渡段路基沉降实测数据,将该优化模型与传统BP神经网络预测模型进行了对比.计算表明,利用动量BP算法改进的神经网络具有较高的预测精度,同时考虑了多个影响因素,因而具有广阔的应用前景.     

基于动量BP神经网络的英文字符识别

英文字符识别已经广泛地应用于很多重要领域.已有的英文字符识别算法很多,一种典型的算法是BP神经网络算法.但是,BP神经网络算法有时不收敛,或陷入震荡.这就导致识别率下降.为此,本文研究了一种改进的称为动量BP神经网络算法用于英文字符识别.这种算法在BP神经网络算法的网络参数控制中添加一个动量系数和一个动量项.这样可以避免迭代的震荡,加快收敛速度.提高识别率.利用动量BP神经网络算法,对52个英文大小写字符进行了识别试验.实验结果表明,这种算法能获得满意的识别率.     

基于改进粒子群算法的BP神经网络优化研究

研究了基于粒子群算法的BP神经网络优化问题,将改进的粒子群优化算法用于BP神经网络的学习训练,并与传统的BP网络进行了比较.结果表明,将改进粒子群优化算法用于BP神经网络优化,不仅能更快地收敛于最优解,而且很大程度地提高了结果的精度.     

改进BP神经网络在交通事故预测中的研究

交通事故严重程度受多种因素的影响,适合用人工神经网络来建模预测.因为标准BP(Back Propagation,BP)神经网络具有收敛较慢的缺陷,所以在自适应学习和附加动量因子改进BP神经网络~([1])基础上做了进一步的优化改进,使附加动量因子也具有自学习性.利用改进后的BP神经网络算法,选取英国利兹市的公开交通事故数据集,用影响交通事故严重程度的多种影响因素和事故严重程度构建并训练神经网络,并对最新数据进行预测.通过大量的实验对比收敛速度和预测结果,验证了改进后的算法具有更快的收敛速度和更高的预测准确率.     

基于GA-IBP神经网络的故障诊断方法

针对BP(Back Propagation)神经网络在进行故障诊断时准确度低、收敛速度慢等问题,设计了一种基于误差指针改进的BP(Improved Back Propagation,IBP)神经网络,并通过遗传算法(Genetic Algorithm,GA)对这种改进后的神经网络进行优化,从而建立了基于GA-IBP神经网络的故障诊断模型.使用典型三相逆变电路中IGBT开路故障数据作为样本,对所设计的模型进行了仿真分析.结果表明:改进后的网络模型收敛速度优于典型BP神经网络和基于GA算法优化的典型BP神经网络,故障诊断精度分别提高15%和4.5%.     

基于改进天牛群算法优化的BP神经网络的入侵检测

针对传统BP神经网络的入侵检测中,BP神经网络模型存在容易陷入局部最优、收敛速度慢、初始值随机性较大等缺点,本文提出改进天牛群算法(Beetle Swarm Optimization,BSO)用于优化BP神经网络的权值与阈值,并采用可变的感知因子及导向性的学习策略,以增强算法跳出局部最优的能力,提升算法全局寻优能力。利用天牛群算法群体智能的特点,提高BP神经网络的收敛速度。并将天牛群优化的BP神经网络模型应用于入侵检测,仿真实验结果表明优化后的BP神经网络模型能够显著提高模型的收敛速率和对入侵数据的检测率,降低误报率。     

基于PSO-EO算法优化的BP神经网络研究

PSO算法优化的BP神经网络解决了其收敛速度慢或不收敛等缺点,但PSO算法本身却存在早熟和局部收敛的问题。为此引入EO算法,用EO算法与PSO算法相结合对BP神经网络进行改进。通过实验表明:EO算法与PSO算法结合优化的BP算法具有良好的收敛性和较高的预测精度,其性能优于传统的BP算法及PSO优化的BP算法。     

混合激活函数对BP算法收敛速度的影响

研究了不同激活函数选取对ＢＰ网络收敛速度的影响,得出了全采用组合激活函数可改善ＢＰ网络的收敛性的结论。以电力变压器的人工神经网络故障诊断为例选取的ＴＴＳ（Ｔ表示为双曲正切函数,Ｓ表示为Ｓｉｇｍｏｉｄ函数）的组合激活函数方式,具有快速收敛性和较高的故障诊断精度。     

基于扰动的加速神经网络模型及其应用

针对BP算法收敛速度慢且存在局部极小值的问题,提出了基于扰动的加速神经网络DABP模型;研究结果表明,DABP模型提高了网络的收敛速度和计算精度,增强了全局搜索能力,达到了加速神经网络的训练效果,并提高了网络的预测能力。     

基于遗传算法的神经网络权值优化

针对BP算法学习效率低、收敛速度慢，以及易陷入局部最优等缺点，提出了一种新型的、基于自然选择和基因遗传学原理的随机搜索算法——遗传算法(Genetic Algorithm)，并论述了它在BP神经网络中权值优化的问题。仿真结果表明，用遗传算法优化BP神经网络的权值收敛速度快，并有效解决了BP算法易陷入局部最优的问题。     

关于对BP神经网络算法改进的研究

为了减小标准BP算法中迭代次数并提高其收敛速度 ,现提出将负梯度下降法与DFP变尺度算法相结合进行权值修正的方法 .在误差寻优初期 ,首先采用标准BP算法进行迭代 ,每迭代一次的工作量较小、所需存贮量较少 ,且对初始点的要求不高 .然后 ,当寻优过程开始接近最优时 ,更改寻优算法 ,即使用DFP变尺度算法 .最后 ,运用MATLAB工具箱和VisualBasic实现算例 .实验结果表明 :改进后的BP算法减少了迭代次数 ,提高了寻优的收敛速度     

遗传算法在BP网络权值学习中的应用

针对BP算法学习神经网络权值收敛速度慢、易陷入局部最优等缺点 ,采用遗传算法学习BP网络的权值 ;并给出了“异或”(XOR)问题的仿真示例 ,通过比较 ,发现遗传算法不会陷入局部最优 ,有效地改善了收敛速度     

一种改进的BP算法

传统的BP算法收敛速度慢，利用附加动量因子和自适应学习速率改进了传统的BP算法，它对于BP网络结构优化，提高收敛速度有明显效果.     

基于遗传神经算法优化的汉语分词模型

针对目前汉语分词系统中BP算法收敛速度慢等难题,本文将基于遗传的BP神经网络算法用于汉语分词模型,此模型结合了遗传算法和BP网络的优点.实验结果表明:该优化模型完全达到了汉语分词要求,并且在分词速度上也明显优于传统的BP神经网络,具有高精确性、收敛速度快等特点.     

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.     

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。