基于改进的递归神经网络的化工动态系统建模

在局部递归网络Elman,Jordan,SIRNN的基础上,构建一种改进的递归神经网络模型DHORNN,该模型在结构上将隐层的状态反馈、输出反馈以及时间序列延迟等有机地结合起来,并选用基于Levenberg-Marquardt优化理论的快速的L-M算法,大大提高了网络的训练速度.用该网络对一个多输入单输出的连续搅拌釜式化学反应器模型进行建模,并与其他递归网络模型建模方法进行比较,证明该网络结构对化工动态系统具有良好的动态建模能力.     

基于二参数的BP神经网络算法改进与应用

BP(back propagation)神经网络是一种监督神经网络学习算法,但原始算法收敛速率慢,训练过程易陷入局部极小值,精度不高。提出了一种改进的BP神经网络算法,某种程度上克服了以上缺点。对文中的改进算法用C语言编程,并利用真实数据,对大学生就业能力进行了预测,实验表明改进算法有效,为高校解决大学生就业能力提供了决策支持。     

神经网络在二相编码信号旁瓣抑制中应用

研究了人工神经网络在二相编码信号距离旁瓣抑制问题中的应用。在H．K．Kwan等提出的将多层感知器网络用于二相编码信号距离旁瓣抑制问题的基础上,采用了一种改进的神经网络学习算法对网络进行训练。用13bit巴克码对网络进行了测试。实验结果表明,经改进的神经网络学习算法训练后的网络抗噪性能、多目标分辨能力以及收敛速度都明显优于一般误差反向传播学习算法（EBP）训练所得的结果。     

一种双隐层RBF神经网络的算法研究

针对RBF神经网络的结构和学习算法的缺点,提出了一种双隐层RBF神经网络(DRBF)模型,并结合网络结构的动态更新策略对网络结构进行实时更新,以梯度下降法对网络参数进行修正,即确保了网络结构的最简化,提高了网络的逼近精度和泛化能力,同时也加快了网络的训练速度.将本算法和传统RBF神经网络算法应用于非线性逼近和电信企业客户流失分类进行性能比较,实验仿真结果证明了本算法的有效性和高效性.     

具有混沌机制的模糊神经网络非线性系统建模研究

针对常规的BP算法收敛速度慢及容易陷入局部极小的缺点,在该算法中引入具有混沌机制的非线性自反馈项,给出了混沌BP算法,并利用其训练和学习模糊神经网络中的权值,从而构成一种引入型模糊混沌神经网络;最后,用提出的引入型模糊混沌神经网络对非线性系统进行仿真研究,仿真结果表明,所设计的引入型模糊混沌神经具有与混沌动力学特性同样...     

改进BP神经网络在个人信用评估系统的应用

针对一般BP算法收敛速度慢和易陷人局部极小值的缺陷,提出利用一种自适应学习速率动量梯度下降反向传播算法对网络进行训练.该算法使BP神经网络学习速率和稳定性得到提高,并将这种改进的BP网络应用于个人信用评估系统,验证了该方法的正确性和有效性.     

BP神经网络的双重优化的改进研究

目前,在交通、农业以及相关数据挖掘等领域应用最为广泛的BP网络模型是较为重要的一种神经网络算法模型,但其性能一直达不到理想状态。BP神经网络收敛性、预测精度一般,并且容易陷入局部最优解,这些缺点需不断改善。针对上述提到问题提出采用动态自学习影响因子和改进网络激活函数两者相结合的一种改进BP网络算法。实验表明,提出改进BP网络方案能够大幅度提升BP神经网络的收敛效率以及精度。     

基于RBF神经网络知识的智能故障诊断系统研究与实践

该文分析了径向基函数RBF神经网络的原理、结构模型、学习算法,并以某系统的电源模块故障为例,给出了RBF神经网络故障诊断系统的结构,并建立RBF网络模型进行学习、训练与仿真,结果证明此种故障诊断方法可以改进BP神经网络的一系列缺点,切实可行,具有较强的实用价值。     

基于改进模糊神经网络的电力系统短期负荷预测

提出了基于改进聚类算法的模糊神经网络的短期负荷预测方法。首先,利用改进聚类算法确定模糊神经网络的结构,然后利用混合学习算法训练该网络的前件和结论参数,最后向训练好的模糊神经网络输入相关的影响因素数据进行预测。预测结果显示,改进的模糊神经网络可以获得较高的预测精度,所以有更好的使用价值。     

改进量子粒子群优化算法的神经网络模型负荷预测

提出一种基于Levy飞行的量子粒子群优化算法并用于小波神经网络的训练,该算法采用基于Levy分布的飞行策略扩大粒子的搜索空间,使粒子易于逃离局部最优点。该算法克服了传统算法在神经网络训练过程中易于陷入局部最优、收敛速度慢等缺点,提高了神经网络的泛化能力。最后将改进的量子粒子群优化算法训练小波神经网络应用于电力系统负荷预测的模型,仿真结果表明改进的量子粒子群优化算法在神经网络训练上具有更高的预测精度。     

用简单动态递归网构造固体散料流量模型

提出了用简单动态递归网来建立固体散料流量模型，针对动态递归网结构复杂，训练算法收敛速度慢的缺点，采用一种结构十分简单的递归网，对RPE算法进行了改进和补充，使之适用于简单递归网，用来对网络的权值和阈值进行调整，建模结果表明此方法收敛速度快，精度高。     

一种改进的递归神经网络及其仿真研究

针对BP神经网络在学习速度方面的不足,在Jordan和Elman网络结构的基础上,提出了一种带偏差单元的IRN(internally recurrent network)网络模型,根据BP算法推导出了该网络模型的权系数调整规则,并应用该网络模型进行了故障诊断方面的仿真分析.试验结果表明,该网络模型的收敛速度比一般BP网络有了很大提高,具有很好的实用性.     

一种改进的深度网络残差学习的图像降噪方法

近年来,基于深度卷积神经网络的学习方法在图像降噪方面取得了前所未有的成果,通过调整网络结构和参数来获取更好的图像降噪效果已成为研究热点.降噪卷积神经网络在深度神经网络中采用残差学习方法,在提高降噪效果的同时,在一定程度上解决了盲降噪问题.其不足之处在于算法收敛时间长.该文针对降噪卷积神经网络结构做了进一步的改进,提出了一种基于反卷积降噪神经网络的图像降噪算法.该文工作的主要特色如下：1) 在原有的网络结构中,引入反卷积神经网络,优化了残差学习方式;2) 提出一种新的损失函数计算方法.使用BSD68和SET12测试数据集对本文提出的方法进行验证,实验结果表明,该文算法的降噪性能与降噪卷积神经网络算法相比,在相同降噪效果情形下,该文算法的收敛时间缩短了120%～138%.同时,与传统的深度学习图像降噪算法比较,该文方法的降噪效果和运行效率也都有提高.     

混合算法实现的RBF神经网络及在模式辨识中应用

把模糊聚类算法和RBF神经网络结合起来,得到一种基于混合算法的RBF神经网络.首先由改进的FCM算法确定神经网络结构;然后利用监督学习对网络参数进一步优化,并对输出权值调整.使网络不仅具有最优的拓扑结构,而且又具有较强的映射能力.对驾驶员的疲劳程度进行识别,得到了满意的结果.     

一种基于灰度区间的BP神经网络算法研究

为了不断提高前向神经网络的学习能力,考虑在神经网络学习和训练的过程中引入灰色系统理论,设计出一种新型的神经网络算法（GBP）。该算法通过减少输入向量空间的灰度,使得神经网络的输入向量进一步优化,从而更加有利于神经网络的学习和训练。最后通过模拟实验表明,新设计的算法比经典的BP算法有更高的效率,该算法具有训练速度快、泛化能力强等特点,是一种有效的学习方法。     

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.     

改进的神经网络快速学习算法

提出了一种新颖的神经元模型和用于神经网络训练的推广准则，给出了多层神经网络的快速学习算法，研究了一种用于语音识别的时变多层神经网络及其相应的快速学习算法．语音识别实验表明：所给出的快速学习算法能有效地加速网络训练进程．     

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.     

SOFM神经网络最近插入法混合算法在TSP问题中应用研究

SOFM神经网络已经成功应用到TSP问题中，但是该算法存在一些缺点，随着学习速度逐步降低，会导致一些城市无法通过。针对这些缺点，尝试在SOFM神经网络中引入最近插入法形成混合算法。通过实验，并与SOFM神经网络该算法对比，结果表明，该算法能够很好地完善该问题。     

利用人工神经网络进行感应电动机解耦控制

为了使感应电动机具有象直流电动机一样优良的转矩与转速控制性能,提出了一种基于人工神经网络的感应电动机解耦控制方法。由于实时递归网络具有较强地表达和处理瞬态信息的能力,适合解决非线性动态系统问题,因此用递归网络构成的解耦控制器具有良好的动态特性。为减少这种神经网络解耦控制器的学习时间,提出了一种自适应学习算法,通过在网络学习的过程中不断地调整学习速率,从而加快了网络学习速度。仿真计算结果表明,这种神经网络解耦控制方式具有优良的动态响应特性。