自底向上加快神经网络学习的算法

介绍了一种加快神经网络学习的改进算法.这种改进算法结合采用快速自底向上构造神经网络算法和动态优化学习参数算法.首先,快速自底向上构造神经网络算法自动地构建神经网络的优化结构;随后,动态优化学习参数算法动态地调整和选取优化的学习参数.实验结果显示,这种改进算法能自动有效地构造网络的优化结构,与其它算法相比,具有更好的分类性能、优化的网络结构和更快的学习速度.     

一种基于神经网络模型的非线性自适应控制系统参数辨识算法

应用神经网络BP算法建立了系统参数模型,以被控对象的控制量和系统输出作为神经网络模型的输入,经过神经网络的隐层和输出层的前向计算以及误差的反向传播采不断修整模型的权值,将非线性系统时变参数的变化规律转化为神经网络参数模型,反映了参数随状态而变的规律;再结合文献[5]已知模型下PID控制参数的计算,推导出一种更具有应用性的系统参数辨识算法.通过在计算机上对非线性系统仿真,结果表明了这种的系统参数辨识算法有效性.     

用反向传播神经网络求解J积分

提出了一种基于反向传播神经网络（Back Propagation Neural Network)建立专家系统求解J积分的方法。该方法以构件或材料的性能和形状参数，裂纹的几何参数为神经网络专家系统的系统输入，利用神经网络所具有的自学习，自组织能力，来实现系统输入与输出参数之间的非线性映射。通过应用实例表明，该方法可以用来有效求解J积分。     

基于最小二乘法的多层前向神经网络构造学习算法

提出了一种基于最小二乘法的多层前向神经网络的构造学习算法。神经网络的结构在学习的过程不断变化，通过动态生成学习误差反向传递，利用最小二乘法实现神经网络的快速学习。仿真结果表明，该学习算法盯具有学习速度快，学习精度高，泛化强等优点。     

基于粒子群算法优化BP神经网络的CO_2通量预测

针对现有准确地预测CO_2通量方法的不足,提出了一种以粒子群算法和反向传播(BP)神经网络相结合的预测模型。为了防止粒子种群的快速趋同效应,引入了自适应变异算子。通过对陷入局部最优的粒子进行变异操作,提高了算法的寻优性能。利用粒子群算法得到BP神经网络的初始权值和阈值,对优化后的BP神经网络和普通的BP神经网络分别创建CO_2通量预测模型。实验结果表明,基于粒子群改进BP神经网络模型能较好表达CO_2通量与主要因素之间的非线性关系,相对于一般BP神经网络具有更好的非线性拟合能力和更高的预测准确性。     

一种用于地应力分析的改进型BP神经网络方法

地应力测量及分析研究,对地应力活动方式、构造体系的研究以及岩土工程与结构的设计和稳定性,都具有重大的理论意义和实用价值.BP神经网络算法比较成熟,已被广泛应用,但一般BP神经网络算法存在训练学习速度较慢、样本泛化能力差的问题,通过引入动态学习因子和惯性因子以及模拟辅助样本,对神经网络进行了改进.通过调节动态学习因子和惯性因子以及对样本集数据处理等手段,对样本的学习、训练进行优化处理,通过实例验证,将优化好的网络样本训练结果与一般结果进行比较,结果表明对三层BP神经网络进行的优化,在提高计算精度的同时也提高了网络的收敛速率,证明改进的算法能够很好用于地应力分析.     

模糊神经网络优化的研究

模糊神经网络具有强大的自学习和自整定功能,然而,随着生产实际情况的不断变化,以及模糊神经网络不断的改进和发展,提出一种改进的构造神经网络的方法,并且提出混合学习算法,结合共扼梯度下降法与递归最小二乘估计来分别辨识网络中的前、后件参数,并对非线性系统进行仿真实验,达到控制要求.     

神经网络B－P学习算法及其在含F铋系高温超导体制备中的应用

叙述“反向传播”神经网络的结构、算法及其在含Ｆ铋系高温超导体制备中的应用．实验结果表明神经网络的判别正确率为１００％．因此，该方法可用于材料设计等高层次知识处理领域．     

基于卷积神经网络的煤矸石图像识别研究

在分析煤矸石分拣环境特点及煤矸石视觉特点的基础上,提出改进的卷积神经网络煤矸石图像识别算法,并从损失函数、模型参数以及准确率3个方面进行分析研究。结果表明:改进后的卷积神经网络图像识别算法能有效地避免分选环境中的噪声影响;与传统的分选方法相比,具有更快的识别速度和更高的准确率,能更好地满足实际工程需要。     

利用MATLAB实现BP神经网络的设计

BP网络,即多层前馈神经网络,因其采用误差反向传播算法(Error Back Propagation,即BP算法)而得名,是目前应用最为广泛的神经网络之一.主要应用于模式识别、函数逼近、数据压缩及预测等领域.美国的Mathwork公司推出的MATLAB软件包既是一种非常实用有效的科研编程软件环境,又是一种进行科学和工程计算的交互式程序.MATLAB本身带有神经网络工具箱,可以大大方便权值训练,减少训练程序工作量,有效的提高工作效率.     

基于改进BP算法的刚框架连接损伤识别方法

运用权值、阈值同步学习BP算法(简称为改进BP算法)对钢框架连接损伤进行识别,并且选用由结构正则化的频率变化率和少数点的振型模态分量构成的组合参数作为网络输入参数.通过对一个4层钢框架数值模拟,比较了改进算法和传统算法测试结果,从而证明改进算法更加精确、优越.     

一种基于附加动量法的改进BP算法

本文研究了基本BP算法的工作原理,分析了导致基本BP算法学习效率低的原因,提出了基于附加动量法的改进BP算法。经过理论分析和实验验证,在基本BP算法中加入附加动量的方法,可以加快BP神经网络的学习速度,提高BP神经网络的学习效率。     

BP自适应学习率设计

在神经网络的训练当中存在“过学习”现象以及参数难以选择的困难 .本文指出了大多数自适应 BP算法在学习率自调整中存在的问题 :事后矫正 ,同时通过极其简单的优化手段 ,为当前权值的每一次调整选择一个次优 (甚至最优 )的学习率 ,从而改善了训练过程的平稳性和快速性 ,并且有效地解决了神经网络的“过学习”问题     

神经网络的结构学习算法研究

针对前馈神经网络结构设计困难,传统ＢＰ算法易陷入局部极小、收敛速度慢、对初始权选取敏感等缺陷,通过修改误差函数,提出了一种融结构自适应选择和参数学习于一体的针对一般神经元激活函数的新算法,实验结果表明其高效性．     

基于置信传播分组的多任务压缩频谱感知

针对认知无线电中主用户覆盖范围存在交叠区域的情况,给出先次用户分组再组内协作感知的方法. 首先提出一种基于简化置信传播(belief propagation, BP)的次用户频谱相似性分组算法,挖掘各次用户前一次频谱感知信息并提取相关参数,再根据相关参数利用BP算法对当前频谱感知次用户进行相似性分组. 在组内采用恢复效果较好的多任务压缩频谱感知方法来完成感知任务. 仿真结果表明,所提出的频谱感知方法与现有方法相比,能在混杂频谱环境下保证较好的虚警概率,同时提高频谱感知的正确检测概率,且随着全网感知用户数的增加,频谱感知结果也不断改善.     

基于AdaBoost.M2-NN的变压器故障诊断

组合分类器的经典算法AdaBoost即自适应Boosting算法是提高预测学习系统预测能力的有效工具.针对传统BP（Back Propagation,BP）神经网络在变压器故障诊断时存在不稳定和网络易陷于极小值等缺点,将AdaBoost扩展算法AdaBoost.M2与BP神经网络结合,形成基于Ada-Boost.M2-NN（AdaBoost.M2Neural Network）的变压器故障诊断模型.利用AdaBoost的集成提升作用,在一定程度上弥补了BP算法的不足.仿真结果表明：该模型不仅能将单个BP神经网络无法识别的样本类别识别出来,而且还能整体上相比BP神经网络和传统三比值法将识别率提高11.5%,说明其具有可行性.     

BP神经网络在砂体连通性评价中的应用

为了更好地预测河道砂体间的复杂连通情况,根据萨尔图油田中区西部葡I油层组的密集井网资料,考虑将影响砂体连通性的主要因素(物性参数、砂体规模参数、隔层特征参数等)与连通级别建立一个非线性映射模型,通过反馈误差学习方法对砂体连通性进行定量分析。通过对PI2、PI3河流相储层结构即单砂体接触模式及展布特征的分析,选取影响连通性的合适参数和代表性学习样本,利用BP神经网络判别模型进行反复学习和预测。通过比较预测输出与期望输出的误差情况可知,基于BP神经网络的砂体连通性定量判别具有较好的应用效果,并且可以考虑延伸应用于对整个区块的连通性预测当中去。     

单参数快速搜索BP算法的研究与应用

提出了一种基于单参数坐标轮换法的改进BP算法.与其他算法相比,它不仅寻优方向性强,目标函数计算量小,而且使BP网络的收敛速度明显提高.仿真应用表明,该算法具有很好的鲁棒性.