BP算法及其应用实例

BP网络（也称激活函数采用Sigmoidal函数的多层感知器）是一种按误差逆传播算法训练的多层前馈网络,是目前应用最广泛的神经网络模型之一。BP算法是一类有导学习算法,用于BP网权值和阈值学习,它的规则的推导是基于最小均方误差准则,它可实现函数逼近,同时利用Matlab进行仿真。     

基于BP神经网络的结构损伤识别研究

针对结构的损伤识别进行了研究,选取结构固有频率平方变化比作为特征参数,建立12×25×1BP网络结构,采用均方误差函数目标误差函数,学习函数选取梯度下降动量学习函数和L-M优化算法,对四层钢框架结构的损伤进行了检测.     

防止BP神经网络训练函数进入局部误差振荡缺陷的一种方法

在应用MATLAB软件神经网络工具箱函数训练获取BP神经网络权值矩阵函数或非线性数学模型时,由于BP神经网络训练样本集中输入、输出(目标)样本参数的绝对值和离散性有时太大或过于集中,在网络权值矩阵误差函数逼近过程中,易产生局部误差最优或误差振荡等缺陷。本文介绍一种利用MATLAB神经网络工具箱prestd和poststd函数,通过对输入、输出(目标)样本参数进行正规化处理,使其不至于太小,可防止在网络权值矩阵函数训练时不会进入局部误差最优或误差振荡的缺陷区域。经实例分析计算证明,该方法在如何优化获得实用可靠的BP神经网络权值矩阵函数是有效可行的,对研究MATLAB语言用于网络系统控制和非线性函数或数学模型逼近研究工程技术人员具有一定的参考价值。     

基于BP神经网络的训练函数选取研究

首先介绍BP神经网络的特点,论述其在岩土工程中的实用性,以Matlab神经网络的作为工具,基于触探模型作为研究对象,对不同的训练函数进行了仿真比较,建立黄土旋转触探模型,以所采集的实验参数,进行BP神经网络的训练函数研究。结果表明采用不同的训练函数其存在明显的差异。综合考虑干密度误差,含水量误差,干密度误差（样本顺序）,含水量误差（样本顺序）以及迭代次数和性能误差等因素,选用trainlm作为训练函数,trainlm函数由于其训练速度较快且计算精度较高而显现出一定的优势。最后采用不同的训练函数对网络进行训练,进行总结其优缺点。     

基于综合目标函数的神经网络多新息辨识算法

为提高动态神经网络学习算法的辨识精度及抗噪性能,提出一种基于综合目标函数的多新息辨识算法。该算法基于多新息理论在最小均方误差目标函数中引入一辅助项构造综合目标函数,利用该目标函数进行网络输出层权值的训练,并采用牛顿法推导出输出层权值的递推计算公式。与已有二阶学习算法相比,新算法鲁棒性强,收敛速度快,辨识精度高。仿真结果验证了算法的有效性。     

一种基于综合目标函数的神经网络学习算法

为提高多层前向神经网络的学习速度和算法的稳定性,提出一种基于综合目标函数的改进学习算法.该算法在误差平方和目标函数中引入一个辅助约束项构成综合目标函数,并利用综合目标函数训练网络的输出层权值,采用牛顿法推导出训练输出层权值的递推公式.辅助约束项隐含有对网络输出平滑性的约束,提高了学习算法的稳定性.利用该算法对不同非线性函数生成的样本数据的学习结果表明,新算法的收敛速度、精度均优于Karayiannis等人的二阶学习算法.     

基于磨光函数的权值直接确定双输入BP神经网络

利用磨光函数与采样数据建立了双输入单输出的权值直接确定的BP神经网络。改进后的网络依据训练数据重要性,选择以数据为中心的磨光函数作为激励函数,同时网络结构可以根据数据多少得到相应的调整。根据误差反向传播学习算法得到了改进后网络的权值直接确定算法。在仿真中,利用2个不同的目标函数验证了改进算法的有效性与建模精度。实验结果表明,三次磨光函数建立的网络性能优于二次磨光函数建立的网络。     

用粒子群算法优化BP神经网络进行函数拟合

由于BP网络具有收敛速度慢和容易陷入局部极值,为了提高BP网络预测的准确性,本文提出了用粒子群(PSO)算法来优化BP网络,并进行非线性函数拟合.用PSO迭代算法找到最佳的网络权值和阈值,再以网络的正向传播的最小误差作为目标函数指导PSO的优化.将该算法与标准BP算法进行matlab仿真比较.实验结果表明,优化后的网络拟合误差小,效果更好.     

一种基于BP算法学习的小波神经网络

为发展Szu的基于信号表示的小波神经网络,提出一种多输出的小波网络模型,网络隐层采用框架小波函数、输出层采用Sigmoid激励函数,并选用“熵误差函数”以加速网络的学习速度。奇偶判别和混沌时间序列预测例子的实验结果表明了它具有良好的函数逼近能力和推广能力,收敛速度和均方误差均优于相同结构的多层感知器模型。     

神经网络在声纳建模中的应用

基于声纳方程,同时考虑目标声特性和海洋环境参数,建立了主动式和被动式的声纳方程.利用海洋环境数据训练神经网络,实时解算不同环境参数时的噪声级.通过MATLAB仿真,比较径向基神经网络(RBF网络)和误差逆传播神经网络(BP网络)在模型中的作用,证明了RBF网络比BP网络能更好地满足声纳建模的需求.     

一种基于填充函数的神经网络全局优化算法

针对前向神经网络BP算法由于初始权值选择不当而陷入局部极小点这一缺陷,提出新的全局优化训练算法.首先,提出了一种新的填充函数,并证明该函数的填充性质,进而结合该新填充函数与BP算法,构造出基于填充函数的全局最优化神经网络算法.应用全局优化算法训练神经网络时,如果误差函数陷入局部极小值,该算法可以利用填充函数帮助误差函数不断地跳出局部最优,直到找到全局最优点.该新算法的最大优点是对于初始权值无依赖性,避免了BP算法易陷入局部极小值的缺点.理论分析和仿真试验结果证明了该全局优化神经网络算法的有效性和优越性.     

结构疲劳寿命及可靠度的神经网络预测方法

基于疲劳曲线,考虑应力范围的随机性,获得了结构疲劳寿命所服从的分布,计算出期望寿命的可靠度．采用人工神经网络后向传播BP模型,把应力范围与所期望的疲劳寿命作为输入节点,期望疲劳寿命的可靠度作为输出节点;或者把应力范围与所期望的可靠度作为输入节点,期望可靠度下的疲劳寿命作为输出节点,进行网络学习,建立应力范围、结构疲劳寿命及可靠度之间的关系,用于预测某应力范围下所期望可靠度的疲劳寿命,或者所期望疲劳寿命的可靠度．通过具体算例表明该方法正确,精度满足工程要求．     

可诊断非线性电路直流故障的神经网络方法

测后诊断速度和诊断精度是模拟电路故障诊断性能的主要衡量指标。文中将神经网络的自学习和分类技术应用于非线性电路直流故障诊断，把反向传播（ＢＰ）网络训练成一部能诊断软、硬单故障的故障字典。考虑元件参数容差对诊断的影响，提出了优选训练样本的具体方法。此外，重新定义了ＢＰ网络的输出误差函数，使网络在训练时有较大的自由度。ＢＰ网络高度并行的信息处理能力决定了这种新型故障字典的诊断速度非常快。仿真实验结果表明，神经网络方法的综合性能要优于传统的故障字典法。     

预测循环流化床L阀颗粒质量流量的改进BP算法

在采用相对误差函数、训练集重组、增加惯性项、参数动态变化、权矩阵随机变化量等措施对传统的BP神经网络算法改进的基础上,利用改进的BP神经网络算法建立了循环流化床L阀固体颗粒质量流量的预测模型,得出了循环流化床L阀的充气位置、充气方式和充气体积流量与固体颗粒质量流量之间的映射关系,获得了对循环流化床L阀固体颗粒质量流量较好的预测结果.     

BP人工神经网络在聚合物溶液体系活度预测中的应用

应用不同BP人工神经网络对不同聚合物溶液体系的活度进行了训练,共12个系统,613个数点,总的平均相对误差为0．0263,在采用相同BP人工神经网络对聚合物PS与不同溶剂溶液体系的活度进行试练时,总的平均相对误差为0．0212,而利用相同BP人工神经网络对同一聚合物不同溶剂溶液体系的活度进行预测时,总的平均相对误差为0．0484。     

基于模拟退火PSO-BP算法的钢铁生产能耗预测研究

针对BP对能源系统进行建模和预测的方法存在的问题,提出一种优化BP神经网络的模拟退火粒子群混合算法(SAPSO)。利用该混合算法优化BP神经网络的权值和阈值,然后训练BP神经网络预测模型以得到最优解,并将所建立的预测模型对钢企能耗进行预测。最后与BP神经网络以及最小二乘法进行比较。仿真结果表明该混合算法增强神经网络的泛化能力,具有相对误差小,预测精度较高,能更好地跟踪未来数据的优点。     

两种概率分布函数的样条逼近

1.关于三次样条播值函数对概率分布函数的逼近对于给定的数据序列     

基于三维区域标记对太阳活动区低色球层亮点的统计分析?

研究太阳活动能量的统计分布,以探索日冕物质加热的物理机制.利用一种基于三维区域标记的算法,使用"日出"卫星拍摄的低色球层λ3968.5单色像时间序列,观测一个处于衰减阶段且爆发频繁的活动区,对多个数量级尺度的亮点进行识别和统计.获得了2.09×104个亮点样本,分析了太阳耀斑基本物理量的频数分布与幂律的关系,以及影响该分布的观测效应.数据分析的主要结果如下:1)低色球层亮点的尺度、面积、光通量服从幂律分布.2)寿命的频数在中等时标呈幂律分布,在长时标呈指数分布;大尺度亮点的等待时间符合指数分布.3)亮点发生率的信噪比随其尺度的增加而减小;小尺度亮点持续的产生有可能向日冕稳定地提供能量.4)微小尺度亮点的频数低于幂律分布,相当程度上受观测数据的低时间分辨率所造成的低采样率影响.     

磨矿分级过程的混合智能建模与仿真

针对具有非线性、多变量、参数时变、边界条件波动等综合复杂特性的磨矿分级过程,基于物料平衡理论建立球磨机与泵池的动态模型,结合机理模型与经验知识建立有用功率TSK(Takagi-Sugeno-Kang)模型来确定粒度选择函数,给出旋流器分级经验模型,并基于径向基网络(RBFN)计算溢流浓度和对溢流粒度分布误差进行补偿,研制了可进行磨矿分级过程动态仿真的混合智能模型.用某铁矿选矿厂二段磨矿闭路实际生产数据进行仿真实验,在旋流器给矿控制量和新给入矿浆流量、浓度、粒度波动下,模型的仿真结果与磨机有用功率实际值变化趋势相同.     

一种改进的BP算法神经网络

讨论了BP神经网络学习过程中的假饱和现象和激励函数对输出值的影响，将修改激励函数和构建假饱和预防函数相结合，实现加快网络学习速率。通过引入距离熵揭示了实际输出值、期望输出值以及能量函数三者的内在关联。对BP网络的应用实例编制了仿真程序，并与标准的BP算法进行比较。结果表明改进算法的学习收敛性大大地优于标准BP算法。