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.     

两种改进的BP神经网络学习算法

借鉴计算机网络拥塞控制中的"慢启动"策略,针对传统BP算法中存在的收敛速度慢与精度不高的不足提出了两种改进的变学习率学习算法,仿真结果表明改进的BP算法与自适应附加动量BP算法性能相近,其学习的收敛速度与精度优于传统的BP算法.     

一种基于BP网络的改进

BP神经网络存在其固有的缺陷:收敛速度慢、易陷入局部极小、网络结构难以确定等.本文针对BP网络学习速度慢的缺点.用熵函数作为误差函数来对BP算法进行改进,提高了收敛速度和稳定性.通过对标准BP网络和相对熵方法在不同学习速率上收敛速度的比较实验证明,相对熵BP网络在收敛速度和稳定性方面有着明显的优越性.     

基于改进神经网络的边坡岩体弹性力学参数识别方法

基于人工神经网络的 BP算法 ,建立了根据边坡开挖后岩体位移观测数据识别岩体弹性力学参数的数值方法 .在网络训练过程中采用改进的 BP算法 ,通过对学习算子的优化搜索 ,大大提高了网络的收敛速度 ,解决了 BP算法迭代过程中目标函数振荡问题 .通过算例表明 ,提出的改进的 BP算法有助于提高岩土材料参数识别收敛速度和识别精度 .图5 ,表 3,参 15     

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...     

共轭梯度法在BP算法中的应用及其MATLAB仿真

本文介绍了传统的BP算法,分析了它的不足之处,研究了一种加快网络收敛速度的基于共轭梯度法的改进BP算法。通过实例,运用MATLAB语言进行了仿真,结果表明改进算法的学习收敛速度大大优于标准BP算法。     

递归神经网络的RPE算法及其在非线性动态系统建模中的应用

针对递归神经网络BP学习算法收敛慢的缺陷,通过引入递推预报误差(RPE)学习算法,提出一种新的递归神经网络快速学习算法·该算法的基本原理是沿着指标函数的GaussNewton搜索方向修正权值,同时不必计算二阶偏导数和进行矩阵求逆运算·仿真结果表明,该算法比传统的递归BP学习算法具有更快的收敛速度,用于非线性动态系统建模是有效的     

一种基于总量风险函数的改进BP算法

为了能设计出一个优良的神经网络结构使得网络在保持良好性能的同时使规模最小化,作者引入了一种新的目标函数,希望能在模型的可靠性和规模之间找到一个适当的折中.基于此新的目标函数提出一种改进的BP算法,同时在改进的算法中采用自适应调整动量和学习率的方法以加快收敛速度和避免误差陷入局部极小值.将改进BP算法用于手写数字识别实验,结果表明,新算法有很好的实用价值.     

一种用于RBF神经网络的支持向量机与BP的混合学习算法

基于支持向量机与径向基(RBF)神经网络在结构上的相似性,提出了一种用于RBF网络的支持向量机与BP的混合学习算法．算法分为2步：首先采用序贯最小优化算法学习训练支持向量机,得到RBF网络较优的初始结构和参数;随后由BP算法调整优化RBF网络参数．混合学习算法结合了支持向量机小样本学习、学习训练快捷以及BP算法在线修改网络参数的特点．仿真研究表明,混合学习算法学习效率高,网络性能优良,应用于函数逼近时效果优良．     

Back-Propagation Artificial Neural Networks for Water Supply Pipeline Model

IntroductionWater supply pipelines are the lifelines of a city.Their operation status will greatly influence socialdevelopment.Burst points in pipeline networksshould be found as soon as possible.　Due to their randomness,time variation,andperiodicity of urban water supply pipelines,it isvery difficult to locate burst points usingtraditional methods such as direct observing,sonardetecting,etc. The traditional methods cannotfind the burst point without frequent routinechecks.Sometimes,it is im…     

基于步长优化和共轭梯度法的改进BP算法

本文针对传统ＢＰ算法存在的两个常见问题进行了讨论，提出了基于步长优化和共轭梯度法的改进ＢＰ算法。新的算法避免了目前由人为经验确定迭代步长的缺陷，并能有效克服局部极小值。这样可使网络加快收敛，稳定性变好。     

加速BP网络在单桩沉降预估中的动态适应

提出一种学习率自适应加速算法,即采用动态的网络学习率代替在整个学习过程中根据经验选取的传统的学习率,使ＢＰ神经网络的收敛速度得到显著的提高。应用这种神经网络,对单桩沉降预估过程以及信息扩散原理所取得的样本－教师模式匹配,可进行动态的学习。数值模拟表明,加速的学习算法使这种神经网络对问题的解具有动态适应性。     

使用BP算法时应考虑的若干问题

归纳总结了使用ＢＰ算法时可能涉及到的问题和一些技巧。尤其对学习方法的选择、隐居数和隐层单元数的选择、学习步长的选择、避免局部最小的方法、学习样本的选择、激活函数的选择等都作了详细的介绍。     

基于学习与竞争的改进PSO算法研究

针对普通PSO算法收敛速率慢,难以收敛到全局最优解的问题,提出了一种基于学习与竞争的改进PSO算法.该算法通过将种群内部学习和竞争的思想与PSO算法相结合,让种群中个体通过竞争和学习策略来替代原有的PSO算法迭代公式.该方法在不增加PSO算法计算复杂度的基础上,能够克服基本PSO算法的不足.最后基于动态系统的稳定性分析理论,给出了该PSO算法收敛性的证明.在7种不同的测试函数上对改进后的算法进行了实验测试.实验结果表明该改进算法比传统的PSO算法有着更好的搜索精度.结果证明,新算法比普通的PSO算法具有更高的搜索精度和较低的时间复杂度.改进算法求解函数优化问题更加有效,收敛速率更快.     

多步截断行动--评价强化学习算法

研究了行动-评价强化学习方法,通过把多步截断学习引入评价器代替单步学习,并定义一种新的迹来记忆最新的多步学习经验,提出一种新的行动-评价强化学习算法,并进行仿真实验,实验结果表明,新算法的学习效率有明显的提高,而在计算代价上仅多k个单位.     

基于改进BP神经网络预测蛋白质二级结构

蛋白质结构预测在生物信息学研究中占有重要地位,而蛋白质二级结构预测是蛋白质结构预测的关键步骤。针对标准BP算法存在的缺点,讨论采用几种不同的改进BP神经网络来实现蛋白质二级结构的预测,运用MATLAB语言实现各种改进算法的初始化和训练。并分析比较了它们对蛋白质二级结构预测精度的影响。实验表明,遗传算法结合动量法与学习率自适应调整策略的BP算法可获得较高的预测精度。     

基于样本冗余控制的材料属性机器学习预测模型

当前基于机器学习的材料属性预测研究中,通常采用数据库获取的所有数据样本,通过计算其高维向量表示来训练预测模型。然而材料数据库样本的高冗余性导致了训练的模型具有很强的偏向性和过拟合的现象。为此,提出一种剔除数据集中冗余性样本的算法,从数据集中选择具有代表性样本;通过使用多种机器学习算法预测材料属性并进行比较,结果表明如果没有实行基准数据集的冗余控制,即使是随机原始数据集也可以由于高冗余样本而得到很好的预测性能指标;研究还发现使用具有代表性样本进行训练实际可以帮助训练出具有更高泛化能力和更具预测性的模型。因此,提出降低冗余度是评估材料性能预测模型的必要步骤。     

基于深度卷积神经网络与中心损失的人脸识别

传统人脸识别方法手工设计特征过程复杂、识别率较低,对于开集人脸识别通用深度学习分类模型特征判别能力较弱。针对这两方面的不足,提出了一种以分类损失与中心损失相结合作为模型训练监督信号的深度卷积神经网络。首先,利用构建的应用场景数据集优调从公共数据集获得初始化参数的深度人脸识别模型,解决训练数据过小和数据分布差异问题,同时提高模型训练速度;然后,以传统损失函数和新的中心损失作为迁移学习过程中的监督信号,使得类内聚合、类间分散,提高模型输出人脸特征的判别能力;最后,对人脸特征进行主成分分析,进一步去除冗余特征,降低特征复杂度,提高人脸识别准确率。实验结果表明,与传统人脸识别算法相比该算法可以自动进行特征提取,并且相对于通用深度学习分类模型该算法通过度量学习使特征表示更具判别力。在自建测试集和LFW、YouTube Faces标准测试集上都取得了较高的识别率。