BP网络的最大误差学习算法*

综合了标准ＢＰ算法与“批处理”ＢＰ算法的各自特点,提出了一种新的ＢＰ网络的学习算法,该算法既具有“批处理”ＢＰ算法收敛时迭代次数少的优点,又能克服“批处理”算法对大样本集进行学习时每次计算量较大且收敛时间长的缺点,该算法具有“批处理”算法同阶的迭代次数,但每次迭代所需计算工作量大约是“批处理”算法的样本几分之一。     

BP模型的改进算法及其在负荷预测中的应用

分析了ＢＰ模型学习算法－累积误差逆传播算法在接近极小点时收敛速度变得异常缓慢的原因，并通过对连接权值的调整量引入权重系数，提出了一种改进的ＢＰ模型学习算法，大大加快了收敛速度，提出了收敛性。还利用的改进算法对某省中期负荷进行了预测，逄例结果表明了该算法的有效性。     

热释放率计算和预测的神经网络方法

基于多层前馈神经网络提出了火灾实验中不同材料热释放率的学习算法和预测技术．同时,将具有全局收敛特性的混合共轭梯度（ＭＣＧ）算法应用于该问题中多层前馈神经网络的训练,克服了传统ＢＰ算法收敛速度慢,推广性能差的缺陷．文中对ＭＣＧ方法进行了大量模拟,并将模拟结果与ＢＰ算法及带有动量项的ＢＰ算法作了全面比较,结果表明：ＭＣＧ方法不仅在学习速度和收敛性方面均优于传统的ＢＰ算法而且显示了良好的性能和行为     

改进BP网络学习算法的探讨

ＢＰ网络是目前应用很广的人工神经网络。改善ＢＰ网络算法尤其是提高ＢＰ网络的学习速度一直是人们研究的重点课题。本文在对ＢＰ网络现行算法研究的基础上，提出根据系统误差自适应调节学习率的快速ＢＰ算法（ＦＢＰ），并以棉花棉铃虫预测为例，对两种算法的收敛速度进行了比较。     

改进BP网络学习算法的探讨

ＢＰ网络是目前应用很广的人工神经网络。改善ＢＰ网络算法尤其是提高ＢＰ网络的学习速度一直是人们研究的重要课题。本文在对ＢＰ网络现行算法研究的基础上，提出根据系统误差自适应调节学习率的快速ＢＰ算法（ＦＢＰ），并以棉花棉铃虫预测为例，对两种算法的收敛速度进行了比较。     

基于动态神经网络的人工环境自适应控制

本文将动态ＢＰ网络应用于双输入双输出非线性耦合系统的自适应控制，并利用递归最小二乘法来训练该网络，ＲＬＳ算法具有收敛速度快，抗噪声能力强等优点，还避免了常规ＢＰ算法中学习率选取困难的难点。     

一种基于模型逼近度的变步长BP算法

从步长选择的角度出发，提出了一个基于模型逼近度的变步长ＢＰ神经网络学习算法。数值结果表明该算法具有良好的收敛速度。     

神经网络应用于烧结矿质量在线推断

针对烧结过程生产实际，运用神经网络中的ＢＰ学习算法设计了分类器，用于在线推断烧结矿的质量，为了加快ＢＰ学习算法的收敛速度，采用了自适应变步长学习算法，实验结果表明，由此建立的烧结过程神经网络质量预报模型，预报正确率高，具有很好的泛化能力。     

自适应BP学习算法的一个改进

借助于信赖域方法的基本思想，提出一个自适应计算步长的ＢＰ算法。数据实验结果表明，该算法具有良好的收敛速度。     

用于故障模式识别的自适应模糊训练BP网络

针对ＢＰ算法固有的收敛速度慢和局部极小等问题,在对已有ＢＰ改进算法进行研究的基础上,提出了用于在线故障模式识别的自适应模糊加速训练算法,可在网络学习过程中,通过模糊推理,对网络拓扑结构、学习因子、惯性因子及激励函数进行自适应调整,实例验证表明该算法具有收敛速度快、不易陷入局部极小、网络综合性能好等特点。     

大坝变形预报的神经网络极限学习方法

针对大坝变形具有强非线性的特点以及在采用传统BP神经网络模型进行预报时存在学习速度慢、易陷入局部极小等问题,提出将极限学习机(ELM)方法用于大坝变形预报。该方法不仅可以简化网络参数选择过程,而且可以明显提高网络的训练速度,并具有良好的泛化性能。工程实例结果分析表明了ELM方法应用于大坝变形预报具有可行性和有效性。     

一种改进的BP算法

为了克服BP算法易陷入局部极小、收敛速度慢等缺点,笔者利用非线性最小二乘法对其进行了改进.结果表明,采用改进后的BP算法来训练神经网络,能在一定程度上提高神经网络的收敛速度,具有学习速度快、识别能力强等优点.     

基于RBF网络的旋转机械故障诊断方法

针对BP网络在故障诊断中存在的训练收敛速度慢且容易陷入局部极小、网络初值对学习性能影响比较大等缺陷,提出了一种基于RBF网络的故障诊断方法,介绍了RBF网络的结构和自适应正交最小方差算法（SROSL法）,并应用于旋转机械的故障诊断中,应用结果表明,RBF网络训练速度快、分类性能良好,在设备故障诊断领域具有很好的实用性。     

基于神经网络的眼底视杯图象分割技术

根据眼底图象中视杯的边沿特征,提出了一种基于ＢＰ神经网络的视杯分割方法,详述了这种方法的实现过程,并研究了ＢＰ学习算法的加速问题．实验证明,这种方法的分割效果较好．     

自适应学习速率法在变压器故障诊断中的应用

为了提高电力变压器故障诊断的准确率,针对油中溶解气体分析,提出了一种基于误差自动调节修正因子的自适应学习速率法,使神经网络通过自身的误差变化过程自动调整学习速率修正因子,保证网络总是以最大的可接受学习速率进行训练,从而提高网络收敛速度。针对电力变压器故障气体及故障类型的特点,建立了电力变压器故障诊断BP(Back-Propagation)网络模型,应用该算法和原算法对该故障诊断网络模型进行训练。仿真结果表明,该算法的训练次数减少了35.4%,收敛速度提高了44.9%,有效地改善了网络模型的性能。将该算法应用于电力变压器故障诊断,能较为精确地判断出电力变压器的故障类型,故障诊断准确率达90.8%。     

一种基于改进的BP神经网络的入侵检测方法

针对普通BP神经网络算法学习收敛速度慢、易造成局部极小的问题,提出一种改进的BP神经网络入侵检测方法,其采用拟牛顿的方法进行学习,即对目标矩阵求二阶导数.运用该方法能够有效提高学习速度,消除局部极小.仿真结果表明,改进的BP神经网络入侵检测方法收敛速度快,比标准的BP入侵检测方法误检率低,能够很好地提高学习效率,更加有效地检测攻击行为.     

基于带偏差递归神经网络蛋白质关联图的预测

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, 提出一种带偏差单元的递归网络模型, 根据BP算法推导出该网络模型的权系数调整规则, 并应用该网络模型进行了蛋白质关联图预测的仿真分析. 结果表明, 该网络模型的收敛速度比一般BP网络有很大提高, 具有一定的实用性.     

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。     

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.