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.     

基于动量自适应学习率PSO-BP神经网络的钻速预测模型研究

机械钻速(rate of penetration, ROP)是钻井作业优化和减少成本的关键因素,钻井时有效地预测ROP是提升钻进效率的关键。由于井下钻进时复杂多变的情况和地层的非均质性,通过传统的ROP方程和回归分析方法来预测钻速受到了一定的限制。为了实现对钻速的高精度预测,对现有BP (back propagation)神经网络进行优化,提出了一种新的神经网络模型,即动态自适应学习率的粒子群优化BP神经网络,利用录井数据建立目标井预测模型来对钻速进行预测。在训练过程中对BP神经网络进行优化,利用启发式算法,即附加动量法和自适应学习率,将两种方法结合起来形成动态自适应学习率的BP改进算法,提高了BP神经网络的训练速度和拟合精度,获得了更好的泛化性能。将BP神经网络与遗传优化算法(genetic algorithm, GA)和粒子群优化算法(particle swarm optimization, PSO)结合,得到优化后的动态自适应学习率BP神经网络。研究利用XX8-1-2井的录井数据进行实验,对比BP神经网络、PSO-BP神经网络、GA-BP神经网络3种不同的改进后神经网络的预测结果...     

基于神经网络的全局寻优自适应BP学习算法

根据梯度算法中网络权值的演化规律，并基于终端吸引子，提出一种能全局寻优自适应的快速BP算法，该算法的基本思想足最小二乘算法，采用梯度搜索技术，以期使网络的实际输出值与期望值的误差的均方值为最小．同时，进行BP学习算法的稳定性和快速收敛问题分析研究．并进一步给出改善BP算法学习率修正、假饱和现象消除等训练结果的措施．     

动量-自适应BP算法在机器人碰撞检测仿真系统中的应用

根据机器人运动连续性原理,通过对误差脉冲数的统计分析,我们基于人工神经网络算法,实现了机器人碰撞检测仿真系统 根据从机器人运行时采集的数据对神经网络进行训练和仿真,在实际应用中取得了预期的效果 本文讨论了动量-自适应学习率BP算法,说明了通过误差脉冲数进行碰撞检测的原理,比较了它与传统方法的区别,并且根据神经网络训练和仿真结果对动量-自适应学习率BP算法和标准BP算法进行了比较.     

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.     

基于BP网络的一种改进算法及仿真

针对BP网络存在收敛速度慢及目标函数容易陷入局部极小值的缺点，本文研究分析了BP神经网络模型的缺陷并提出了优化策略。最后提出了一种提高BP网络学习速度的新方法，即自适应调整学习率和下降梯度。仿真结果表明，该方法大大地提高了收敛速度，而且算法简单、易行。     

基于自适应神经网络的电路系统故障诊断研究

针对人工神经网络的特点，对传统BP算法进行了全面改进，通过采用自适应学习率和动量因子修正等方法，有效克服了传统BP算法在实际应用中学习收敛速度慢和容易出现局部极小点的缺点。以电路系统的故障诊断为例，引入了模糊数学中的隶属度函数，对故障特征量进行处理后作为自适应神经网络的输入，故障编码作为网络的输出。实验仿真结果表明，该系统对电路故障类型能够有效地进行诊断和识别。     

基于局部权重及阈值调整算法的BP网络预测模型研究

通过对基本BP算法的分析,提出了一种基于局部权重及阈值调整的改进BP算法.结合该改进算法,讨论了在Matlab中创建基于BP网络的交通运输需求预测模型并使用该模型进行预测的过程.同时,将基于局部权重及阈值调整的改进BP算法和加动量项的自适应学习率BP算法的模型的预测效果进行了比较,比较结果表明前者的预测效果优于后者.     

BP神经网络在高层结构体系选择中的应用

提取高层建筑结构选型的主要控制因素 ,以此建立基于 BP(Back- Propagation)神经网络的高层建筑结构体系选择的数学模型 .分别采用传统的 BP算法、改进的带动量自适应学习率 BP算法 ,以及 L- M(Levernberg- Marquart)算法 ,进行高层建筑结构体系选择的研究 .研究结果表明 ,传统的 BP算法和改进的带动量自适应学习率 BP算法 ,无法适应土木工程中大规模的数据结构 .而采用 L- M算法神经网络 ,较传统 BP算法快 10 2～ 10 3倍 ,并且精度高 ,可以较好地解决高层建筑结构体系选型问题 .     

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.     

一种改进BP算法在制冷系统仿真中的应用

采用了改进的BP算法,用网络输出关于学习率的线性展开法来自适应优化学习率,BFGS为尺度法来调整权重,对BFGS法作了局部改进以处理可能发生的BFGS公式中分母项为零的情况,以实际制冷系统的热力性能参数实验数据为样本,对比研究了标准BP算法,含学习率优化的最速下降法和含学习率优化的BFGS法的学习过程,结果表明,文中选用的含学习率优化的BFGS法学习效率与学习精度高,且自适应性能好。     

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。     

BP小波神经网络在大断面隧道变形预测中的应用

将BP算法引入小波神经网络,自适应地调整小波系数和网络权重,同时利用自适应算法调节BP算法的学习率,提高收敛效率.以4车道隧道——前欧隧道的监测数据为基础,建立BP小波神经网络变形预测模型.预测结果表明:BP小波神经网络对地质条件相似,施工及初期支护方法相同的隧道断面变形进行预测,其预测结果满足工程精度要求,能较准确地...     

一种BP神经网络学习率的改进方法

针对动态BP神经网络学习率优化方法收敛速度慢而且对误差曲面变化不敏感等不利因素,提出了一种改进的BP神经网络学习率的优化算法。通过判断网络误差变化的趋势来决定动态学习率的调整方向,尤其网络误差处于下降状态时,不需调整。该策略使网络对误差曲面变化敏感且收敛速度快。最后,对两种算法的仿真比较证明了优化算法的有效性。     

BP神经网络学习率参数改进方法

针对动态BP神经网络学习率优化方法收敛速度慢而且对误差曲面变化不敏感等不利因素,本文提出了一种改进的BP神经网络学习率的优化算法,该策略使网络对误差曲面变化敏感且收敛速度快。     

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%。     

模糊神经网络中长期负荷预报研究

采用动量法、自适应学习率和异变换函数对BP算法进行改进,并通过模糊神经网络对中长期负荷进行预测,还针对BP算法中隐层节点难以确定的不足,大胆采用预测误差曲面方法,使隐层节点个数选择具有科学的依据,算法计算表明,采用模糊神经网络提高了预测精度。