BP改进算法及其在路面裂缝检测中的应用

针对传统BP算法抗干扰能力差、学习速率慢且易陷入局部极小值等缺点,提出了一种基于变更传递函数倾斜度和动态调节不同学习速率的BP改进算法,给出了一种新的传递函数,设计了复合误差函数,同时采用了一种分层动态调整不同学习率的新方法,以加快传统BP算法的收敛速度和避免陷入局部极小值,并对路面裂缝图像进行了试验,比较了BP改进算法与传统BP算法在裂缝检测中的性能参数。试验结果表明,BP改进算法将全局均方误差减小了0.812 5,检测速度提高了30%,能够充分满足路面裂缝自动检测的实时性要求,是一种行之有效的方法。     

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     

基于隶属度函数的BP人工神经网络改进算法

为了实现基于BP人工神经网络的短期电力负荷预测,提出了一种基于隶属度函数的BP神经网络改进算法.算法是在学习率自适应调节算法的基础上,引入模糊数学中的隶属度函数的概念,根据不同的误差E,来确定不同的改变学习率的α和β,进而使BP神经网络的学习过程具有更好的自适应性,提高网络的学习速度.仿真试验结果表明,在预测精度不变的情况下,收敛性明显加快.由此证明.提出的基于隶属度函数的BP神经网络改进算法是快速和有效的,可用于短期电力负荷预测和各种类似的应用.     

BP网络模型的联合优化

针对 BP算法收敛速度慢、存在易于陷入局部极小值等缺点,不能有效地搜索到全局极小点。通过联合优化方法改进标准BP 算法,即通过黄金分割法动态调整学习系数:对 S 函数引入状态系数并进行分段;误差函数采用绝对和相对逼近精度相结合的方法。实验表明在一定程度上避免了学习中的局部极小问题,提高了学习效率,改进了网络的性能。     

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。     

BP算法中误差函数的改进

在BP算法中，误差函数不能有效地表征样本学习的误差程度，从而降低了学习的效果，本文提出了一种对误差函数的改进方案用以降低实际输出和期望输出的误差程度，计算机模拟表明效果良好。     

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．     

基于权值函数神经元的BP网络研究

研究了一种神经元模型,在该模型中将参数可调的激励函数往前移到权值上,即把权值变为参数可调的函数,这些权值函数的累加和作为神经元的输出.将此类神经元称为权值函数神经元,根据BP算法给出了由其构成的前馈神经网络的学习算法.仿真实验对比结果表明,在给定的误差精度要求下,基于权值函数神经元的BP神经网络每次训练都能收敛,且平均迭代步数较少,其收敛速度要优于传统BP网络,具有较好的研究应用价值.     

一种改进的多记忆BP神经网络算法

本文针对目前标准BP神经网络的缺点,提出基于高阶导数的多记忆BP算法,将能量函数的n阶导数与最速下降方向相结合,构造出一个新的最速下降方向,从而提高了神经网络的学习速度。首先证明了该算法相对于传统梯度算法的快速性,然后给出了该算法的实现方法,并进行了算例仿真。结果证明,该算法便捷、实用、有效。     

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.     

Copula EDA-BP混合优化算法预测股票价格

股票价格的预测是广大投资者非常关注的问题,也是诸多学者不断研究的方向,神经网络具有学习样本规律的特点,通过神经网络预测股票价格是近几年研究的重点之一。Copula EDA-BP混合优化算法是利用了copula EDA的全局寻优和BP算法局部求精的特点,将两者结合起来建立了基于copula EDA-BP的模型系统,优化神经网络的权值阈值,对股票上证180的收盘价进行预测得到误差率,结果显示copula EDA-BP算法平均误差率低于BP算法,提高了传统BP神经网络的计算精度。     

在有向图中寻找哈密顿回路的快速回溯法

本文提出了回路段的新概念。并在此基础上给出了寻找有向图中所有哈密顿回路 的快速回溯法ＱＢ．算法ＱＢ通过合并回路段来生成哈密顿回路，它的回溯树上各顶 点的期望分枝数ｃｑ等于各层当前图可用顶点的最小出度的平均值。对于常规的简单 回溯法ＳＢ，回溯树上各顶点的期望分枝数ｃｓ等于各层当前可用顶点的平均出度的 平均值。显然，ｃｑ总是小于ｃｓ．算法ＱＢ的期望时间为Ｏ（ｎ２（ｃｑ）ｎ），而算法ＳＢ期 望时间为Ｏ（ｎ（ｃｓ）ｎ），ｎ为图中顶点数。     

改进的波数域算法处理带有运动误差的机载SAR数据

机载SAR的一个关键问题就是准确的运动补偿.如果载机满足理想的匀速直线运动,传统的波数域算法是一种理想的成像算法,尤其在处理高斜视角和大孔径的SAR数据时,但它在处理带有运动误差的机载SAR数据时有一定的局限性,研究了改进的波数域算法,使之能与两步运动补偿技术结合,从而极大地扩展了波数域算法的应用范围.给出了仿真与原始数据成像结果.     

采用MEA-AdaBoost-BP模型的工程结构可靠性分析方法

针对工程结构可靠性设计中算法和计算存在的问题,提出基于MEA-AdaBoost-BP神经网络算法模型的可靠性求解方法. 运用思维进化算法(MEA)求解训练集权值和阈值优化的BP神经网络,并构造为弱预测器函数.然后,运用AdaBoost算法将多个优化后的BP神经网络弱预测器函数迭代训练,形成MEA-AdaBoost-BP神经网络算法模型强预测器函数. 最后,利用逼近隐性功能函数求解可靠性指标,并将其与AdaBoost-BP算法和Monte-Carlo算法进行比较.研究结果表明:所提算法在计算中与Monte-Carlo算法相比,其迭代次数分别仅为16次和46次,效率高,计算精度与Monte-Carlo法接近;而和AdaBoost-BP法相比,其可靠性指标误差分别仅为1.59%和1.88%,计算结果更精确.     

GA-SVM和神经网络组合模型预测充填钻孔寿命

 充填钻孔是充填料浆从地表输送到井下采场的咽喉工程,是矿山正常运转的保障,因此对矿山充填钻孔使用寿命进行预测十分重要。通过建立支持向量机（SVM）和BP神经网络组合预测模型,用训练集对模型进行训练,以验证集预测值的均方误差作为SVM适应度函数,通过遗传算法（GA）对SVM模型参数进行优化选择,应用优化得到的SVM模型进行预测,并结合BP神经网络进行残差修正,最终得到预测结果。以某矿为例,通过GA得到SVM模型最优参数：适应值（均方误差mse）=0.0111,惩罚系数C=47.0768,核函数参数σ=2.2638。通过优化的SVM模型,对预测集充填钻孔寿命进行预测,经BP神经网络残差修正,预测结果的相对误差均控制在3%左右。对比单一预测模型,组合预测模型预测结果更加理想,精度更高,在类似的预测工程中有良好的推广价值。     

一种新的快速BP神经网络算法--QLMBP

对反向传播（BP）算法中收敛速度最快的改进版本Levenberg-Marquardt BP（LMBP）进行了研究，找出了收敛速度的瓶颈：迭代控制参数的初始化会严重地影响到算法的选代次数；涉及的矩阵求逆是每次迭代中最耗时的计算；如果每次迭代中的误差平方和没有变小，该次迭代可能需要很长时间．本文通过上下三角（LU）分解去除耗时的矩阵求逆，并采取一维搜索来加速目标函数值的下降，使得LMBP不再依赖于迭代控制参数，从而提出了一种快速神经网络算法QLMBP．QLMBP算法的收敛速度比LMBP算法快100倍左右．     

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。     

改进的 BP 算法及其应用研究

ＢＰ网络广泛应用于函数逼近、模式识别和系统辨识,但ＢＰ算法收敛速度很慢。为此提出了ＢＰ算法的一种新的改进方式,即在误差反向传播时,不仅改变网络的联接权值,也改变神经元模型参数。详细推导了改进ＢＰ算法的迭代公式。仿真研究表明,与传统ＢＰ算法相比,该算法具有收敛速度快,函数逼近精度高的优点。     

采用改进神经网络PID控制的移动机器人轨迹追踪控制研究

为了提高双轮移动机器人运动轨迹追踪精度,采用改进粒子群算法优化BP神经网络PID控制器,并对控制效果进行仿真验证。创建双轮移动机器人模型简图,给出运动轨迹误差方程式。在传统PID控制基础上增加BP神经网络结构,引用粒子群算法并对其进行改进,采用改进粒子群算法优化BP神经网络PID控制调整参数,给出双轮移动机器人PID控制参数优化流程。采用数学软件MATLAB对双轮移动机器人轨迹追踪误差进行仿真验证,并与传统PID控制追踪误差进行对比。仿真曲线显示:在理想环境中,双轮移动机器人采用两种控制方法都能较好地实现轨迹追踪,追踪误差较小;在干扰波形环境中,传统PID控制双轮移动机器人追踪误差较大,而改进PID控制双轮移动机器人追踪误差较小。采用改进粒子群算法优化BP神经网络PID控制器,可以提高移动机器人运动轨迹追踪精度。     

一种基于遗传算法的快速服务发现方法

在分布式的网络中，传统的搜寻方法复杂性过高，搜索时间较长，而且往往不能适应网络动态的变化．基于遗传过程，提出了一种快速服务发现算法（QSFA）．在Mobile Agent（移动代理）和服务节点交互的过程中，QSFA根据访问的结果来动态地改变每条服务记录适应值的高低，从而使得有效的信息能够在网络中保留较长的时间，而过时的、错误的服务信息会在网络中较快地消亡．实验仿真的结果表明，Mobile Agent能够在分布式网络中较快速地发现所需的服务资源．