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.     

Adaboost算法分类器设计及其应用

Adaboost算法可以将分类效果一般的弱分类器提升为分类效果理想的强分类器,而且不需要预先知道弱分类器的错误率上限,这样就可以应用很多分类效果不稳定的算法来作为Adaboost算法的弱分类器。由于BP神经网络算法自身存在的局限性和对训练样本进行选择的主观性,其分类精度以及扩展性有待提高。将Adaboost算法与BP神经网络相结合,使用神经网络分类模型作为Adaboost算法的弱分类器。算法在matlab中实现。对2个UCI的分类实验数据集进行实验,结果表明Adaboost能有效改善BP神经网络的不足,提高分类正确率和泛化率。     

Adaboost算法分类器设计及其应用

Adaboost算法可以将分类效果一般的弱分类器提升为分类效果理想的强分类器,而且不需要预先知道弱分类器的错误率上限,这样就可以应用很多分类效果不稳定的算法来作为Adaboost算法的弱分类器。由于BP神经网络算法自身存在的局限性和对训练样本进行选择的主观性,其分类精度以及扩展性有待提高。将Adaboost算法与BP神经网络相结合,使用神经网络分类模型作为Adaboost算法的弱分类器。算法在matlab中实现。对2个UCI的分类实验数据集进行实验,结果表明Adaboost能有效改善BP神经网络的不足,提高分类正确率和泛化率。     

基于集成学习与BP神经网络的室内地磁定位算法

本文针对当前室内地磁定位技术存在地磁信号不稳定和地磁指纹不唯一所造成定位误差大等问题,提出一种基于集成学习与BP神经网络的室内地磁定位方法,提高地磁定位精度。将BP神经网络作为弱预测器,通过集成学习的方法把多组弱预测器集成为强预测器,使用地磁数据进行室内定位,与地磁指纹库中的真实位置信息进行对比并计算出定位误差。结果表明本方法与KNN、DTW以及BP神经网络相比,总平均定位误差分别降低了2.55、1.33和0.4 m。     

基于GA-BP-Adaboost模型的信用卡逾期还款风险评估研究

针对信用卡逾期还款问题,在第1阶段对持卡人是否会逾期还款进行分类的基础上,又在第2阶段对持卡人逾期时间进行了预测.考虑到单个BP神经网络模型运行结果受初始权值影响大,稳定性不好.以Adaboost方法训练若干个弱分类器和弱预测器,结合成一个强分类器和一个强预测器,完成了第1阶段对客户是否会逾期还款的评估,以及第2阶段对客户逾期还款时间的预测.最后用该方法对某银行的持卡人还款情况进行了数值实验,结果显示提出的逾期还款风险两阶段评估模型具有很高的预测精度.     

基于BP网络的字符识别系统设计

根据我国车辆牌照的特点,提出了基于BP神经网络识别算法。算法中将分类器分为汉字分类器,英文字母分类器,英文字母和数字混合分类器以及数字分类器四种,这种神经网络设计可以有效简化网络结构,提高识别精度和速度。由于标准BP算法具有收敛速度慢、易陷入局部极小点等缺点,对BP算法进行了改进。通过仿真实验,该字符识别系统具有较高的识别率,同时也具备了神经网络本身容错能力强,即鲁棒性好的特点。     

基于BP神经网络的集群负载预测器

针对由于作业调入调出引起的负载突变,提出了基于通知机制的反传(BP)网络和动态滑动窗口混合预测方法,设计并实现了基于神经网络的负载预测器.该方法在发生突变时,利用动态滑动窗口均值法预测并重新训练样本,训练结束后使用新的BP模型预测.其通知机制能减少预测器的样本识别时间,模型保存机制提供了无需训练样本的机会.测试结果表明,该预测器具有较好的预测精度,能够将大部分预测值的平均误差控制在5%以内,并快速适应突变事件.     

基于BP网的雷达辐射源分类器设计

为了解决侦察告警设备在强噪声背景下的雷达辐射源识别率较低的问题,设计了一种基于BP(Back Propagation)网络的雷达辐射源分类器,并就设计关键点——分类器拓扑结构、训练次数的确定以及训练集的设计进行了研究。分类器以BP网络为基础,以载频、脉宽、重频和天线扫描方式为输入特征向量,对雷达辐射源进行分类识别。仿真实验结果证明,该分类器在强噪声背景下的正确识别率可达92.4%。     

优化BP_AdaBoost算法及其交通事件检测

为了及时检测出高速公路上发生的交通事件,减少由于交通事件带来的损失,提出了一种基于遗传优化的BP_AdaBoost算法用于交通事件检测.提取高速公路上下游的车流量、车速与占有率作为BP(back propagation)神经网络的输入值,利用遗传算法全局搜索的性能优化BP神经网络初始连接权值和输出阈值,再通过多个新的BP神经网络弱分类器构建成AdaBoost强分类器,设计基于遗传算法优化BP_AdaBoost算法的交通事件分类器.以在东京高速公路采集的真实数据进行性能验证,试验结果表明,该算法可以提高BP弱分类器的性能,检测率达到97%,误报率降至3.34%,适用于高速公路交通事件的检测.     

基于BP网络的设备状态分类器设计

BP(Back-Propagation Network)网络是神经网络中最常用到、最典型的一网络模型,它的结构简单、可塑性强,应用范围广泛。本文利用BP神经网络设计了一个状态分类器,用于检测减速箱的工作状态。实验结果与实际情况相符合,证明该网络设计是合理的。