人工神经网络的改进训练学习算法BPGA

作者通过引进神经元增益参数和记忆上一次网络状态改变量的冲量参数，设计了ＢＰＧＡ算法，对标准的ＢＰ算法进行了改进，提高了网络的学习速度和收敛性，并与标准的ＢＰ算法进行了比较。     

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     

神经网络在过程建模中的应用

阐述了神经网络用于过程建模目前存在的问题，提出了改进的方法，并将此应用到了大型炼油厂脱蜡过程的建模中。通过比较改进前后的ＢＰ算法仿真结果可以看出，改进后的算法在网络的训练收敛速度上有了较大提高。     

前向网络的两种混合学习策略

针对前向网络反向传播算法（ＢＰ）训练缓慢和易于陷入局部极小的缺点以及反向运算的复杂性,利用ＢＰ算法监督学习特点、模拟退火（ＳＡ）算法在局部极小处的概率突跳特性和遗传算法（ＧＡ）的并行化群体搜索的特点,有效结合ＢＰ和ＳＡ算法以及ＧＡ和ＳＡ算法,提出了前向网络的两种混合学习策略即ＢＰ＆ＳＡ混合策略和ＧＡ＆ＳＡ混合策略。以异或问题为例,通过计算机仿真对混合策略与ＢＰ、改进ＢＰ算法的比较表明混合学习策略较大程度改进了前向网络学习的收敛性能和收敛速度,并一定程度上避免了反向运算的复杂性,是前向神经网络学习的有效算法。     

BP网络学习参数模糊自适应算法的实现

前馈神经网络ＢＰ算法的改进方案中，对网络训练（学习）过程率和惯性系数进行模糊自适应调节，以提高收敛速度，晃一项很有效的措施。文中具体分析了如何根据设计者的先验知识确定模糊规则和录属函数，并以三比特异或函数（或称奇偶分类）的实现为例，验证了这种算法的改进、加速了ＢＰ网络的学习过程。     

基于学习率与惯性因子动态联合优化的快速BP算法

基于目标函数对学习率与惯性因子的偏导信息,提出了分别采用线性展开、二项式展开和共轭梯度的３种学习率与惯性因子联合动态优化的快速ＢＰ算法．仿真结果显示,与原ＢＰ算法相比,３种算法均可使网络训练速度显著加快     

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。     

热分解过程的神经网络预测方法的研究

提出了用前馈神经网络求解热分解过程的新方法．针对传统的ＢＰ算法的缺陷,把无约束优化中的变尺度应用于网络的训练学习,改进了学习算法,提出了一种基于动态步长的新的变尺度算法．通过它对热分解过程的预测分析,其结果非常逼近实验结果并优于传统的理论计算结果;同时,新的变尺度算法提高了网络算法的收敛性．     

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。     

基于变学习率的多agent学习算法的研究

对在动态学习的环境中的IGA算法做了研究,改进了梯度方向上的步长恒定不变的不足,引入了变学习率,并介绍了调节学习率的方法——WoLF原则,加速其收敛。最后根据该方法,对Q学习算法做了改进,并通过仿真试验证明了算法的有效性。     

变结构模糊神经网络控制及其学习规律研究

提出变结构模糊神经网络控制及其学习算法,并对变结构模糊神经网络学习规律进行研究,变结构模糊神经网络中的模糊化神经网络（Ｆ＿ＦＮＮ）、模糊推理神经网络（Ｅ＿ＦＮＮ）和模糊决策神经网络（Ｄ＿ＦＮＮ）都是结构可变的,可分开进行模糊隶属函数及模糊推理的学习,其学习过程符合人脑由粗到精的认识规律,学习收敛速度比一般模糊网络快,具有很好的适应性。     

高斯基函数CMAC快速算法的改进及应用研究

该文对基于高斯基函数小脑模型(CMAC)的快速算法进行了改进,针对其学习速率的选取问题,提出了一种基于遗传算法的学习速率最优选取方法,使得CMAC学习速率的选取得到了最优化。讨论了该算法的实际可行性,提出了参数选择和实时控制相分离的策略,并在某转台伺服系统模型中进行了应用研究。仿真结果表明,改进算法避免了学习速率选取的经验不确定性,提高了CMAC学习收敛的快速性。     

线性约束下的变尺度共轭方向法

对线性约束非线性规划问题，利用共轭投影概念提出了一种变尺度共轭方向法，并分析了算法的收敛性，二次终止性和超线性收敛性，由此导出了一族共轭方向法，并对算法的某些收敛特性进行了分析。     

线性约束优化问题的一类变尺度方向的内点算法

基于内点算法思想，利用投影技术，给出了求解线性约束优化问题的一类变尺度方向内点算法．改善了算法的收敛速度．同时，在去掉目标函数的凸性及Ｌｉｐｓｃｈｉｔｚ性假设之下，同样给出了算法的收敛性定理     

融合榜样学习和反向学习的粒子群优化算法

为了提高粒子群优化算法(Particle swarm optimization,PSO)的优化效率,降低其陷入局部最优的概率,提出了一种融合榜样学习和反向学习的PSO算法(PSO based on combing Example learning and Opposition learning,EOPSO).首先,对粒子群中的非最优粒子采用新颖的榜样学习机制更新,以便提高全局搜索能力,避免算法陷入局部最优;其次,对粒子群中最优粒子采用反向学习混合机制更新,提升该粒子的搜索能力,进一步避免算法陷入局部最优;最后,对粒子群中的最优粒子还采用了自身变异机制更新,有利于搜索前期的全局搜索和后期的快速收敛.在15个不同维度的基准函数上进行了仿真实验,实验结果表明,与最先进的PSO改进算法ELPSO、SRPSO、LFPSO、HCLPSO相比,EOPSO优化性能更好.     

非线性约束规划快速收敛的共轭投影变尺度法

本文讨论非线性等式约束规划问题，给出了问题的一种共轭投影变尺度算法．方法利用变尺度法，梯度投影法及共轭方向法相结合的思想直接给出主搜索方向和辅助方向显式表达式，以罚函数为效益函数，不需解任何二次子规划．在较温和的假设下，算法具有全局收敛性和超线性收敛性．     

非线性规划弱增广 Lagrange 函数变度量法

对一般的非线性规划问题给出了弱增广的Ｌａｇｒａｎｇｅ函数，利用变度量法求得下降方向，从而将原问题转化为一维极小化问题，再通过一维搜索求得问题的解，并证明了此方法的收敛性．     

基于神经网络参数优化的迭代学习控制算法

针对迭代学习控制用于轨迹跟踪时存在收敛速度慢的问题,提出用RBF网络优化迭代控制器参数的算法.在每一次迭代学习过程之后利用RBF网络对当次输出的数据进行优化计算,拟合出最优的学习增益,使迭代学习算法具有较快的收敛速度,在单关节机器人中进行仿真验证了方法的有效性.