一种改进的神经网络BP算法

提出同时对神经元温度常数Ｔ、位置常数θ、联接权值Ｗ进行调整的观点,并推导出相应的学习算法公式。对比试验表明：所给出的改进算法能有效地减少节点数、加速训练进程认识精度。     

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.     

基于最小二乘法的BP算法

标准BP神经网络算法收敛速度慢是限制其广泛应用的主要原因．为此，以标准BP算法为基础，应用最小二乘法理论，提出了一种收敛速度快的BP算法——NLMsBP算法．仿真结果表明，和标准BP算法及其它改进形式比较，NLMSBP算法收敛速度大大提高，稳定性并未降低，这为BP神经网络应用于实时性要求高的场合提供了算法基础．该算法缺点是计算量大，所需计算机内存大，不适于大型网络的计算．     

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。     

一种BP神经网络改进算法的研究

为提高神经网络传统BP算法的训练速度,以3层神经网络为例,通过对权值的分析与优化,推导出改良的BP算法——双权值迭代优化法,并对该算法与传统算法进行了比较,通过比较发现,新算法在保证精度的前提下可节省训练时间,同时对该算法特点进行了总结。     

一种改进的BP算法在工程造价预测中的应用

针对在神经网络中得到广泛应用的BP算法难以确定隐节点个数的缺点,提出了一种动态调整隐节点数的改进的BP算法,以恰当确定隐节点数。在收集相似工程有关资料的基础上,考虑物价波动的影响,应用上述算法对工程造价进行预测。算例结果表明：该方法所得的工程造价预测值精度令人满意,具有应用价值。     

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。     

BP算法稳定性与收敛性的一种改进

针对标准BP算法稳定性与收敛性较差的问题，采用多个变元进行迭代，其中各变元的迭代方式同标准的BP算法，然后取各变元迭代结果的均值作为新一轮训练的修正权值，其目的是利用均值的平衡效应，防止作过大或过小的权值调整，解决因不合适的权值调整而导致BP算法整体性能的下降的问题，理论分析与试验证明，应用该方法可使BP算法获得较好收敛效果与稳定性能。     

一种改进的可变学习速率的BP神经网络算法

针对可变学习速率反向传播算法(VLBP)对误差曲面变化不敏感而且收敛慢等不利因素,提出一种改进的可变学习速率反向传播算法(IVLBP),通过引入均方误差增加量和减小量两个阈值参数,使得学习算法对误差曲面变化敏感且收敛速度快.最后,通过对VLBP和IVLBP算法的仿真比较证明了IVLBP算法的有效性.     

一种改进的BP网络图象压缩方法

本文提出了一种改进的ＢＰ网络图象压缩方法．该方法对输入图象矢量进行分类，不同类别的图象矢量分别由不同的ＢＰ网络来实现压缩和恢复．因为同一类别图象矢量间离散度较小，所以可降低ＢＰ网络的映射复杂度，从而达到改善图象质量的目的．实验结果表明，这种改进能有效提高恢复图象的信噪比和视觉质量，对数据压缩比影响很小．     

一个改进的BP神经网络自适应学习算法

提出了一个改进的自适应变步长ＢＰ网络学习算法,对多个布尔学习问题以及Ｆｉｓｈｅｒ收集的一个植物分类问题进行计算．结果表明,该算法不仅有相当快的收敛速度,而且在避免学习过程陷入局部极小方面也取得较好结果．     

基于SVM的BP改进新法

BP人工神经网络算法作为一种基本算法在许多领域中都有着广阔的应用前景.但由于其本身的缺陷而很难投入实际应用.给出了一种基于SVM(Support Vector Machines)的BP改进回归算法,有效地提高了算法的收敛速度,减少了迭代次数,提高了回归预测的精度.     

基于改进型BP算法的外债风险指标预测

利用人工神经网络进行时间序列预测是一种较新的方法,它具有不需建立复杂的数学模型以及非线性映射能力强等优点。采用动量法和学习率自适应调整的改进型BP算法对外债风险的各项指标进行了非线性时间序列的预测。仿真结果表明神经网络模型对外债风险的各项指标预测的结果是准确可靠的。     

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.     

遗传算法在BP神经网络学习中的应用

在遗传算法与BP神经网络结构模型相结合的基础上,设计了用遗传算法训练神经网络权重的新方法．     

BP算法在UPI中的应用与设计

本文尝试利用人工神经网络来对大学生人格健康测试(UPI)的结果进行分类,也是BP算法在UPI中应用和设计的实例。     

基于云自适应遗传算法的改进BP算法

针对标准BP算法对初始权值敏感、收敛速度慢、易陷入局部极小等问题,结合正态云模型云滴的随机性和稳定倾向性,以及遗传算法的全局搜索能力、收敛速度快等特性,提出了云自适应遗传改进BP算法.该算法首次将云模型和遗传算法结合调整神经网络的权值和阈值.由X条件云发生器产生改进的自适应交叉概率和变异概率.实验结果表明:云自适应遗传改进BP算法比标准BP算法收敛速度快.