一种基于遗传算法的BP神经网络算法及其应用

主要分析了神经网络和遗传算法的特点和存在的一些缺陷，研究了遗传算法和BP神经网络学习算法相结合的相关技术，设计并实现了一个基于遗传算法的BP神经网络算法BP—GA，已应用于肺癌早期细胞病理诊断系统中。实验结果表明，该算法具有较强的收敛性和鲁棒性，其应用效果很好。     

基于BP神经网络改进算法的遥感图像分类试验

BP神经网络分类方法是一种新的模式识别方法,在遥感图像分类识别处理中有良好的应用前景。本文在阐明标准BP算法及其改进算法——Levenberg-Marquardt算法的基础上,介绍了BP神经网络的遥感图像分类过程,并在MATLAB平台下对基于BP神经网络的分类算法进行了试验。实验结果表明基于BP神经网络的遥感图像分类方法是一种有效的图像分类方法。     

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。     

一种用于快速分类问题的神经网络学习算法

对传统的ＢＰ算法进行了改进，提出了基于二阶导数的ＢＰ算法，大大减少了样本训练的迭代数，从而提高了网络运算速度，对异或问题和蜢虫分类问题的计算，取得了满意的效果。     

基于实数编码遗传算法的多层神经网络BP算法

提出用实数编码的遗传算法来优化多层神经网络的权值,并且将遗传算法与ＢＰ算法结合,能有效地避免ＢＰ算法陷入局部极小和遗传算法过早收敛,实验结果令人满意。     

一种基于灰度区间的BP神经网络算法研究

为了不断提高前向神经网络的学习能力,考虑在神经网络学习和训练的过程中引入灰色系统理论,设计出一种新型的神经网络算法（GBP）。该算法通过减少输入向量空间的灰度,使得神经网络的输入向量进一步优化,从而更加有利于神经网络的学习和训练。最后通过模拟实验表明,新设计的算法比经典的BP算法有更高的效率,该算法具有训练速度快、泛化能力强等特点,是一种有效的学习方法。     

神经网络用于模式识别分类的改进算法

用ＢＰ神经网络算法进行模式识别分类,即使对一个训练比较好的网络也极有可能出现样本的导师模式（真实模式）与网络判定模式不符的情况,即会出现误判样本。当待判样本与某一误判训练样本比较接近时,网络很可能对其造成模式误判。为此,本文通过引入训练样本的正、误判子集及定义在其上的待判样本的距离,将距离算法和ＢＰ算法相结合,提出了解决这一问题的新方法。     

一种基于Agent-NB的文本分类模型和算法

针对基于内容的文本分类问题,提出了一种Agent与朴素贝叶斯分类(Naive Bayes)相融合的反馈分类模型和算法(Agent-NB).朴素贝叶斯分类是一种简单而有效的文本分类方法,然而有限大小的训练样本集,一般不具备良好的数据完备性,难以一次性构造出高性能的分类模型.基于Agent-NB的反馈分类模型,可结合Age...     

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。     

基于分层遗传算法的BP神经网络学习算法

针对BP算法局部搜索能力强,而分层遗传算法全局搜索优势突出的特点,结合二者优势构造了一种分层遗传算法与BP算法相结合的前馈神经网络学习算法．将分层遗传算法引入到前馈神经网络权值和阈值的早期训练中,再用BP算法对前期训练所得性能较优的网络权值、阈值进行二次训练得到最终结果．仿真结果表明,该混合学习算法能够较快地收敛到全局最优解,优于BP算法、分层遗传算法,具有一定的实用价值．     

基于遗传算法的神经网络分类器优化设计

依据神经网络分类器的设计原理，设计了一种有效的遗传算法，实验结果表明：算法优化后的神经网络分类器不但学习速度快，还能保证分类精度．     

基于遗传算法神经网络盲均衡算法的研究

将遗传算法引入神经网络盲均衡,利用其全局搜索能力强的特性来消除传统神经网络算法易陷入局部最优解、训练速度慢的缺点。采用两阶段寻优法,首先,通过遗传算法来为神经网络提供一个全局较优的局部搜索空间;其次,利用传统神经网络在这个局部空间进行更精确地搜索,最终实现盲均衡。计算机仿真表明,该算法能达到更好的收敛特性和均衡效果。     

基于遗传算法神经网络盲均衡算法的研究

将遗传算法引入神经网络盲均衡,利用其全局搜索能力强的特性来消除传统神经网络算法易陷入局部最优解、训练速度慢的缺点。采用两阶段寻优法,首先,通过遗传算法来为神经网络提供一个全局较优的局部搜索空间;其次,利用传统神经网络在这个局部空间进行更精确地搜索,最终实现盲均衡。计算机仿真表明,该算法能达到更好的收敛特性和均衡效果。     

基于BP网络的有教师分类算法及应用

介绍BP神经网络的结构及相关算法,并通过实验比较不同情况下对BP神经网络的收敛速度与分类精度的影响。实验表明,合适的参数设置能提高BP神经网络算法的分类精度。     

基于遗传算法的人工神经网络负荷预测研究

针对BP神经网络的固有缺陷,如训练速度慢,易收敛于局部极小点及全局搜索能力弱等,改进了传统BP算法,并采用遗传算法设计和优化神经网络结构参数,在此基础上建立了基于遗传算法的人工神经网络负荷预测模型,预测仿真结果表明,本文所提出的方法在预测精度和收敛速度方面均得到了改进。     

基于遗传算法和BP神经网络的结构损伤识别

鉴于BP神经网络需要较长的训练时间、易陷入局部极小值、网络权值和阈值难确定等不足。运用遗传算法全局寻优的特点对BP网络的权值和阈值进行优化。同时运用遗传算法进行网络训练,避免网络收敛于局部极小值。通过对一根单梁实验数据的识别,结果表明两者的结合能对结构进行准确的识别。     

基于混合编码的遗传算法在神经网络优化中的应用

提出了一种结合浮点数编码与二进制编码的混合编码遗传算法,该算法在同一条染色体上同时使用浮点数编码与二进制编码,有机结合了两者的优点,并与BP算法结合用于优化神经网络的结构和系数,获得具有更好泛化能力的神经网络.仿真实验结果证实了这种混合编码遗传算法的有效性和优越性能.     

基于改进的卷积神经网络邮件分类算法研究

针对传统文本分类方法中出现的维度过高和数据稀疏问题,通过对卷积神经网络(Convolutional Neural Network,CNN)和 inception V1 模型的深入研究,将两个模型融合起来,提出了一种基于 i-CNN 模型的 邮件分类方法;在卷积、池化操作中加入了 1×1 卷积核降低特征向量的厚度,减少了参数,提高了计算性能; 通过数据验证,i-CNN 模型对邮件的分类结果高达 92. 18%,在对比实验中,i-CNN 模型相对于几种机器学 习分类模型,取得了最高的分类精准率,在有无 inception 结构模型对比中,i-CNN 模型精准率高于 CNN 模 型;说明该模型具有较好的分类效果,且 inception V1 模型的融入能提高文本分类的准确率。     

基于集成神经网络的短文本分类模型

针对短文本具有稀疏性强和文本长度较小等特性, 为更好地处理短文本分类问题, 提出一个基于集成神经网络的短文本分类模型. 首先, 使用扩展词向量作为模型的输入, 从而使数值词向量可有效描述短文本中形态、 句法及语义特征; 其次, 利用递归神经网络（RNN）对短文本语义进行建模, 捕获短文本内部结构的依赖关系; 最后, 在训练模型过程中, 利用正则化项选取经验风险和模型复杂度同时最小的模型. 通过对语料库进行短文本分类实验, 验证了所提出模型有较好的分类效果, 且该分类模型可处理变长的短文本输入, 具有良好的鲁棒性.