基于正则化方法的多元数据拟合问题

考虑了多元数据拟合过程中的不适定问题,采用Tikhonov正则化方法,在最小化泛函中引入正则化泛函解决整个辨识过程中的不适定问题,并且利用贝叶斯正则化方法迭代计算正则化参数及方程解。最后,通过数值模拟验证方法的有效性。     

改进粒子群算法在BP神经网络拟合非线性函数方面的应用

为解决BP神经网络拟合非线性函数的预测结果误差较大问题,笔者将标准粒子群算法进行改进,形成基于免疫接种的粒子群算法(IPSO);然后将该算法与BP神经网络理论相结合,实现基于IPSO算法优化的BP神经网络非线性函数拟合算法。新的拟合算法首先确定BP神经网络结构,然后用IPSO算法优化初始权值和阈值,最后进行BP神经网络预测。数值实验表明,本文提出的IPSO算法提高了BP神经网络的拟合能力,减小了拟合误差,提高了拟合精度。     

基于贝叶斯正则化BP神经网络的股票指数预测

提出了利用贝叶斯正则化BP神经网络对股票指数进行预测.通过对比实验表明,贝叶斯正则化的BP神经网络比相同条件下采用其他改进算法有较好的泛化能力,对股票指数预测有很好的效果.     

基于贝叶斯正则化BP神经网络的PEMFC电堆建模

质子交换膜燃料电池(proton exchange membrane fuel cell,PEMFC)电堆具有输入输出关系复杂、非线性强等特点,获得精确的电堆模型是PEMFC系统优化控制的基础.文章针对PEMFC电堆特点,提出一种改进BP(back propagation)神经网络的PEMFC电堆建模方法.利用BP神经...     

BP神经网络拟合平稳跟踪眼震信号

在前庭功能检查中,要对平稳跟踪信号进行分析,必须先对实验者的跟踪数据信号进行曲线拟合。由于BP神经网络可以实现输入和输出间的任意非线性,使得它在函数逼近上有广泛的应用。因此本文用BP神经网络对平稳跟踪信号进行曲线拟合。对网络的训练方法采用贝叶斯正则化算法。实验表明,拟合的曲线和正弦曲线基本吻合,尽可能的通过了样本点,也排除少数点的干扰。     

贝叶斯正则化的 BP 神经网络在经济预测中的应用

本文应用Bayesian正则化算法改进BP神经网络泛化能力.通过对湖北省1985年-2004年关于经济发展水平的数据进行拟和以及预测,结果表明采用Bayesian正则化算法比相同条件下采用其他改进算法泛化能力要好,收敛速度快、预测精度高,方法简单,操作方便.实例分析表明, 贝叶斯正则化算法优化BP神经网络的方法是令人满意的,对经济预测有良好的预测效果.     

一种基于L曲线准则的正则化图像复原算法

针对因大气湍流而引起的模糊图像的复原问题,通过对偏差函数添加正则函数以使得要求解的方程组是适定的. 以偏差函数和正则化函数为坐标,得到复原图像关于正则化参数的参数曲线,用三次多项式拟合了该曲线的左端部分,并以该曲线的最大曲率点对应的参数为最优正则化参数. 当图像边界满足周期性条件时,利用傅里叶矩阵可以将分块循环矩阵对角化,进而利用二维离散傅里叶变化和反变换求解线性方程组而得到复原图像. 实验结果表明,当噪声方差较小时,可得到比较满意的复原结果.      

正则化方法在生产函数识别中的应用

本文讨论了Tikhnov的正则化方法在生产函数识别中的应用。它无需对技术效率的变动模式作先验的假定,可同时估计每个生产周期的技术效率和投入要素的产出弹性;同时,它对于因投入要素之间可能存在的强相关性而带来的“病态”有较强的处理能力。对于十多组实际投入产出数据的分析表明,当用普通的线性二乘法估计参数失效时,正则化方法在大多数情况都能给出比较合理的参数估计。     

贝叶斯正则化神经网络在深基坑变形预测的应用

针对传统BP神经网络在深基坑施工开挖变形的预测,基坑的安全性判定仅利用监测的最终数值而无法全面服务于深基坑工程,提出了一种遗传算法(Genetic Algorithm, GA)和贝叶斯正则化算法(Bayesian Regularization, BR)组合优化传统BP神经网络的预测模型,在优化预测模型中加入了影响深基坑安全稳定的客观因素及人为主观因素,进一步提高了BP神经网络全局优化能力以及泛化能力.研究结果表明：该组合优化方法对深基坑地表沉降和水平位移变形预测的平均相对误差分别为0.32%和0.59%,表现出较高的预测精度.该组合优化模型首次在深基坑变形领域验证了应用的可行性,为深基坑变形预测提供了新的思路和方法.     

基于模型函数与L-曲线的正则化参数选取方法

基于模型函数方法与修正的L-曲线准则,给出了选取正则化参数的1种迭代算法。在一定条件下,证明了所提出的选取正则化参数的算法是局部收敛的,通过数值算例验证了该方法的局部有效性。     

遗传算法优化BP神经网络的异丙酚血药浓度预测

针对静脉麻醉异丙酚时变性强,房室结构复杂的特性,经典的非线性混合效应模型参数估计法存在变量繁多,人为因素多等弊端,而BP神经网络又存在极易陷入局部极值,网络训练不稳定致使预测误差大。利用遗传算法优化BP神经网络的权值和阈值,调整神经网络中异丙酚血药浓度和时间、病人年龄、体重、身高、体表面积、采样时间、总剂量、注射率的关系,然后建立异丙酚血药浓度预测模型,并与NONMEM方法、BP神经网络进行比较。比较结果,GA-BP网络的平均误差为1.2%,BP网络的平均误差为29.59%,NONMEM为14.61%,GA-BP网络的绝对平均误差15.76%,BP网络的绝对平均误差31.9%,NONMEM为22.99%。实验结果表明:GA-BP网络对于半衰期较短的麻醉药物异丙酚药物具有较好的非线性拟合能力和更高的预测准确性。     

一种可用于城市人居环境质量评价的基于神经网络的遗传算法

试图在已有研究的基础上,综合考虑城市人居环境的内涵,在国内首次将遗传算法全局寻优和BP 神经网络局部寻优相结合的改进神经网络模型应用在人居环境评价中,并对中国35个主要城市人居环境质量进行定量判定,揭示城市人居环境现状及各城市在国内人居环境中的相对水平.结果表明该模型取得了令人满意的结果,是一种有效的评价方法.     

一种基于模型逼近度的变步长BP算法

从步长选择的角度出发，提出了一个基于模型逼近度的变步长ＢＰ神经网络学习算法。数值结果表明该算法具有良好的收敛速度。     

改进的神经网络算法在瓦斯涌出量预测中的应用

针对传统神经网络存在的收敛速度慢、容易陷入局部最小等缺陷,采用改良的BP算法———双权值迭代优化法,提高神经网络传统BP算法的训练速度。以三层神经网络为例,对权值进行优化。实验对比表明：双权值迭代优化法应用于瓦斯涌出量的预测,比一般BP网络有更高的预测精度和程序运行速度。     

基于遗传算法径向基神经网络的交通流预测

为提高径向基（RBF）神经网络预测模型对交通流预测的准确性,提出了一种基于遗传算法优化径向基神经网络的交通流预测方法。利用遗传算法优化径向基神经网络的权值和阈值,然后训练RBF神经网络预测模型以求得最优解,并将该预测方法与RBF神经网络和BP神经网络的预测结果进行对比。仿真结果表明,该方法对交通流具有较好的非线性拟合能力,预测精度高于径向基神经网络和BP神经网络。     

BP网络激励函数的研究

研究BP算法中激励函数f对收敛速度的影响 ,并将其用于传感器静态误差的综合修正 ,实验证明取得了较好的效果 ,得出了陡峭函数收敛快的结论     

基于遗传算法的神经网络学习算法研究

为了克服神经网络结构和参数设计的随机性及依赖于人的经验的缺点,提出了一种改进的基于遗传算法的BP神经网络学习算法。该算法结合了神经网络的快速并行性和遗传算法的全局搜索性,首先利用遗传算法对神经网络结构、初始连接权和阈值以及学习率和动量因子进行全面进化设计,在解空间中定位出较好的搜索空间,然后在进化神经网络中用训练样本再次寻优。通过利用该算法对XOR问题求解,证明了该算法的有效性,其收敛速度和精度均优于基本BP算法和附加动量项的BP算法。     

基于BP神经网络指纹识别的算法

通过对多种指纹分类算法的研究和分析，提出了一种基于BP神经网络对指纹模板进行分类的新算法．首先在对指纹图象进行预处理后建立起指纹模板库，然后采用时间模拟退火函数进行学习因子修正的方法来减少BP算法迭代次数，以提高收敛速度及跳出局部最小．仿真证明：该算法与传统的指纹识别算法相比，分类速度明显高于传统的固定步长的BP算法．     

基于BP算法的股票均价预测技术研究

介绍了神经网络的基本概念和组成,提出了BP算法的改进型算法及基于BP算法的均价预测模型.借助前馈神经网络对非线性函数的逼近能力,对青岛海尔股价进行连续若干天的预测.通过不同形式误差函数对预测结果的比较,证实改进后BP算法用于均价预测的可行性及准确性.     

BP神经网络用于函数逼近的最佳隐层结构

研究采用反向传播算法的人工神经网络用于函数逼近时的支结构。方法,以典型的ｎ输入、单输出的多层ＢＰ网为例,在几种不同的网络隐层结构下对典的连续函数进行逼近训练。,分析各网络输出的全局误差。