改进 BP 反传算法在智能控制系统中的应用

在一般的基于神经网络的智能ＰＩＤ控制基础上，针对受控模型参数、系统设定值以及扰动幅值在大范围内变化的情况，探讨并建立了ＢＰ反传算法学习速率与受控模型参数、系统设定值以及扰动幅值的关系，神经网络控制器可在线调整学习速率，使控制系统具有较强的适应能力和较好的调节品质．     

基于BP神经网络的智能控制器

研究一种新型的智能控制器,该控制器能通过自学习不断进行适应性控制,以保证系统的输出符合实际应用的要求,其主要特点是提供一个跟踪网络来近似确定控制参数,进而进行神经网络控制,仿真结果表明该方法有较好的效果．     

改进的BP神经网络PID控制器在气体浓度控制中的研究

针对动物缺氧实验中气体浓度控制这一时变非线性的过程,将BP神经网络与传统PID控制相结合虽然可以取得较好的控制效果,但是也存在着网络收敛速度慢、稳定性较差等问题.基于此,提出了一种基于改进的遗传算法优化的BP神经网络PID控制器.首先,该控制器对遗传算法的收敛速度和稳定性进行改进,利用改进后的遗传算法优化BP神经网络的权重初始值;然后,用优化后的BP神经网络实现PID控制参数的在线调整;最后,在MATLAB中对两种控制器进行仿真实验,结果显示,与传统的BP神经网络PID控制器相比,改进后的BP神经网络PID控制器具有更好的控制性能.     

BP神经网络算法的改进及应用

BP神经网络算法可操作性强,是神经网络训练采用最多的算法之一。但该算法网络的收敛速度慢,在网络的训练中,容易出现局部变化较大。为了改进误差平面容易形成局部最小、收敛速度慢的不足,在用自适应学习速率方法基础上本文研究出一种改进的BP算法,提高了BP神经网络的适应性,增强了PLC和单片机的控制能力。     

BP神经网络训练算法的改进

BP神经网络被广泛应用于分类模式识别、图像处理和系统控制等领域。 人们对BP网络算法进行了许多的研究,但尚有其不足之处,为完成其权的训练,问题的关键在于如何避免陷入局部极小及在此前提下如何提高学习速度。为此,就如何选取学习率η和动量矩α提出了改进方案,并应用于数字识别,得到了较为满意的结果。     

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。     

BP算法应用于智能传感器的数据处理

利用BP算法具有的非线性映射能力对传感器标定数据进行输入－输出特性的反非线性逼近，将其作为智能传感器系统的非线性校正软件，使传感器在该软件的支持下提高测量精度。用传感器实验数据通过训练的网络，测量相对误差由原来的6．66％下降至0．98％。     

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。     

改进BP算法在入侵检测技术中的应用

针对传统BP算法收敛速度慢且容易陷入局部极小的缺点,提出了一种基于Cauchy鲁棒误差估计标准方法的改进BP算法.传统BP算法之所以收敛速度慢及容易陷入局部极小,主要原因在于采用的误差估计标准过度重视了样本的异常值,而Cauchy鲁棒统计误差估计能够减少样本异常值的影响,在一定程度上摆脱对初始权值和阈值的依赖性,进而提高算法训练样本的速度和入侵检测的精度.将改进后的BP算法用于入侵检测中以解决入侵检测系统要求较高的实时性难题.仿真实验取得了较好的效果.     

BP神经网络训练算法的改进

BP神经网络被广泛应用于分类模式识别、图像处理和系统控制等领域人们对BP网络算法进行了许多的研究,但尚有其不足之处为完成其权的训练,问题的关键在于如何避免陷入局部极小及在此前题下如何提高学习速度为此,就如何选取学习率η和动量矩α提出了改进方案,并应用于数字识别,得到了较为满意的结果     

多层神经网络BP算法的改进

多层神经网络ＢＰ算法的改进姚瑞波孙国雄汤崇熙（东南大学机械工程系，南京２１００１８）目前，前馈型多层神经网络模型已广泛应用于模式识别、语音识别、数据压缩等领域．ＢＰ算法作为其学习方式有效地解决了ＸＯＲ、Ｔ－Ｃ匹配问题，但ＢＰ网络的学习过程是对一个高...     

混合遗传BP算法在图象识别中的应用

介绍了传统的遗传算法与BP算法,分析了它们各自的不足. 提出了一种将BP算法与遗传算法有机结合的混合智能计算方法,并且给出了具体的算法实现流程.将该方法应用于数字图象识别, 实验表明混合算法优于传统BP算法.     

基于改进BP算法的电力系统谐波分析

在选取BP神经网络对谐波进行分析时,考虑到BP网络存在的缺点和不足,对BP网络进行改进。通过把FFT和改进的BP网络结合起来,实现对谐波的实时分析。该方法先对采样信号进行FFT运算实现预处理,得到谐波个数和谐波次数;然后根据谐波的个数来确定神经元的个数,通过谐波次数设定神经网络参数迭代的初始值;最后对改进的神经网络进行训练,可以实现谐波的精确分析。所提出的BP改进算法有效地提高了谐波分析的精度,实时性也得到了改善。     

混合遗传BP算法在图象识别中的应用

介绍了传统的遗传算法与BP算法,分析了它们各自的不足,提出了一种将BP算法与遗传算法有机结合的混合智能计算方法,并且给出了具体的算法实现流程。将该方法应用于数字图象识别,经过实验表明混合算法优于传统BP算法。     

基于二参数的BP神经网络算法改进与应用

BP(back propagation)神经网络是一种监督神经网络学习算法,但原始算法收敛速率慢,训练过程易陷入局部极小值,精度不高。提出了一种改进的BP神经网络算法,某种程度上克服了以上缺点。对文中的改进算法用C语言编程,并利用真实数据,对大学生就业能力进行了预测,实验表明改进算法有效,为高校解决大学生就业能力提供了决策支持。     

神经网络改进BP算法的DSP实现

研究一种前向型神经网络的改进学习算法并基于TI的TMS320C5402定点数字信号处理器开发系统实现该算法的训练学习：测试结果表明：网络学习速率提高，网络的输出动态响应具有超调小、响应快和鲁棒性强的优点，为DSP在实时性控制系统中的应用奠定了一定基础。     

BP算法在磁化曲线拟合中的应用

在优化学习率ＢＰ算法的基础上,根据磁化曲线的特点,进行了一些改进与简化．提出了一种简化的快速算法,并编制了训练程序．结果表明,该算法可较大幅度地提高拟合精度,而且节省较多的计算时间．     

BP算法的改进

针对多层神经网络中由于隐含层神经元饱和而引起的局部极小值问题,提出一种改进的BP算法.每一种训练模式在隐含层的神经元都采用各自的传递函数,该改进算法的思想是当网络输出没有取得期望的结果时,修改传递函数以防止隐含层神经元饱和,这种改进的算法既不用改变网络的拓扑结构,也不会消耗更多的计算时间.     

一种改进的BP算法在消费水平中的应用

通过对标准BP算法的改进,提出了一种L-M贝叶斯正则化优化算法,并把它应用到成都市居民消费水平预测中.经试验验证,L-M贝叶斯正则化的BP神经网络比相同条件下另外两种改进算法有更强的泛化能力,对居民消费水平有很好的预测效果.     

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。