单参数快速搜索BP算法的研究与应用

提出了一种基于单参数坐标轮换法的改进BP算法.与其他算法相比,它不仅寻优方向性强,目标函数计算量小,而且使BP网络的收敛速度明显提高.仿真应用表明,该算法具有很好的鲁棒性.     

基于改进粒子群算法优化策略的核极限学习机方法研究

本研究通过对核极限学习机的原理进行分析,确定优化参数,分析粒子群算法的基本原理,并对多种改进的粒子群算法进行研究,通过基准测试函数对6种算法的优劣进行分析。笔者选取综合学习粒子群算法为优化核极限学习机的基本框架,并将线性递减惯性权重和综合学习粒子群算法进行结合,用于改进粒子群算法易陷入局部最优的问题,从而实现对核极限学习机的参数优化。     

基于蚁群神经网络的电控发动机故障诊断研究

针对电控发动机故障的复杂性,以及传统的专家系统在知识获取等方面的缺点,采用BP神经网络作为故障诊断模型的核心,并将蚁群算法融入到BP网络的训练过程中进行优化,得到了满意结果.通过对该故障诊断模型的验证,表明采用蚁群算法改进后的BP神经网络能够对汽车电控发动机的故障进行有效和准确的诊断.     

一种改进的手写数学公式符号识别算法

针对手写数学公式符号的特殊性提出一种改进的公式符号识别算法.利用外接矩形技术来切分公式符号,利用改进的BP神经网络算法进行手写数学公式符号识别.实验证明,改进后的公式符号识别算法提高收敛速度和识别的效率.     

一种用于地应力分析的改进型BP神经网络方法

地应力测量及分析研究,对地应力活动方式、构造体系的研究以及岩土工程与结构的设计和稳定性,都具有重大的理论意义和实用价值.BP神经网络算法比较成熟,已被广泛应用,但一般BP神经网络算法存在训练学习速度较慢、样本泛化能力差的问题,通过引入动态学习因子和惯性因子以及模拟辅助样本,对神经网络进行了改进.通过调节动态学习因子和惯性因子以及对样本集数据处理等手段,对样本的学习、训练进行优化处理,通过实例验证,将优化好的网络样本训练结果与一般结果进行比较,结果表明对三层BP神经网络进行的优化,在提高计算精度的同时也提高了网络的收敛速率,证明改进的算法能够很好用于地应力分析.     

神经网络理论在FCS安全性评价中的应用研究

将神经网络理论应用于评价FCS的安全性,在标准BP网络原理基础上,提出BP网络的一种改进算法:即采用带非线性动量项自适应变步长的BP算法(NASBP),并提出一种用神经网络理论评价FCS安全性的实现方法.通过仿真验证该方法的可行性和有效性.     

自底向上加快神经网络学习的算法

介绍了一种加快神经网络学习的改进算法.这种改进算法结合采用快速自底向上构造神经网络算法和动态优化学习参数算法.首先,快速自底向上构造神经网络算法自动地构建神经网络的优化结构;随后,动态优化学习参数算法动态地调整和选取优化的学习参数.实验结果显示,这种改进算法能自动有效地构造网络的优化结构,与其它算法相比,具有更好的分类性能、优化的网络结构和更快的学习速度.     

基于改进粒子群优化算法的PID控制器参数优化

PID参数优化是控制领域的热点,其控制效果与比例、积分、微分参数有直接关系.为了改善系统性能,提出用一种改进的粒子群优化算法对PID控制器参数进行优化.该算法引入进化速度因子和聚集度因子对权值进行改进,进而改进了速度更新公式,并引入飞行时间因子以改进位置更新公式.通过3种典型函数证明了该算法的优越性,加快了收敛速度,提高了寻优效率.以典型二阶被控模型为研究对象,将上述算法与其他粒子群算法进行对比,表明改进的粒子群算法得到的PID参数具有更好的控制性能.     

一种基于附加动量法的改进BP算法

本文研究了基本BP算法的工作原理,分析了导致基本BP算法学习效率低的原因,提出了基于附加动量法的改进BP算法。经过理论分析和实验验证,在基本BP算法中加入附加动量的方法,可以加快BP神经网络的学习速度,提高BP神经网络的学习效率。     

基于神经网络的证券预测技术研究

本文借助神经网络对非线性函数的逼近能力，提出了BP算法的改进型算法及基于BP算法的指数预测模型，通过对比传统预测算法，证实改进后BP算法用于指数预测的可行性及准确性．     

一种改进的反向传播神经网络算法

在标准反向传播神经网络算法的基础上,提出了一种改进的反向传播神经网络算法.通过对每个处理单元增加3个参数来增强作用函数,且3个参数与连接权一样,在学习过程中进行实时更新.此算法提高了学习速度,且减少了进入局部最小点的可能性.通过XOR问题的仿真证明了改进算法的有效性.     

应用改进BP网络进行铁路客运量预测研究

针对传统铁路客运量预测方法的不足,提出运用改进BP神经网络结合四阶段法进行客运量预测,给出了预测算法,建立了铁路客运量神经网络预测模型,并对敦煌铁路客运量进行预测,设计网络参数,进行网络学习和训练,最终得到较为精确的2010年及2015年敦煌铁路客运量,为该线路今后的运营管理提供决策参考．     

神经网络的结构学习算法研究

针对前馈神经网络结构设计困难,传统ＢＰ算法易陷入局部极小、收敛速度慢、对初始权选取敏感等缺陷,通过修改误差函数,提出了一种融结构自适应选择和参数学习于一体的针对一般神经元激活函数的新算法,实验结果表明其高效性．     

框架结构主动控制的综合设计研究

为减少框架结构振动主动控制所需控制能量,把结构设计与控制器设计相结合进行综合考虑,在保证框架结构基本性能和控制效果的前提下重新修改原结构以达到降低控制能量的目的.并把系统的稳定性、可控性等方面的因素作为约束条件,随机选择一组结构尺寸和材料常数通过系统降阶、控制率设计进而求得系统的控制能量,借助于改进的遗传算法进行随机寻优达到降低控制能量的目的.最后给出计算实例来表明此方法的有效性.     

基于AdaBoost.M2-NN的变压器故障诊断

组合分类器的经典算法AdaBoost即自适应Boosting算法是提高预测学习系统预测能力的有效工具.针对传统BP（Back Propagation,BP）神经网络在变压器故障诊断时存在不稳定和网络易陷于极小值等缺点,将AdaBoost扩展算法AdaBoost.M2与BP神经网络结合,形成基于Ada-Boost.M2-NN（AdaBoost.M2Neural Network）的变压器故障诊断模型.利用AdaBoost的集成提升作用,在一定程度上弥补了BP算法的不足.仿真结果表明：该模型不仅能将单个BP神经网络无法识别的样本类别识别出来,而且还能整体上相比BP神经网络和传统三比值法将识别率提高11.5%,说明其具有可行性.     

半刚接钢框架柱计算长度系数

根据钢框架稳定设计中柱计算长度的概念,采用螺旋弹簧模拟梁柱连接半刚性,通过引入半刚性连接刚度修正系数,导出了有侧移半刚接钢框架柱计算长度系数的修正公式．在ANSYS模拟中考虑了半刚性节点非线性转动,对半刚接钢框架屈曲载荷进行了数值计算,并回归出半刚接框架柱计算长度系数的简化公式,以供工程设计参考．     

基于遗传算法的智能框架结构作动器最优配置

在模态可控度及最小费用函数的基础上,针对目前因使用组合优化来布置作动器所带来的困难,采用遗传算法来确定振动主动控制中作动器的最优配置.为适于框架结构的具体计算,对常规遗传算法约束条件的引入进行了改进,最后给出了计算实例.算例表明这一方法是有效的.     

端板连接的半刚性对钢框架性能的影响

采用有限元软件ANSYS对一两跨6层的钢框架模型分别进行静力、特征值屈曲和模态分析,研究端板半刚性连接钢框架在外荷载作用下的性能,通过与相应的刚性连接钢框架比较,得出端板连接的半刚性对结构内力、位移、稳定性和周期产生的影响,并为使结构设计更合理和结构真实状态更相符而提供了理论依据.     

BP人工神经网络与遗传算法在型材挤压模具参数优化中的应用

基于MATLAB平台,将BP人工神经网络与遗传算法应用于型材挤压模具参数优化设计.首先利用BP神经网络来训练已有实验值,然后将训练后的神经网络作为知识源,通过曲线拟合与逼近求得设计变量与目标函数值的函数关系表达式,最后将这一函数表达式作为遗传算法的适应度函数进行遗传迭代寻找最优解.采用曲线拟合方法将其知识源转化成为了具体的函数表达式,直观地体现了神经网络的知识源,为后继的遗传算法提供了明确的适应度函数.数值模拟分析表明,对挤压模具结构的优化是合理的.