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。     

一种基于进化BP神经网络的文本分类算法

提出并实现了一种结合BP神经网络和遗传算法的文本分类算法,根据遗传算法能够快速优化网络权重以及摆脱BP算法局部极点困扰的能力,提出一种改进的遗传算法确定网络拓扑结构和训练网络的方法.最后对设计的分类器进行了开放性测试,实验结果表明该分类器显著地提高了文本分类的查全率和查准率.     

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次数,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。     

用于不平衡模式分类的BP算法的改进

ＢＰ网络用于模式分类时，若要求分类的模式集不平衡，则其学习的收敛速度极其缓慢，本提出了一种改进其收敛速度的算法。     

基于BP神经网络的多源遥感影像分类

在研究人工神经网络理论的基础上,应用动量法和学习率自适应调整的策略,改进了BP神经网络法。并用于对同一地区的Landsat TM3,4,5影像和航空SAR影像融合进行分类和分类融合结果进行了比较。结果表明：同标准的BP神经网络、传统的Bayes融合分类法相比,改进的BP神经网络融合法不仅获得了标准BP网络高的分类精度,可同Bayes融合媲美,而且提高了学习率,增强了算法的可靠性,因而提高了影像分类速度,更适用于遥感影像分类。     

一种优化 BP 神经网络训练样本的方法

BP神经网络训练样本的选取对网络的泛化能力有较大的影响,特别,怎样从高维大样本数据中选取合适训练样本是一个难点。本文运用因子分析法对大样本数据进行预处理,再利用分析所得的公因子进行聚类分析,这样既可以降低指标的维数,也可以减少样本的数量。实验证明,该方法简化了网络结构、加快了网络的收敛速度,对提高网络的泛化能力有一定的帮助。     

BP神经网络算法的研究

给出了BP神经网络的原理、结构、模型、算法及特性,提出了BP算法中值得改进的几个方面.     

利用众数滤波对监督分类训练样本纯化的研究

分析了当遥感分类类别存在光谱特征重叠时。以训练区数据估计类别总体特征发生偏差的原因和性质，提出运用众数滤波(Majority滤波)对训练B-进行纯化。一个例子的研究表明，尤其在提取某一类或少数几类专题信息时，如果不关心其余专题信息的提取精度，Majority滤波是一种较好训练区纯化方式。     

关于神经网络和遗传算法的研究进展

简要回顾了南京邮电学院几年来在神经网络、Ｈｏｐｆｉｅｌｄ模型神经网络、细胞神经网络模型和遗传算法等方面的研究工作所取得的进展。     

神经网络反传模型的理论与应用研究体会

神经网络及神经计算的新理论，模型，方法及应用受重视，并用于解决某些诸如模式识别，组合优化，语言理解等复杂问题，得到系列可喜的理论成查与实际应用。我们业已将神经网络反传模型应用于多元校正，有机合成，模式识别，构效关系及分子设计等方面。     

前馈神经网络的二阶学习算法

前馈神经网络是神经网络中应用最广的一种。但由于神经网络采用Ｂ－Ｐ算法，收敛速度慢。在分析了神经网络算法原理的基础上，提出了一种基于变质量法的优化训练算法。仿真证明，这种算法能够大大提高神经网络的收敛速度。     

基于复合神经网络的网络业务分类算法

针对目前计算机网络业务流管理问题,提出了一种基于复合神经网络的网络业务分类方案．将复合神经网络用于网络业务源特征提取与分类的研究中,打包法和BP算法结合用于复合神经网络的训练．并分析比较与单个神经网络和模糊神经网络算法用于网络业务分类效果．计算机仿真结果表明,复合神经网络分类收敛快、误差小,比单个神经网络算法和模糊神经网络算法更优越；同时,研究结果为解决网络业务源特征提取与分类提供了一种有效的途径．     

前向多层感知器网络的逐层学习算法

提出一种改进的前向多层网络逐层学习算法,隐层神经元的输出函数由具体系统的样本输出值确定,先让前面的隐层及输入层的权值确定不变,然后对当前层的权值进行,前一隐层输出值地误差进行估计以得到新的输出值,将其作为临时教师信号用来训练前一层的权值,把每一层权值的改变量和输出值误差的估计转变为最小二乘问题,逐层处理,直到输入层,数字仿真和具体应用的结果表明了算法的有效性。     

一种用于RBF神经网络的支持向量机与BP的混合学习算法

基于支持向量机与径向基(RBF)神经网络在结构上的相似性,提出了一种用于RBF网络的支持向量机与BP的混合学习算法．算法分为2步：首先采用序贯最小优化算法学习训练支持向量机,得到RBF网络较优的初始结构和参数;随后由BP算法调整优化RBF网络参数．混合学习算法结合了支持向量机小样本学习、学习训练快捷以及BP算法在线修改网络参数的特点．仿真研究表明,混合学习算法学习效率高,网络性能优良,应用于函数逼近时效果优良．     

一种基于人工神经网络的无线传感器网络定位算法

提出了一种基于人工神经网络(ANN)的无线传感器网络定位方法,RSSI的结果被用来作为人工神经网络的输入,采用遗传算法优化人工神经网络的结构.采用MATLAB进行仿真,模拟20 m×20 m室内静态网络环境下的8个已知位置节点.实验结果表明,该方法比传统方法的定位精度高、适应性强,效果较好.     

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     

人工神经网络及其在电力短期负荷预测中的应用研究

电力系统负荷预测的精度将直接影响电力系统的经济效益和用电的安全和稳定.通过讨论短期负荷预测,来阐述Levenberg-Marquardt算法优于传统BP算法.并分别用BP算法和Levenberg-Marquardt算法对绥龙110 kV变电局所属供电网络远动采集来的负荷数据进行预测,来说明Levenberg-Marquardt算法优于传统BP算法.