基于GA-IBP神经网络的故障诊断方法

针对BP(Back Propagation)神经网络在进行故障诊断时准确度低、收敛速度慢等问题,设计了一种基于误差指针改进的BP(Improved Back Propagation,IBP)神经网络,并通过遗传算法(Genetic Algorithm,GA)对这种改进后的神经网络进行优化,从而建立了基于GA-IBP神经网络的故障诊断模型.使用典型三相逆变电路中IGBT开路故障数据作为样本,对所设计的模型进行了仿真分析.结果表明:改进后的网络模型收敛速度优于典型BP神经网络和基于GA算法优化的典型BP神经网络,故障诊断精度分别提高15%和4.5%.     

基于广义同余神经网络的非线性系统辨识仿真

(本文把分段广义求导误差反传调整权值的原理引入广义同余神经网络,对广义同余神经网络进行改进,提出了一类新的广义同余神经网络--BPGCNN(Error Back Propagation for Generalized Congruence Neural Networks),并用于非线性动力学系统的辨识仿真.仿真结果表明,该神经网络克服了原有广义同余神经网络的不稳定性,其稳定性能可与传统BP神经网络(Back Propagation Neural Networks,BPNN)媲美,并且其辨识效果、收敛速度和泛化性能都优于传统的BPNN.     

LMBP和RBF在ECS特性曲线拟合中对比研究

为精确反映数字式涡流传感器的输入输出特性, 为其非线性补偿提供可靠依据, 对传统BP（Back Propagation）神经网络进行改进, 利用LMBP（Levenberg Marquart Back Propagation）神经网络和RBF(Radial Basis Function)神经网络对涡流传感器的输入输出特性曲线进行拟合, 并将两者拟合结果进行对比研究。仿真结果表明, 在训练样本数量相等且中小规模网络的条件下, 采用RBF神经网络比采用LMBP神经网络进行曲线拟合的误差更小、 收敛速度更快且具有更高的拟合精度, 为工程实际中一维数据的拟合方法选择提供了依据。     

AdaBoost集成神经网络在冲击地压预报中的应用

为提高单一BP神经网络预测精度,利用AdaBoost.R2集成学习算法,将单一BP(Back\|Propagation)神经网络集成,并针对AdaBoost.R2集成BP网络的特点,提出了一种新的模型更新方法,在有效地实现模型更新的同时克服了传统更新方法的不足。将该新方法应用到抚顺老虎台矿冲击地压预报中,对冲击地压发生的主要因素进行了分析并将其作为模型的输入,使用AdaBoostR2集成BP网络作为核心智能算法,建立了冲击地压预报模型,取得了较好的预测效果。     

基于灰色-反向传播神经网络的江西省公路货运量预测

鉴于反向传播（Back Propagation,BP）神经网络算法收敛速度慢、局部极小化、结构选择不一的问题,提出结合灰色关联度分析的BP神经网络方法进行公路货运量预测,提高了模型的非线性学习和泛化能力及预测精度。该预测模型以江西省为例,首先利用灰色关联度分析确定预测目标的影响因子;然后,将关联度强的第一产业、第二产业和人均GDP作为公路货运预测模型的自变量,公路货运量和自变量作为训练样本,BP神经网络模型通过正向计算传播,误差反向传播,训练神经网络;最后,该方法应用于江西省公路货运量实际预测中进行有效性验证,结果表明该方法非线性拟合效果较好,具有较高的预测精度。     

中长期径流预报中PCA-IBP模型的改进算法研究

径流预报的信息有很大的相关性,这是必须在预报工作中避免的,同时,这些信息的维度较高,且以往处理这些信息的数学模型计算复杂度较高.针对以上问题提出了一种混合主成分分析方法(PCA,Principal Component Analysis)和改进BP(Improved Back Propagation)神经网络模型的中长期径流预报模型(PCA-IBP),此种方法可以很好地避免以上不足,可以进一步提高模型计算效率.实际数据验证表明,提出模型预报的精准程度以及效率都较传统的BP神经网络预报模型有所改善.     

神经网络在输电线覆冰增长因素中的应用

在分析影响输电线覆冰增长因素的基础上,利用数据挖掘中的BP (Back Propagation)神经网络方法,建立导线覆冰增长的BP神经网络模型.利用此模型研究不同因素对输电线覆冰增长的影响,将采集的数据样本训练BP神经网络,利用收敛的网络进行输电导线覆冰增长的预测,研究结果对输电线路的覆冰预防具有较好的参考价值.     

基于小波包分析与BP神经网络的氧化铝熟料检测

利用小波包分析与BP(Back Propagation)神经网络相结合的算法,对氧化铝熟料检测的应用进行了研究.通过采集回转窑中氧化铝熟料下落碰撞窑壁产生的声音信号,利用小波包分析提取特征向量,根据氧化铝的烧结状况与声音信号特征向量的对应关系,提出建立BP神经网络模型.利用MATLAB对测试样本进行验证,结果表明BP神经网络模型在氧化铝熟料检测中具有可行性,而且具备一定的准确率.     

基于粒子群改进BP神经网络的组合预测模型及其应用

针对应用广泛的传统人工智能预测BP(Back propagation)神经网络自身局限以及其在处理中长期复杂预测问题中需要样本数量大、泛化能力弱等不足,提出利用粒子群算法优化BP神经网络的学习算法,在此基础上,利用灰色预测方法和自回归移动平均模型(ARIMA)时序预测对历史数据进行初步预测,对中长期预测中数据趋势项和随机项进行模拟;将初步预测的结果作为改进BP神经网络的输入,在此基础上进行训练和预测,构建基于改进BP网络的组合预测模型.以我国1978-2007年能源需求数据为样本,进行实例分析.结果表明:组合预测模型预测精度较BP神经网络、灰色预测方法和ARIMA预测方法分别提高4.8%,6.1%和5.3%,验证了组合预测方法在中长期预测问题处理中的有效性.     

基于反向传播神经网络的入侵检测算法

讨论了多层神经网络算法缺陷,提出了一种基于改进反向传播(Back Propagation,BP)的快速入侵检测算法--IBP算法:在BP算法中的梯度下降算式中,加入一个动量项α[ω(t)-ω(t-1)],改善计算神经元 j到神经元i的级联权值;采用学习速率可变的策略;算法训练网络时采用批处理的样本输入方式.改进后的算法选取较大的学习速率η=0.5和η=0.65,并采用3层神经网络的结构,输入、输出样本是16维和15维,各进行100次独立仿真实验,结果证明可加快算法收敛速度,另外,仿真实验还证明:改进后的算法对初始权值的敏感性、网络所表现出的稳定性等都比传统算法性能优越.     

一种新的快速BP神经网络算法--QLMBP

对反向传播（BP）算法中收敛速度最快的改进版本Levenberg-Marquardt BP（LMBP）进行了研究，找出了收敛速度的瓶颈：迭代控制参数的初始化会严重地影响到算法的选代次数；涉及的矩阵求逆是每次迭代中最耗时的计算；如果每次迭代中的误差平方和没有变小，该次迭代可能需要很长时间．本文通过上下三角（LU）分解去除耗时的矩阵求逆，并采取一维搜索来加速目标函数值的下降，使得LMBP不再依赖于迭代控制参数，从而提出了一种快速神经网络算法QLMBP．QLMBP算法的收敛速度比LMBP算法快100倍左右．     

切削过程的位置误差补偿控制研究

本文作者运用经典控制论对切削过程的位置误差补偿控制进行了研究．接着，作者对神经网络理论中的标准反向传播算法BP作了改进并提出了IBP算法．基于IBP法，作者构造了一个用于切削过程位置误差补偿控制的多层前馈神经网络控制器，并作了仿真控制试验．研究结果表明：IBP法较标准BP法具有更快的迭代速度和收敛性质；所建的智能控制器虽然结构简单，但在误差补偿控制方面跟经典控制法相似具有一定的控制效果．     

Levenberg-Marquardt神经网络在煤矿作业人员人因可靠性评价中应用研究

依据人因可靠性原理、事故致因理论,结合煤矿生产系统的特点,提出了观测可靠度的概念,确立了一系列便于统计和赋值的人因可靠性评价指标.针对人因失误事件过程的动态性、复杂性以及数据的不完整性,利用BP神经网络对非线性动态系统的自学习性和自适应性的特点,建立了基于BP神经网络的煤矿作业人员人因可靠性评价模型.运用Levenberg-Marquardt算法改进的BP神经网络,克服了收敛速度慢,容易陷入局部极小点的缺点,提高了预测精度和稳定性.对于岗位工龄短或有效记录不足的煤矿作业人员,采用BP神经网络模型进行了人因可靠性评价.评价结果表明,基于BP神经网络的煤矿作业人员人因可靠性评价方法具有较好的适用性和可行性.     

基于改进灰色关联分析的BA-BP短期负荷预测

针对短期电力负荷随机性强、预测精度低等问题,提出了基于模糊灰色聚类与蝙蝠优化神经网络的短期负荷预测模型。采用模糊聚类方法选择相似日粗集,然后用改进的灰色关联分析法选取相似日;为了克服传统BP算法易陷入局部极值和收敛速度慢等问题,利用相似日集中的样本训练蝙蝠优化的BP神经网络预测模型。以某地区的历史数据为实际算例,将文中所提算法与普通的BP神经网络、传统灰色关联与蝙蝠优化的BP神经网络预测结果相比,结果表明所提方法有很高预测精度和稳定性,在实际中有一定应用价值。     

基于BP神经网络的改进算法研究

文章介绍了传统的BP算法,分析了它的不足之处,详细研究了BP算法的各种改进方法和措施,并通过实例,运用Matlab语言对部分改进算法进行了比较研究。实验结果表明,Levenberg-Marquardt自适应调整算法性能优于其它结合算法,可为其它工程提供参考。     

基于混合粒子群算法的沥青转运车螺旋搅料器模型及仿真

 为解决沥青转运车螺旋搅料器搅拌特性建模困难的问题,运用人工智能理论建立了以螺距、叶片半径为输入,沥青混合料的离析率为输出的神经网络模型。为克服BP算法与粒子群算法（PSO）的缺陷,将L-M算法与PSO算法相融合的混合粒子群算法PSOLM应用于该神经网络模型的学习算法中。为避免PSOLM算法在全局最优值附近的搜索过程变慢,采用一种从PSO搜索到L-M搜索的启发式算法。仿真试验结果表明,与BP算法、PSOBP算法相比,该算法不仅对螺旋搅料器模型的精度和建模的效率有显著的提高,而且改善了PSO算法的全局寻优能力,提高了算法的收敛速度和计算精度,避免了PSO算法早熟现象的出现,为螺旋搅料器搅拌特性的建模提供一条新的有效解决途径。     

基于AHP-BP算法的供应链合作伙伴选择建模及其应用

将AHP法与改进的BP神经网络相结合建立了供应链合作伙伴选择模型,并使用L-M算法对神经网络权值进行训练,实现了对供应商的多标准评价;所用的评价指标体系选取全面,适用于多种类型的供应链合作伙伴选择。用实例对模型进行了验证,并取得了较好的评价效果。该模型应用简单,且减少了供应链合作伙伴选择过程中人为因素的影响,具有一定的实用价值。     

LMBP神经网络PID控制器在暖通空调系统中的应用研究

针对BP神经网络学习过程收敛速度慢及易陷入局部极小值的缺陷,研究了levenberg-marquart算法(即LM算法).为解决LM算法中学习速率的选择和逆矩阵的求解这两个严重影响训练时间和收敛精度的问题,采用LU分解法对LM算法进行改进和优化,并通过MATLAB语言编程实现,将得到的LMBP神经网络PID控制器应用于暖通空调冷冻水循环的控制回路中,将其控制效果与PID控制算法、BP神经网络PID控制算法进行仿真对比研究.研究结果表明,采用LMBP神经网络PID控制器在减少超调量、加快收敛速度、减少稳态误差等方面的性能都得到了明显的改善.     

LM优化反向传播网络同时测定铜钴镍锌

本文应用人工神经网络原理,采用Levenberg-MarquardtBP算法,对于吸收光谱严重重叠的PAR-Cu、Co、Ni、Zn四组分显色体系同时进行含量测定。Cu、Co、Ni、Zn的平均回收率分别为100%、99%、101%、99%。实验表明,与普通BP网络、改进型BP网络和径向基网络相比,该算法具有训练速度快、预测结果准确度高等特点,和光度法结合有望成为多组分分析的有效方法之一。     

基于神经网络的交通参数预测方法

为能够迅速准确地采取相应措施处理交通拥堵问题,改善行车安全,进而提高路网效率,研究了基于神经网络的交通参数预测方法,预测了交通流量、速度和占有率.在分析常用BP(Back Propagation)神经网络算法的基础上,研究误差平方和最小化的L-M(Levenberg-Marquart)算法.相对于常规预测方法,基于神经网络的交通参数的预测方法对于随机的参数变化具有更好的适应性,能及时跟随交通参数的变化,所以精确度更高,适应性更好.仿真结果显示,L-M算法的训练速度相比于常规BP算法要快几十倍,预测交通流量、速度和占有率等参数的效果优于常用的指数平滑算法,因此基于神经网络的交通参数预测方法可以应用于交通领域.