LM算法在神经网络语音识别中的应用

输入语音信号中声音的特征提取和分类识别可以通过多层前馈神经网络大量学习实现,但基于误差反向传播的前馈神经网络(BP神经网络)标准算法收敛速度慢,在训练中效率不高。采用一种快速稳定的Levenberg-Marquardt算法进行语音识别,通过对语音信号的预处理、特征提取和网络结果优化,建立了网络训练样本集,用MATLAB进行了仿真,仿真结果表明,该算法优于传统的BP算法,具有更好的收敛性。     

基于BP神经网络的环境质量评估

利用人工神经网络对地区综合环境质量进行了评价,提出了基于BP人工神经网络、以Matlab为平台的算法程序的人工神经网络环境质量分类模型．并以某地区环境监测数据值为样本,进行了环境质量评价分析．研究结果表明,BP神经网络应用于环境质量评价无需构建复杂的参数方程,且具有基于知识学习的特性,结构简单实用,具有客观性和通用性．     

BP神经网络的LM算法及其对颗粒碰撞振动阻尼的预测

介绍了一种BP神经网络的改进Levenberg Marquardt(LM)算法原理,用这种方法对颗粒碰撞振动系统的阻尼进行了训练和仿真,并将此改进算法与传统算法进行比较.结果表明,该算法稳定、快捷,预测准确,适合应用于对实时性要求比较高的场合,且预测得到的模型与相关文献中的结果一致.     

非线性同伦LM算法及在软测量建模中的应用

综合同伦方法与Levenberg-Marquardt(LM)优化方法,提出了一种新型非线性同伦LM神经网络学习算法以改善现有神经网络学习算法的学习效率,分析了不同类型的过渡函数对神经网络泛化性能的影响.该算法具有稳定性强、收敛性能好的特点.结合工业过程实际要求,将提出的改进算法用于丙烯腈收率神经网络软测量建模并与几种常见建模方法比较,结果表明:基于改进算法的软测量模型具有更高的测量精度和更好的泛化性能,满足现场测量要求.     

神经网络LM算法在X射线探测器中的应用

介绍了1种探测X射线分布和剂量的方法.采用BP神经网络拟合图像灰度值与照射量率的关系曲线,实现了探测器的标定.分析了直接用CMOS图像传感器探测X射线的原理.探讨了神经网络参数选取的方法.利用LM算法优化BP神经网络,得到较为精确的拟合曲线和误差曲线,并且用测试数据验证该系统的误差性能指标.实验证明该算法能够较为精确的测量辐射的剂量信息,可应用于X射线探测器的标定.     

基于遗传神经网络的环境质量评价

介绍了基于遗传神经网络的环境质量评价方法.这一算法克服了BP算法收敛速度慢、易陷入局部极小等缺陷,环境质量评价实例证明提高了预测精度.阐述该方法的评价结果比传统的专家评价法的评价结果更加准确,为环境质量评价提供了一种新的研究思路和分析方法.     

基于遗传神经网络的环境质量评价系统

基于遗传神经网络的环境质量评价方法是用遗传算法和BP算法相结合的混合算法来训练环境质量评价神经网络预测模型的权值,即先通过遗传学习算法进行全局训练,再用权重调整BP算法进行精确训练,这一算法克服了BP算法收敛速度慢、易陷入局部极小等缺陷,环境质量评价实例证明提高了预测精度.又将三种评价方法的评价结果进行对比,得到该方法的评价结果比传统的专家评价法的评价结果更加准确.因此该方法也为环境质量评价提供了一种新的研究思路和分析方法.     

神经网络在项目评估中的应用

项目评估在市场机遇获得、成本控制和竞争力判别等方面决定着企业的成功与否.通过对影响项目价值的属性、因素、显性指标以及它们之间关系的研究,采用模拟生物神经元基本功能的神经网络技术建立项目价值模型,改进了传统的BP算法,对样本进行监督训练的反向传播算法得到权重因子,从而确定指定项目的价值,辅助决策者进行项目评估决策.实际应用证明了算法的有效性和模型的实用性.     

基于模拟退火的Levenberg-Marquardt算法在神经网络中的应用

针对一般BP网络存在的一些缺陷,首次提出了利用基于模拟退火的Levenberg—Marquardt算法．在相同的初始条件下,用基于模拟退火的Levenberg—Marquardt算法的神经网络和Levenberg—Marquardt算法进行了比较,得出前者的特点和优点：收敛于全局最优解。一般函数逼近的实现表明,提出的算法是可行的,有效的。     

改进BP神经网络在发动机性能趋势分析和故障诊断中的应用

针对常规BP神经网络参数的经验式取值方法以及收敛速度慢,容易陷入局部最小点等缺陷,设计了一种改进的神经网络系统,利用蚁群算法优化神经网络连接权初值,并采用LM算法对人工神经网络进行训练,提高了网络的收敛速度,降低了训练误差。将其应用于某型利用ACARS报文实时获取飞机性能参数的发动机趋势分析和故障诊断中,可以快速准确地实现对发动机的性能趋势分析和复杂故障的诊断。最后通过仿真,对算法进行检验,结果表明改进算法的诊断置信度比改进前高。     

城市环境质量的BP网络综合评价

人工神经网络已广泛用于模式分类与识别等问题，而城市综合环境质量评价是多因子组合的模式判别问题．采用二级 Ｂ Ｐ 网络构造城市综合环境质量评价模型，该模型应用于四川省 １６个城市的环境质量综合评价和排序，研究结果表明， Ｂ Ｐ网络用于环境质量综合评价具有通用性、客观性和实用性．     

基于改进小波神经网络的大气质量评价模型

为了缩短人工神经网络的训练时间、减少迭代次数和提高输出结果的准确率,将小波基函数应用于人工神经网络,并用专家评分后归一化处理的方法对输入层的权值初始值进行优化,建立了优化的小波神经网络模型。将该模型对井冈山区域2012年大气监测数据进行评价,实验结果表明:经过优化的小波神经网络模型的评价精度较高。最后与将该模型与其它评价方法相比,该模型还具有计算快速、评价客观、可靠性强、效率更高的特点。     

河南登封自然生态环境质量评价

对登封自然生态环境质量现状进行模糊综合评判，结果表明该区生态环境质量不高，必须重视环境整治与保护．     

基于模糊神经网络的水质评价模型研究

将模糊系统与神经网络结合,提出了一种水质评价模型.根据水质评价过程,采用5层结构的FNN,且使用自适应学习步长以加速网络收敛速度.该模型具有推理过程清晰,泛化能力强的特点.为了验证该算法的性能,进行了仿真试验,结果表明:和常见的方法相比,该模型的评价结果更为准确.     

基于PCA-LVQ神经网络的教学质量评价模型研究

为了进一步提高教学质量评价准确率,提出一种基于主成分分析(PCA)和学习矢量量化神经网络(LVQ)相结合的教学质量评价模型.使用层次分析法(AHP)建立教学质量评价体系,再用主成分分析提取初始评价指标体系的特征信息,将经过降维处理后的特征信息输入到LVQ神经网络,并对网络模型进行训练和泛化能力测试.实验结果表明,与单一的LVQ和BP神经网络相比,PCA-LVQ网络模型的结构更为简化,学习能力更强,收敛速度更快,评价准确率更高且泛化能力强.     

人工神经网络在黄河水环境质量评价中的应用

为准确和客观地评价地表水环境质量状况,建立了黄河水环境质量评价的BP神经网络模型.仿真结果表明:改进后的BP神经网络计算速度快、评价精度高、结果客观准确,说明用BP神经网络方法评价地表水环境质量是可行的.     

Image and Video Quality Assessment Using Neural Network and SVM

An image and video quality assessment method was developed using neural network and support vector machines （SVM） with the peak signal to noise ratio （PSNR） and the structure similarity indexes used to describe image quality. The neural network was used to obtain the mapping functions between the objective quality assessment indexes and subjective quality assessment. The SVM was used to classify the images into different types which were accessed using different mapping functions. Video quality was assessed based on the quality of each frame in the video sequence with various weights to describe motion and scene changes in the video. The number of isolated points in the correlations of the image and video subjective and objective quality assessments was reduced by this method. Simulation results show that the method accurately accesses image quality. The monotonicity of the method for images is 6.94% higher than with the PSNR method, and the root mean square error is at least 35.90% higher than with the PSNR.