基于改进粒子群算法的BP神经网络优化研究

研究了基于粒子群算法的BP神经网络优化问题,将改进的粒子群优化算法用于BP神经网络的学习训练,并与传统的BP网络进行了比较.结果表明,将改进粒子群优化算法用于BP神经网络优化,不仅能更快地收敛于最优解,而且很大程度地提高了结果的精度.     

基于改进BP算法的RoboCup传球策略研究

传统的BP神经网络算法已被有效地应用于处理RoboCup中传球策略,但是存在最速下降法收敛速度慢和易陷入局部极小的缺点。提出一种改进的BP算法,增加了附加动量项的方法对BP算法进行了改进,将之应用于离线的传球学习。最后在RoboCup环境中与传统的BP算法进行了比较,结果表明该改进算法有效地提高了收敛成功率。     

一种改进的BP算法

传统的BP算法收敛速度慢，利用附加动量因子和自适应学习速率改进了传统的BP算法，它对于BP网络结构优化，提高收敛速度有明显效果.     

基于BP神经网络的压力传感器非线性校正方法

采用BP多层前馈神经网络及其改进算法对传感器特性进行补偿，有效地改善了BP传统算法收敛慢、容易收敛到局部最小点的缺陷，并编制了训练程序．结果表明，经BP改进算法处理后，传感器性能大幅度改善，网络的收敛速度更快，精度更高．     

基于PSO-EO算法优化的BP神经网络研究

PSO算法优化的BP神经网络解决了其收敛速度慢或不收敛等缺点,但PSO算法本身却存在早熟和局部收敛的问题。为此引入EO算法,用EO算法与PSO算法相结合对BP神经网络进行改进。通过实验表明:EO算法与PSO算法结合优化的BP算法具有良好的收敛性和较高的预测精度,其性能优于传统的BP算法及PSO优化的BP算法。     

共轭梯度法在BP算法中的应用及其MATLAB仿真

本文介绍了传统的BP算法,分析了它的不足之处,研究了一种加快网络收敛速度的基于共轭梯度法的改进BP算法。通过实例,运用MATLAB语言进行了仿真,结果表明改进算法的学习收敛速度大大优于标准BP算法。     

基于改进神经网络的边坡岩体弹性力学参数识别方法

基于人工神经网络的 BP算法 ,建立了根据边坡开挖后岩体位移观测数据识别岩体弹性力学参数的数值方法 .在网络训练过程中采用改进的 BP算法 ,通过对学习算子的优化搜索 ,大大提高了网络的收敛速度 ,解决了 BP算法迭代过程中目标函数振荡问题 .通过算例表明 ,提出的改进的 BP算法有助于提高岩土材料参数识别收敛速度和识别精度 .图5 ,表 3,参 15     

基于动量BP算法的过渡段路基沉降预测

利用动量BP算法改进了BP神经网络的收敛性,建立了过渡段路基沉降预测模型.该模型可克服传统BP神经网络收敛速度慢、易陷入局部最优等的缺点.结合津秦客运专线路桥过渡段路基沉降实测数据,将该优化模型与传统BP神经网络预测模型进行了对比.计算表明,利用动量BP算法改进的神经网络具有较高的预测精度,同时考虑了多个影响因素,因而具有广阔的应用前景.     

BP改进算法及其在路面裂缝检测中的应用

针对传统BP算法抗干扰能力差、学习速率慢且易陷入局部极小值等缺点,提出了一种基于变更传递函数倾斜度和动态调节不同学习速率的BP改进算法,给出了一种新的传递函数,设计了复合误差函数,同时采用了一种分层动态调整不同学习率的新方法,以加快传统BP算法的收敛速度和避免陷入局部极小值,并对路面裂缝图像进行了试验,比较了BP改进算法与传统BP算法在裂缝检测中的性能参数。试验结果表明,BP改进算法将全局均方误差减小了0.812 5,检测速度提高了30%,能够充分满足路面裂缝自动检测的实时性要求,是一种行之有效的方法。     

基于改进蚁群算法的神经网络入侵检测方法研究

提出一种改进的蚁群算法并与传统的BP神经网络相结合用于入侵检测,它既克服了BP传统神经网络的权值确定难度较大、收敛速度慢易陷入局部最小等缺陷,也通过BP神经网络的梯度信息弥补了单独使用蚁群算法所面临的不足.仿真实验结果表明,与传统方法相比,本方法步骤简化,速度及测试精度明显提高.     

无刷直流电机免疫反馈自适应学习人工神经网络控制

针对BP神经网络收敛速度较慢、学习时间较长的缺陷，提出了基于免疫反馈规则的神经网络控制器用于无刷直流电机的转速控制中．该规则根据免疫系统中的T细胞的生物免疫反馈机理而总结出来，包括决定应答速度的激活环节和决定稳定效果的抑制环节．将免疫反馈规则应用于BP神经网络训练中学习速率的自适应调节，加快了神经网络的收敛速度，缩短了学习时间．无刷直流电机控制系统采用双闭环控制，内环为电流环，外环为速度环．MATLAB仿真和实验表明，采用该方法的系统超调量小、速度响应快，而且速度响应受电机参数变化影响小，各种外界干扰也得到了很好的抑制，具有较高的控制精度和较好的动、静态性能．     

线性广义系统P型迭代学习控制在Lp范数意义下的收敛性

在对一类线性广义系统进行非奇异变换后,利用卷积的推广Young不等式,在Lebesgue-p(L~p)范数意义下,研究了一、二阶P型迭代学习控制算法的收敛条件,并对两种算法的收敛速度进行了比较。理论分析表明,控制算法的收敛条件、收敛速度与学习增益矩阵、系统本身属性有关;如果选取合适的学习增益矩阵,则二阶P型控制算法的收敛速度快于一阶的。仿真实验验证了控制算法的可行性和理论的正确性。     

前馈网络灵敏度：分析及降低算法

在前馈网络中，不同的权值组合可逼近同一映射。网络的灵敏度取决于权值的变化。文中提出了计算网络灵敏度的方法和一种降低网络灵敏度的学习算法。网络的灵敏度分析包括单输出、多输出及输入变化、权值变化等情况。学习算法是在网络训练过程中加入随机噪声。次种学习算法与传统学习算法相比，可降低网络的灵敏度，但学习收敛速度基本相同。     

Improving Adaptive Learning Rate of BP Neural Network for the Modelling of 3D Woven Composites Using the Golden Section Law

Focused on various BP algorithms with variable learning rate based on network system error gradient, a modified learning strategy for training non-linear network models is developed with both the incremental and the decremental factors of network learning rate being adjusted adaptively and dynamically. The golden section law is put forward to build a relationship between the network training parameters, and a series of data from an existing model is used to tram and test the network parameters. By means of the evaluation of network performance in respect to convergent speed and predicting precision, the effectiveness of the proposed learning strategy can be illustrated.     

基于PSO和神经网络的中厚板凸度预报模型辨识

针对在钢板轧制过程中很难精确预报中厚板的凸度问题,将粒子群算法和神经网络用于辨识中厚板凸度预报模型.结合了神经网络和粒子群算法各自的优点,先采用三层神经网络建立神经网络预报模型,再利用粒子群算法对网络的权阀值进行训练.实验结果表明:相对于BP神经网络凸度预报模型,本文设计的PSO神经网络预报模型在收敛速度和预报精度上明显优于BP神经网络,具有精确性、收敛性和快速性等特点.     

一种新的快速收敛的反向传播算法

提出了一种新的快速的误差反向传播算法 .这种方法从神经网络的权值调节公式入手 ,通过避免过早饱和、加大权值调节的幅度等手段来加快收敛 .并通过对两个奇偶问题、一个函数逼近问题的仿真 ,验证了所提出的算法的有效性 .结果表明 ,所提出的算法在收敛速度等方面大大优于通常的BP(反向传播 )算法、带动量项的BP算法以及其他的一些改进的算法 .     

惯性权值和学习因子对标准PSO算法性能的影响

基于标准PSO算法,通过分析惯性权值和学习因子2类参数不同的取值策略对常用测试函数优化结果的影响,来探究2类参数对算法性能的影响.实验结果表明,2类参数恰当的动态改变不仅能明显提高单峰函数的寻优精度和收敛速度,而且能提高双峰和多峰函数的寻优概率;惯性权值主要影响算法的收敛速度,随着惯性权值的递增,算法收敛速度逐渐加快;学习因子主要影响算法的寻优精度,当反映粒子的自我学习能力和向群体最优粒子学习的能力的学习因子同增同减变化时,寻优精度提高;惯性权值递增结合2种学习因子的同增同减变化,或惯性权值递减结合2种学习因子的一增一减变化,均可使标准PSO算法性能得到显著提高.     

贯流式机组神经网络在线辨识研究

提出了一种部分递归神经网络结构,给出了学习率的实时调整方法,并将之运用于贯流式机组的在线预测。该网络克服了对被控对象结构先验知识的依赖性,并能反映调节对象的非线性映射关系。仿真试验表明,该网络能迅速地、较为准确地逼近实际系统的输出,可作为贯流式机组自适应控制的实时预测模型。     

基于模拟退火遗传算法的多序列比对方法

针对MSA问题提出了将遗传算法与模拟退火算法结合在一起的混合算法.该算法充分发挥了遗传算法和模拟退火算法的优越性,可提高求解多序列比对MSA问题的计算精度和计算速度,整个算法模拟了自然界进化的周期性,较好的解决了群体的多样性和收敛深度的矛盾.实验表明,该方法算法是有效的.     

简单遗传算法的一种改进算法

针对简单遗传算法收敛速度慢的问题,结合复合形法,提出了一种改进算法并将其应用于系统辨识,仿真结果表明,改进后的算法具有收敛快,精度高的优点。