前向网络bp算法的改进算法

进一步研究ｂｐ算法,给出了一个以“逐步增加训练数据和隐节点”为特征的避开局部极小的改进方法,建议了一个可控制的前向网络ｂｐ模型。     

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提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。     

BP学习算法的改进与应用

对ＢＰ学习算法中存在的大量局部极小点以及收敛速度慢问题进行研究并提出相应的改进方案。方法采用类似模拟退火算法调整网络权值修改量η和动量项α以及对学习样本进行按类划分。结论算法的改进提高了识别率并降低了学习时间。     

一种改进的神经网络BP算法

提出同时对神经元温度常数Ｔ、位置常数θ、联接权值Ｗ进行调整的观点,并推导出相应的学习算法公式。对比试验表明：所给出的改进算法能有效地减少节点数、加速训练进程认识精度。     

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     

BP神经网络算法的改进及应用

BP神经网络算法可操作性强,是神经网络训练采用最多的算法之一。但该算法网络的收敛速度慢,在网络的训练中,容易出现局部变化较大。为了改进误差平面容易形成局部最小、收敛速度慢的不足,在用自适应学习速率方法基础上本文研究出一种改进的BP算法,提高了BP神经网络的适应性,增强了PLC和单片机的控制能力。     

基于改进BP算法的电力系统谐波分析

在选取BP神经网络对谐波进行分析时,考虑到BP网络存在的缺点和不足,对BP网络进行改进。通过把FFT和改进的BP网络结合起来,实现对谐波的实时分析。该方法先对采样信号进行FFT运算实现预处理,得到谐波个数和谐波次数;然后根据谐波的个数来确定神经元的个数,通过谐波次数设定神经网络参数迭代的初始值;最后对改进的神经网络进行训练,可以实现谐波的精确分析。所提出的BP改进算法有效地提高了谐波分析的精度,实时性也得到了改善。     

多层神经网络BP算法的改进

多层神经网络ＢＰ算法的改进姚瑞波孙国雄汤崇熙（东南大学机械工程系，南京２１００１８）目前，前馈型多层神经网络模型已广泛应用于模式识别、语音识别、数据压缩等领域．ＢＰ算法作为其学习方式有效地解决了ＸＯＲ、Ｔ－Ｃ匹配问题，但ＢＰ网络的学习过程是对一个高...     

有选择学习人工神经网络BP算法

模拟人脑学习提出一个有选择学习的改进的BP算法(SSBP) , 提高了学习速度, 具有一定打破学习性僵局的能力.     

BP网络激励函数的研究

研究BP算法中激励函数f对收敛速度的影响 ,并将其用于传感器静态误差的综合修正 ,实验证明取得了较好的效果 ,得出了陡峭函数收敛快的结论     

一种改进的BP算法神经网络

讨论了BP神经网络学习过程中的假饱和现象和激励函数对输出值的影响，将修改激励函数和构建假饱和预防函数相结合，实现加快网络学习速率。通过引入距离熵揭示了实际输出值、期望输出值以及能量函数三者的内在关联。对BP网络的应用实例编制了仿真程序，并与标准的BP算法进行比较。结果表明改进算法的学习收敛性大大地优于标准BP算法。     

神经网络改进BP算法的DSP实现

研究一种前向型神经网络的改进学习算法并基于TI的TMS320C5402定点数字信号处理器开发系统实现该算法的训练学习：测试结果表明：网络学习速率提高，网络的输出动态响应具有超调小、响应快和鲁棒性强的优点，为DSP在实时性控制系统中的应用奠定了一定基础。     

基于BP网络的一种改进算法及仿真

针对BP网络存在收敛速度慢及目标函数容易陷入局部极小值的缺点,本文研究分析了BP神经网络模型的缺陷并提出了优化策略。最后提出了一种提高BP网络学习速度的新方法,即自适应调整学习率和下降梯度。仿真结果表明,该方法大大地提高了收敛速度,而且算法简单、易行。     

基于BP网络的一种改进算法及仿真

针对BP网络存在收敛速度慢及目标函数容易陷入局部极小值的缺点,本文研究分析了BP神经网络模型的缺陷并提出了优化策略.最后提出了一种提高BP网络学习速度的新方法,即自适应调整学习率和下降梯度.仿真结果表明,该方法大大地提高了收敛速度,而且算法简单、易行.     

一种改进的BP算法

为了克服BP算法易陷入局部极小、收敛速度慢等缺点,笔者利用非线性最小二乘法对其进行了改进.结果表明,采用改进后的BP算法来训练神经网络,能在一定程度上提高神经网络的收敛速度,具有学习速度快、识别能力强等优点.     

浅析BP神经网络算法的改进和优化

本文冀要地介绍了BP神经网络的缺点。着重强调了BP神经网络的算法改进,并且,利用Matlab仿真了各种改进算法的学习速度,从结果看改进后的BP神经网络能较好地解决针BP算法学习速度慢的缺点。     

基于BP神经网络改进算法的数据压缩方案

论述了BP神经网络进行图像数据压缩的基本原理;为了进一步提高算法的收敛速度,分析了样本数据输入顺序对权值的影响、学习参数的选择及局部极小这三个影响算法收敛速度的重要问题;提出了消除样本数据输入顺序对权值的影响、如何避免局部极小的问题、学习参数自适应调整的改进算法．     

用于股市预测的BP算法的一些改进

补充分析了影响国内股票综合指数预测效果的一些因素,对学习步长η和矩参数α进行了讨论,分析了不同的能量函数对网络及预测效果的影响,运用一些新方法,进一步提高了预测的可信度和正确度,理论分析和数值实验结果表明,人工神经网络应用于股票市场的预测是可行和有效的,有着良好的前景。     

BP神经网络算法在字符识别中的应用

介绍了BP学习算法的基本原理及其优缺点,并针对其不足,引入了动量项进行改进,并对BP网络的算法实现作了探讨。     

改进BP网络学习算法的探讨

ＢＰ网络是目前应用很广的人工神经网络。改善ＢＰ网络算法尤其是提高ＢＰ网络的学习速度一直是人们研究的重要课题。本文在对ＢＰ网络现行算法研究的基础上，提出根据系统误差自适应调节学习率的快速ＢＰ算法（ＦＢＰ），并以棉花棉铃虫预测为例，对两种算法的收敛速度进行了比较。