基于改进BP神经网络的M-learning学习质量评价

传统的BP神经网络算法在寻优过程中常陷入局部极小值而无法得到全局最优解,同时在大数据量训练时,运算时耗大,效率低.为了避免这些缺点,提出了并行GA-Adaboost-BP神经网络算法,用GA算法优化BP神经网络权值,避免陷入局部极小值.运用并行Adaboost算法,将大数据量分成若干个小数据量集,由Adaboost算法组合多个小数据集BP神经网络的输出,构建一个强预测器,这种分布式运算提高了大数据量训练效率.实验证明,用改进BP神经网络算法对大数据量M-learning学习质量评价进行预测,其精确度较高,预测稳定性较好,运算效率得到提高.     

面向复杂问题的BP神经网络并行算法

结合基于训练集划分方法与NARA模型,提出了一个BP神经网络的并行算法.该算法不仅提高了BP神经网络的训练速度,而且增强了BP神经网络解决复杂问题的能力.     

Hadoop下并行BP神经网络骆马湖水质分类

研究借助云的计算向数据迁移机制及MapReduce并行处理海量数据的优势,解决BP神经网络在处理大规模样本数据时计算量大、网络训练时间长的瓶颈问题.构建了影响骆马湖水质的多污染因素评价网络模型,在Hadoop下应用并行BP网络算法,实现了对骆马湖水质分类挖掘,挖掘分析结果对骆马湖水质优化及生态修复具有决策支持性意义.     

基于样本划分的启发式遗传BP算法

遗传算法作为一种模拟生物遗传进化过程的随机搜索算法,具有并行和全局搜索能力、不要求函数可导等特点,在神经网络学习中得到广泛应用.合理选择初始群体和控制搜索的盲目性,有利于提高算法的效率.为此,提出了一种新的神经网络学习算法--基于样本划分的启发式遗传BP算法.该方法对神经网络学习样本进行划分,形成样本子集.初始群体通过在样本集类上训练神经网络而获得.这些初始网络中包含了关于样本子集的有用信息,根据模式定理,能通过遗传算法保留和加强.此外,提出并证明了关于样本集类及其BP训练的几个代数性质,结合子空间划分进行启发式搜索,以克服搜索的盲目性.对上述方法进行仿真实验,迭代次数和误差较小,表明本学习算法是切实可行的.     

基于GPU的并行拟牛顿神经网络训练算法设计

针对人工神经网络训练需要极强的计算能力和高效的最优解搜寻方法的问题,提出基于GPU的BFGS拟牛顿神经网络训练算法的并行实现。该并行实现将BFGS算法划分为不同的功能模块,针对不同模块特点采用混合的数据并行模式,充分利用GPU的处理和存储资源,取得较好的加速效果。试验结果显示:在复杂的神经网络结构下,基于GPU的并行神经网络的训练速度相比于基于CPU的实现方法最高提升了80倍;在微波器件的建模测试中,基于GPU的并行神经网络的速度相比于Neuro Modeler软件提升了430倍,训练误差在1%左右。     

基于BP神经网络的并行算法

对强激光与等离子体相互作用三维数值模拟程序LARED_P数据输出进行分析,针对大规模数据模拟数据的特点,提出了基于BP神经网络的并行算法,即在各个搜索子空间内对训练集合中的学习样本进行并行训练。实例表明:不仅可避免陷入局部极小点,提高网络训练速度,而且仿真效果较好。     

一种BP神经网络改进算法的研究

为提高神经网络传统BP算法的训练速度,以3层神经网络为例,通过对权值的分析与优化,推导出改良的BP算法——双权值迭代优化法,并对该算法与传统算法进行了比较,通过比较发现,新算法在保证精度的前提下可节省训练时间,同时对该算法特点进行了总结。     

云计算环境的并行支持向量机

针对基于GPU和MPI并行的支持向量机（SVM）算法不适合于云计算环境,设计了一种基于多级SVM的并行支持向量机模型,实现了云计算环境下的序列最小优化（SMO）的并行算法。该算法通过MapReduce系统将大规模训练数据集划分为若干小训练集,再由这些小训练集开发多级的SVM,最后收集每一个SVM最优超平面附近的样本数据来训练另一个新的SVM。实验结果表明,该算法在时间消耗与分类正确率等综合方面比单机算法和传统并行算法获得更好的效果。     

基于分类面拼接的快速模块化支持向量机研究

针对大多数现有的机器学习算法处理大规模问题时需要的训练时间很长和存储空间很大的难点,提出了基于分类面拼接的快速模块化支持向量机算法(psfm-SVMs).在训练阶段,psfm-SVMs采用一簇平行超平面对大规模问题实施软划分,然后针对每个子问题并行训练支持向量机.在测试阶段,测试样本坐落于哪个子问题所在空间中,就由该子问题训练的支持向量机给出判别结果.在4个大规模问题上的实验表明:与采取硬划分的快速模块化支持向量机(fm-SVMs)相比,软划分能够使psfm-SVMs得到更加光滑的分类面,因而psfm-SVMs的泛化能力较高.在不增加训练时间的条件下,psfm-SVMs减少了由于训练集分割导致的分类器泛化能力下降.     

利用免疫进化网络的镍氢电池组荷电状态预测

针对电池组建模困难的情况,利用计算智能算法训练的前馈神经网络来预测荷电状态,选择电池组放电电流、最小单体电池电压和最小电压的导数,以及电池组平均温度作为神经网络的输入,荷电状态为网络的输出.在训练网络权值时,为了克服BP算法的缺陷,采用自适应并行免疫进化策略训练网络权值,在变功率运行工况下,通过对预测的和实际的荷电状态的比较,验证了所提出的神经网络预测精度可达到5%.     

基于粗糙集的改进BP神经网络算法研究

提出了一种基于粗糙集和遗传算法的改进BP神经网络算法.该算法首先对原始数据集进行属性约简,优化BP神经网络的输入变量;然后利用遗传算法全局搜索的特点,优化BP神经网络初始权重和阈值.将改进BP神经网络算法应用于客户分类,训练误差为5.92×10-12,测试总误差为0.00023;而改进前的一个比较理想的训练结果的训练误差为0.0016,测试总误差为0.073.Matlab仿真表明改进的BP神经网络算法有更好的训练精度和泛化能力.     

基于层次分析与BP神经网络的电梯安全评价模型

为高效评价在用电梯运行状态的安全性,提出基于层次分析法和BP神经网络的电梯安全评价模型。通过层次分析法建立电梯系统安全评价指标体系,采用BP神经网络构建电梯系统安全评价模型;通过改进粒子群算法和改进BP算法分别优化、训练BP神经网络;最后进行仿真验证。仿真结果表明,经过改进粒子群算法优化的BP神经网络模型训练速度最快,训练时间比BP算法快8.45 s,比粒子群算法快5.17 s;评价准确度最高,达92.3%,分别比BP算法和粒子群算法提到了11.7%、6.8%;而训练误差最小,仅为0.020 6。     

人工神经网络模拟反应精馏过程的研究

提出了用BP(误差反向传播)神经网络模拟计算合成乙酸甲酯的新思路,模拟过程中采用学习速率可变的动量BP算法训练神经网络。结果表明:只要有充足可靠的数据为基础,采用学习速率可变的动量BP算法训练的神经网络的预测精度比普通BP算法的预测精度高10倍左右,且训练时间显著下降,是一种具有广泛应用前景的模拟方法。     

一种基于神经网络的中制导改进算法

针对地球扁率影响下的大气层外导弹中段制导问题,提出了基于BP神经网络的模型预测改进算法,并且创新使用轨道偏差解析解来构造训练样本集。首先,利用极点变换方法把弹体受到的J_2项摄动引力优化分解为与运动轨迹相关的扰动函数;然后,采用偏差状态空间的转移矩阵,建立起导弹在J_2项摄动作用下的轨道偏差公式;最后,利用偏差公式构造取值广泛的训练样本集并训练BP神经网络,从而建立起关于虚拟目标信息的预测模型,计算出中段制导控制所需的增益速度矢量。该模型的优点是利用极点变换和状态转移矩阵直接求解J_2项摄动偏差,避免了进行大规模的数值积分运算;神经网络拥有强大的学习能力,保证了预测模型的全面性及精确性;BP神经网络可以预先离线训练、学习,大大缩短了计算时间。与传统Lambert迭代补偿修正方法相比,改进型BP神经网络补偿算法可以同时满足实时计算速度及计算精度的双重要求,具有较强的实际工程意义。     

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。     

一种改进人工鱼群算法对BP神经网络的优化研究

针对BP神经网络存在易陷入局部极值的缺陷,提出一种基于改进的人工鱼群算法优化的BP神经网络.先用改进的人工鱼群算法优化BP神经网络的初始权值和阀值,然后再执行BP算法训练BP神经网络的权值和阀值.函数拟合仿真实验表明该优化方法提高了BP神经网络的泛化性能.     

基于SVR-BP算法的江苏省空气质量指数预测

针对江苏省空气质量指数(air quality index, AQI)的预测问题,提出一个将反向(back-propagation, BP)神经网络与ε-支持向量回归机(ε-support vector regression,ε-SVR)算法相结合的SVR-BP回归算法。对训练集采用ε-SVR进行样本筛选组成新的样本集,再采用BP神经网络进行预测。样本集选取的时间跨度为2 a,样本数据为江苏省共98个监测点空气中各成分的含量。分别采用SVR-BP算法、BP神经网络和ε-SVR算法在数据更新频度不同的3个模型下对未来72 h的AQI进行预测。实验结果表明:本研究提出的SVR-BP算法的平均绝对百分误差较ε-SVR算法提升了4%～19%;训练时间比BP神经网络少0.1～2.5 s。SVR-BP算法预测AQI更为高效,在实时训练及样本筛选方面有更广阔的研究前景。     

BP网络研究及其在肺癌诊断系统中的应用

以三层BP网络为例,讨论了网络的学习算法,并在VC 6.0语言环境下编制了BP算法程序,在这个基础上建立了基于BP网络的肺癌智能诊断系统,深入研究BP网络在实际应用中的结构设计、参数选择和样本数据的来源,应用含有动量参数的BP算法训练网络,并给出了BP算法动态演化过程的训练调试界面和临床测试界面.目的是用训练好的BP网络来识别肺癌细胞的病变情况,实验表明神经网络能够对细胞图像进行正确的分类,证明了该系统对肺癌诊断具有可行性.     

基于粒子群-蛙跳算法优化BP神经网络的滚动轴承故障诊断方法

针对滚动轴承故障诊断方法存在的局限性及缺陷,在利用小波分析提取滚动轴承故障信号特征向量基础上,提出基于粒子群 蛙跳算法优化的BP神经网络滚动轴承故障诊断方法。该方法采用粒子群 蛙跳算法优化BP神经网络结构参数,利用改进BP算法和样本数据训练BP神经网络,实现滚动轴承运行正常和4种不同故障状态的诊断。实验验证结果表明,基于粒子群 蛙跳算法的BP神经网络方法诊断误差最大值仅为005,为未优化的神经网络诊断误差的1/16;与其他算法相比,基于粒子群 蛙跳算法优化的BP神经网络方法的训练时间、训练误差和诊断精度各项指标均为最优,可实现滚动轴承故障的快速、准确、有效诊断。     

BP神经网络在蜜网系统中的应用

介绍了BP算法的基本思想及其网络模型,蜜网中数据的处理流程.借鉴BP算法应用于入侵检测系统,将BP神经网络技术应用于蜜网系统中,提出了在蜜网中基于BP神经网络的数据处理模型及训练过程.