Matlab人工神经网络工具箱中的BP工具函数及其应用

人工神经网络中的BP网络模型在函数逼近、模式识别等领域得到了广泛的应用，但利用神经网络解决实际问题时，经常涉及到大量的数值计算问题，而运用计算机高级语言编程对神经网络BP模型进行仿真和辅助设计是件十分麻烦的事情，为了解决这个矛盾，Matlab工具箱中专门编制了大量有关设计BP网络模型的工具函数。本分析了Matlab软件包中人工神经网络工具箱的有关BP网络的工具函数，并给出了部分重要工具函数的实际应用。     

基于在BP嵌入动量因子的IDSS函数逼近器

 在领域工程中,经验模型都有一定的适用范围和一定的时效性,这主要反映在参数和因子的选取上.加入动量项的BP算法能克服原来BP算法的缺点,运用于IDSS的知识推理、导则方面,能使模型的系数随环境的变化而变化.上述思想在“单流域多水库联合调度系统”和“云南城市圈域经济辐射力模型的构建及实证研究”的推理机的设计实验阶段中得到体现.把该算法用MATLAB和C++做成函数逼近器来进行曲线拟合,实验数据和结果证明,该改进的BP算法能自动对“新安江模型”和辐射力模型的参数进行调整使之适合不同时期段的情况,这大大加强了该模型对环境的适应性,将进一步提高该软件产品的通用性.     

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...     

多层神经网络的快速BP算法

首先分析了BP算法中的误差函数对收敛精度的影响,给出了综合考虑绝对误差和相对误差的相差函数,其次利用优化方法中的共轭梯度算法来计算学习过程中的误差下降方向,并根据尺度公式对该方向进行修正,从而得到快速BP算法。经过对实际算例的模拟,结果表明本文给出的快速BP算法是一种适用于多层神经网络的、性能优良的学习算法。     

一种用于非线性函数逼近的小波神经网络算法仿真

提出一种用于非线性函数逼近的小波神经网络算法,分析了网络的拓扑结构,给出了网络的参数估计方法.采用遗忘因子法训练网络的权值,利用具有优良渐近性质的递推预报误差算法训练尺度因子和平移因子,分析并给出两种小波元的个数选择方法.该算法用于非线性函数逼近时优于同等规模的BP神经网络.仿真研究表明,该方法具有收敛速度快,逼近精度高等优点,在为非线性系统建模提供一种新方法的同时,也为复杂非线性系统的辨识提供有益的参考.     

基于神经网络的函数逼近问题

给出了函数逼近问题,提出了一种新的神经网络模型,结合函数逼近问题及该神经网络模型给出了一种学习算法,并利用该算法对函数逼近进行了仿真.说明了该算法的实用性.     

小波神经网络用于非线性函数逼近的研究

神经网络具有良好的学习特性，而小波变换具有良好的时频局部化特性．将二者结合在一起构成小波神经网络，网络隐层采用morlet小波函数，输出层采用线性函数，使得该网络兼具神经网络和小波变换的优点．分别用小波网络和BP网络逼近一非线性函数，其结果表明，在相同的误差条件下，小波网络的收敛速度要远远快于一般的BP网络．     

函数的最佳逼近和对偶极值函数

讨论了通过利用Hahn-Banach定理得到的对偶关系将一维空间中函数的最佳逼近和对偶极值偶函数推广到高维中。     

谱估计中最佳高分辨率窗函数的逼近算法与实现

研究了用勒让德展开式逼近谱估计中最佳高分辨率窗函数的实现方法，讨论了逼近最佳窗的性能，给出了计算机模拟结果。理论分析和模拟结果表明，在保持数据长度、谱估计方差比和窗函数频谱最大旁瓣值相同的条件下，用本文提出的逼近算法实现的最佳窗的频谱主瓣宽度更窄，从而使得在采用这种窗函数后，所得到的谱估计分辨率较其他窗函数有进一步的改善。     

多维离散傅立叶变换神经网络函数逼近

利用多维离散傅立叶变换原理构造新颖的神经网络模型用于函数逼近,网络结构为分层前向网络。给出了网络的学习算法,网络的大部分权值都是固定的,只有输出层与最后隐层之间的权值需要调节。     

BP神经网络在信用风险评估中的应用

采用人工神经网络模型研究信用风险评估问题。研究利用BP算法训练多层前馈神经网络,给出了基于BP算法的信用风险评估计算步骤,最后以对个人信用评估为例,说明了人工神经网络在信用风险评估系统中的应用。     

基于Softplus函数的双隐含层BP神经网络的公路客运量预测

为了提高预测模型的精度,提出一种基于Softplus激活函数的双隐含层BP神经网络的预测方法,提高了模型的非线性学习和泛化能力及预测精度,并改善了网络性能。将该方法应用于公路客运量实际预测中进行有效性验证,结果表明该方法对公路客运量有更好的非线性拟合能力和预测准确性。     

提高BP网络性能的一种方法

分析了ＢＰ网络在目标量的极值区存在较大误差的原因,提出了目标量扩展的数据标度化方法·检验结果表明,该方法不但可以消除目标量极值区的大误差现象、提高网络训练的收敛速度,而且还可以使网络具有外推预测功能,即同时提高了ＢＰ网络的训练性能和应用性能·     

基于人工神经网络的函数逼近法计量精度的提高

提出一种基于BP神经网络的提高激光干涉计量精度的数据处理方法，并将该方法与常用最小二乘法作二次曲线拟合进行比较。结果表明，用神经网络逼近函数方法，不但解决了光学干涉计量中像素尺寸以及图像采集卡空间量化误差对测量精度的影响，而且解决了目标函数多极值问题，从而干涉条纹可获得高于光敏像素级定位精度。最后将干涉条纹的光强精确地拟合出来，讨论曲线拟合误差，表明该算法具有很好的鲁棒性和自适应能力。     

一种模糊计算的多层前向神经网络—FCBP

提出的ＦＣＢＰ算法克服了ＢＰ算法对样本的敏感性，减少了输入点数，减轻了输入层的负担，用于模糊推理及模式识别中就更显其优越性。     

基于Tan-Sigmoid函数参数调整的BP神经网络改进算法

为提高BP神经网络的性能,对网络的联接权值W和神经元的tan-sigmoid转换函数的参数T、θ进行调整,使信息分布存储于权值矩阵及转换函数中,比传统的算法具有更强的非线性映射能力．经严密的数学推导,给出了最终的改进算法公式和1个预测需求量的算例,结果表明,改进后的算法能有效地减少隐层节点数,且能加快收敛速度和提高收敛精度．     

BP神经网络的网络拓朴可重构及其实现方法

在神经网络的具体应用中，经常遇到网络拓朴结构重组的问题。在深入分析BP算法、神经网络的拓朴结构和二维数组存储方式的基础上，提出一种BP神经网络的网络拓朴可重构方法。该方法能根据不同的网络模型动态地调整输入层、隐含层、输出层的结点数及联接权矩阵，并结合具体的实例给出其解决方案。     

零误差密度函数准则的BP神经网络学习研究

BP神经网络的学习通常以均方误差函数(MSE)为目标函数,当目标变量不满足高斯分布时,其结果可能偏离真正最优.零误差密度函数(ZED)利用非参数估计中的Parzen窗法得到误差在零点的概率密度函数.将零误差密度函数作为BP网络的目标函数时,通过对光滑参数的选择使新的目标函数能够适用于期望输出满足任意分布.仿真实验分别以零误差密度函数和均方误差函数为目标函数的BP网络学习在函数逼近方面进行比较,结果表明零误差密度函数要比均方误差函数的适用范围更广.     

人工神经网络在手感评定中的应用

针对现有的手感评定方法在识别准确性,容错性和适应性方面存在的问题,提出了用4个检测模型产生手感信号,并用BP神经网络处理信号的具体方法和步骤.实验证明,BP神经网络具有较好的自适应模式识别能力和容错性.