一种改进的BP算法

BP算法是目前应用极为广泛的神经网络算法，但它也存在一些不足。本文提出了一种改进的BP算法，该算法基于黄金分割法自适应调整网络学习速率。仿真结果表明：该算法比传统的BP算法具有更快的学习速度和更高的学习精度。     

一种BP算法的改进方法

通过模拟函数曲线,具体分析了BP算法的学习机制和学习过程以及BP算法matlab语言的实现,最后根据BP算法的局限性,从两个角度探讨了改进BP算法的方法.     

遗传算法和神经网络在图像识别中的应用

针对BP算法在神经网络学习中的一些缺点,将遗传算法应用于BP神经网络的网络学习中,提出了一种BP-GA算法。最后,应用神经网络对图像进行智能识别,实验结果证明它比单纯的BP算法有更佳的结果。     

人工神经网络几种学习算法的对比

神经网络专家系统的设计重点在于模型的构成和学习算法的选择，对神经网络算法的了解是非常重要的。文章讨论分析了感知器、有监督Hebb算法、梯度算法、BP算法等前向网络的学习结构和算法，并对这几种算法作了对比和总结，提出了这几种算法的异同。     

误差反向传播神经网络（BP网络）算法的启发式改进

本文主要研究了人工神经网络中误差反向传播神经网络（BP网络）的算法及学习规则,并针对BP网络算法不具有动态信息处理能力,提出了算法的启发式改进。     

一个面向大规模BP神经网络并行算法

BP神经网络是在数据挖掘、语音识别和文本语言转换等领域最为广泛使用的网络之一。但也有其不足之处，主要表现在收敛速度慢和学习时间长。并行是解决这一问题的可行方案。本文提出了一种利用微机机群来实现并行处理，在并行编程环境PVM中实现BP神经网络的并行学习算法。即主要采用将大量计算由主控节点转移到从结点上、设置逻辑锁和粗粒度任务划分等方法以减少计算和通信时间，有效实现学习过程的并行处理。在微机机群系统下的PVM环境中实现该算法。结果表明改进后的算法不仅大大减少了学习时间，提高了学习效率，而且能够很好面对大规模BP神经网络的学习。     

提高BP神经网络学习速率的算法研究

BP(Back Propagation)神经网络是一种按误差逆传播算法训练的多层前馈网络。本文针对BP神经网络学习速率低、收敛速度慢的问题进行研究,介绍了标准的BP算法和提高收敛速度的动量因子法和变步长法,对比实验结果明显,旨在为研究BP神经网络学习速率提供参考。     

BP算法的改进及在模式识别中的应用

主要分析了BP算法的特点以及在模式识别应用中存在的一些缺陷，研究了遗传算法和BP算法相结合的相关技术，设计并实现了一个遗传算法和BP算法相结合的BP—GA算法，并用一个经典实例说明该算法在模式识别中的应用．实验结果表明，基于BP—GA的模式识别系统有较好的泛化能力，较好地克服了网络单纯利用BP算法训练网络陷入局部极小值，导致网络训练失败的缺陷．     

BP算法的程序实现与改进

文章介绍了神经网络中应用广泛的BP算法及其学习过程,并在此基础上用Delphi4实现了程序。同时,本文还总结了几种改进的BP算法。     

BP神经网络改进算法研究

通过分析标准BP算法的原理发现,BP标准算法所形成的误差曲面存在着饱和区域,并且在饱和区域,误差梯度变化缓慢,使得训练次数多、学习效率低、收敛速度慢。通过在标准BP算法中调整激活函数,可以缩小饱和区域,进而减少训练次数。实验结果表明,该方法有效地减少了BP算法的迭代次数。