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.     

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。     

基于隐单元递增的相继逼近算法的泛化能力分析

本文通过双螺旋问题数值实验,分析了用于前馈神经网络的基于隐单元递增的相继逼近训练算法的泛化能力,并与标准BP网络相比较.结果表明,该相继逼近训练算法较标准BP网络有优势.     

基于改进的BP网络的CD4细胞图像识别

采用改进的BP网络分类器对CD4细胞图像进行识别.首先对图像进行了预处理,分析了图像的特征,然后通过增L减R法选择,介绍了BP网络分类器和LM算法的原理,构建了基于LM算法的BP网络分类器,较好地实现了CD4细胞的识别.     

多小区蜂窝边缘计算中基于虚拟延时队列的BP调度（英文）

为了进一步改善多小区蜂窝边缘计算系统中的延时性能,提出了一种新的基于延时驱动的联合通信与计算资源BP(backpressure)调度算法.首先,为多小区蜂窝边缘计算系统中的通信与计算延时建立数学模型并表达为虚拟延时队列.然后,基于该虚拟延时队列模型,以BP调度算法为框架,以稳定虚拟延时队列为优化目标,设计了一种新型的联合无线子载波与计算虚拟机资源调度算法.最后,对所提出基于虚拟延时队列的BP调度算法的延时性能进行了仿真评估,并与传统基于队列长度的BP调度算法进行了对比.结果表明,在所采用的仿真条件下,所提出BP调度算法的总延时总是低于传统基于队列长度的BP调度算法.特别地,当计算资源异构配置时,总延时减少的百分比可以达到51.29%.因此,与传统基于队列长度的BP调度算法相比,所提出的基于虚拟延时队列的BP调度算法可以进一步降低延时.     

用JAVA实现BP算法

人工神经网络理论是20世纪80年代在国际上发展起来的一个前沿研究领域。BP是对非线性可微分函数进行权值训练的多层前向网络。它在控制行业中的应用很有效果。该文通过JAVA语言实现BP算法，并通过实例说明BP算法的特点，且提出改进方向。     

运用BP算法神经网络拟合传感器的输出特性

首先介绍了BP算法神经网络的基本原理，然后将BP算法神经网络应用于拟合传感器的输出特性，并在MATLAB下通过训练和仿真验证了应用BP算法神经网络拟合传感器的输出特性的优越性。     

改进粒子群优化神经网络的高压断路器故障诊断

在分析传统误差反向传播(BP)算法和标准粒子群优化(PSO)算法的特征及其问题基础上,提出一种改进粒子群优化(MPSO)算法和改进BP(MBP)算法,建立基于MPSO-MBP混合算法的高压断路器神经网络故障诊断模型.通过训练样本和测试样本的仿真对比分析,该方法能够实现高压断路器不同故障的有效诊断,提高高压断路器故障模式的识别能力,故障诊断准确率高、速度快.     

基于BP人工神经网络改进算法的数据挖掘技术应用研究

在阐述数据挖掘技术的产生背景、过程和一些常用方法的基础上,针对原有BP神经网络算法效率较低、易陷入局部极小等不足,提出了一种改进的BP算法,并对其进行推理和验证:同时将其应用到病人数情况预测中.结果表明,与标准的BP算法相比,改进的BP算法具有更好的精度和更高的效率.     

LDPC码在均衡技术中的应用

LDPC码的BP译码算法是一种迭代算法,译码复杂度低,可实行完全的并行操作.介绍BP译码算法,以及LDPC码与均衡技术结合的基本原理,并提出了一种基于MMSE均衡技术的线性LDPC均衡算法.     

BP神经网络在预测问题中可用条件的分析

介绍了BP神经网络的结构，分析了神经网络预测原理，指出神经网络是内插值，讨论了可应用神经网络进行预测的条件，并通过实例进行了验证。     

一种基于BP神经网络的字符认识方法

讨论BP神经网络的原理及其缺陷和改进方法.在MATLAB环境下,对含噪声文字符进行识别训练.仿真结果表明,网络收敛速度快,识别分类效果好.     

一种改进的基于加权模式的BP算法

反向传播算法（BackPropagation）是一种有监督神经网络学习算法,但原始算法收敛速率慢,训练过程易陷入局部极小值,精度不高等问题．文中提出了一种加权和引入参数改进的神经网络BP算法,某种程度上克服了以上缺点．对文中的改进算法用VC平台编程,并利用真实数据,对大学生就业能力进行了预测．实验表明,改进算法有效,也为高校解决大学生就业能力提供了决策支持．     

BP神经网络在多维非线性函数拟合中的应用

为了解决常规方法拟合多维非线性函数的预测结果精度较低问题,采用非线性映射能力较强的BP神经网络进行多维非线性函数拟合。通过对BP神经网络结构及训练过程的分析,依据给定的两维非线性函数构建BP神经网络模型,并利用MATLAB软件对BP神经网络进行预测。仿真结果表明,BP神经网络对于两维非线性函数有良好的拟合能力,拟合误差小、收敛速度快,也使该方法具有较好的推广性。     

BP神经网络优化算法研究

为解决BP神经网络收敛速度慢和易陷入局部极小值的缺点,利用遗传算法(GA)和基因表达式编程(GEP)的各自特点,基于BP算法提出了两种改进算法:其一是GA-BP算法,即利用GA优化BP神经网络的权值和阈值;其二是GEP-BP算法,即利用GEP对BP网络进行调整,包括网络结构、权值和阈值。用样本数据进行了测试并与基本BP算法进行了比较,结果表明两种改进算法具有很强的可行性和高效性。     

BP神经网络原理及MATLAB仿真

BP网络在人工神经网络中应用最为广泛．它理论完善、结构直观．本文首先介绍了BP神经网络的原理、进行训练的过程、存在的问题;接着探讨了几种先进的BP训练方法．最后,用Matlab语言,以函数逼近为例实现了BP网络的仿真训练．     

基于BP神经网络的认知诊断评估分类准确率影响因素分析

BP神经网络是目前应用最广泛的人工神经网络模型之一,在分类和识别上表现出良好的特性,因此被研究者用于认知诊断评估以对被试进行诊断分类。通过模拟研究,考查属性个数、属性层级关系、测验长度、题目质量、测试样本量5个因素对BP神经网络在认知诊断中分类准确性的影响。结果表明:1)基于BP神经网络的认知诊断分类准确率不依赖于测试样本量;2)题目质量和测验长度对BP神经网络的诊断准确率有显著的积极影响;3)属性个数对BP神经网络的分类准确率有消极影响;4)题目质量一定程度上会影响BP诊断方法在不同属性层级结构上的分类准确率。     

BP神经网络在数字识别中的应用

神经网络(neuralnetwork)是近年来再度兴起的一个高科技研究领域,数字识别就是其中一项既基本又非常重要的应用性研究领域。BP神经网络(Back-Propagation),又称误差反向传递神经网络,是一种依靠反馈值来不断调整节点之间的连接权值而构建的一种网络模型。BP网络可以看作是对多层感知器网络的扩展,即信息的正向传播及误差数据的反向传递。本文给出了设计用于识别手写数字BP神经网络的过程。     

预测地震波的BP网络方法研究

由于地震波的瞬时性及不可预见性，给结构控制带来了相当大的难度，利用人工神经网络的学习性，训练了一个三层BP网络，对下一步地震波的大小进行预测；预测值的大小与实际的期望值非常吻合；比较了各种BP网络在训练中的优劣；提出了一种用多种学习方法相结合来训练神经网络的方法；结果证明了在训练中能取得很好的效果，得出了令人满意的结果。     

基于BP神经网络的大学生身体素质测评模型与应用

大学生身体素质的培养是高校体育教学关注的重点,建立评估模型,提供操作简单的评估方法,对于科学地评估与监测大学生身体素质状况有着重要的现实意义。利用BP神经网络强大的函数映射能力,建立了反映大学生身体素质总成绩与各项指标成绩相关关系的BP神经网络模型,应用模型对大学生身体素质进行了评估试验,并与其它模型试验结果作对比。结果表明,此模型操作简单,预测精度高,评估结果科学、合理。