基于改进的神经网络异常声音自动识别系统研究

针对标准的BP神经网络对于声音信号识别率不高的问题,提出了一种用粒子群算法(PSO)优化BP神经网络的算法,建立了声音信号识别模型。PSO优化BP神经网络主要是用PSO来优化BP神经网络的初始权值和阈值,然后通过训练BP神经网络得到识别模型的最优解,优化后的神经网络具有误判率小、反应速度快等特点。在实验中把标准的BP神经网络和PSO优化后的BP神经网络用于八种异常声音的MFCC特征量和差分MFCC特征量识别,结果表明:在声音信号的识别系统中采用PSO优化BP神经网络的算法提高了系统的识别性能,达到了系统设计的目的。     

思维进化算法在BP神经网络拟合非线性函数中的应用研究

直接使用BP神经网络拟合非线性函数,具有预测精度差、收敛速度慢等缺点.该文提出利用极强全局搜索能力的思维进化算法来优化BP神经网络.首先根据BP神经网络拓扑结构构建思维进化算法模型,然后用思维进化算法得到的最优解作为BP神经网络的初始权值和阈值,最后利用MATLAB软件对多个非线性函数进行拟合仿真实验,比较思维进化算法优化BP神经网络和单纯使用BP神经网络的预测结果 .数据表明,优化后的BP神经网络具有更高的拟合精度和更短的网络训练时间.     

基于粒子群算法优化的城市供水量预测模型研究

鉴于BP神经网络、RBF神经网络在城市供水量预测精度上的不足,利用粒子群算法优化两者相关参数,实现更高预测精度,并通过建立BP神经网络、RBF神经网络、PSO-BP神经网络、PSO-RBF神经网络分别对城市供水量数据进行仿真预测。最终测试样本统计结果显示：RBF神经网络比BP神经网络平均相对误差（MRE）低约1%,在拟合度（R2）上高约0.014;PSO-BP神经网络比BP神经网络在MRE上降低约1.25%,在R2上提高约0.05;PSO-RBF神经网络比RBF神经网络在MRE上降低约0.3%,在R2上提高约0.072。由此说明RBF神经网络比BP神经网络在城市供水量预测方面更有优势,并且利用粒子群算法优化神经网络模型参数可有效提升神经网络预测精度。     

基于AdaBoost算法的BP神经网络在软件老化测试中的应用

为提高BP神经网络的预测精度,克服自身容易陷入局部极值和收敛速度慢的缺陷,将AdaBoost算法和BP神经网络结合起来,建立基于AdaBoost算法的BP神经网络模型。该模型将多个BP神经网络作为弱预测器,然后采用AdaBoost算法将多个弱预测器组成强预测器进行预测。将该模型应用于软件老化测试,实验结果表明,该模型相比单个BP神经网络具有更好的预测精度。     

基于MapReduce的GA-BP神经网络算法并行化设计及实现

为提高BP神经网络算法的运行效率,利用遗传算法和并行编程思想,提出了Hadoop平台下基于MapReduce的遗传算法优化BP神经网络的并行化设计及实现方法。利用遗传算法优化BP神经网络的初始权值和阈值,提高算法分类准确率;采用MapReduce并行编程模型实现算法的并行化处理,解决BP神经网络在处理大规模样本数据集时存在的硬件开销和通信开销大的问题。选用Caltech256图像数据集,与传统的串行遗传算法优化BP神经网络算法实验对比,验证了并行化GA BP神经网络算法的优越性。     

BP神经网络模型对常规曲线拟合情况的评估研究

BP神经网络具备较好的非线性系统曲线拟合能力。提出了应用BP神经网络时常规曲线拟合情况进行评估的方法,论证了应用BP神经网络进行电力销售预测的有效性。     

遗传算法优化BP神经网络的非线性函数拟合研究

传统的BP神经网络收敛速度慢,以及该算法的不完备性,易陷于局部极小,全局最优无法保证能收敛到等缺点.针对BP神经网络的缺陷,该文提出了遗传算法,利用遗传算法优化BP神经网络权值和阈值,使得训练了BP神经网络预测模型得到了最优解.采用遗传算法优化BP神经网络的算法,并以此结合算法来研究非线性函数拟合的问题.从实验结果表明,基于遗传算法优化的BP神经网络的非线性函数拟合具有较强的收敛性和鲁棒性,并且有了更高的预测精度.     

基于BP网络的有教师分类算法及应用

介绍BP神经网络的结构及相关算法,并通过实验比较不同情况下对BP神经网络的收敛速度与分类精度的影响。实验表明,合适的参数设置能提高BP神经网络算法的分类精度。     

基于遗传算法的配送中心选址研究

配送中心选址是学术界和物流业界研究热点,本文基于遗传算法,结合近年来选址问题研究常用的BP神经网络,构建选址模型,通过计算机仿真,发现遗传算法优化的BP神经网络相对误差比传统BP神经网络低。并且,遗传算法优化的BP神经网络选址模型与实际值的相对误差较低,因此,该模型能为配送中心选址提供决策支持。     

BP神经网络在粮仓平均温度预测中的应用

粮仓平均温度决定粮食变质的快慢。经研究发现,粮仓平均温度表现为非线性变化,而BP神经网络能够无限逼近任意非线性函数,故可利用BP神经网络对粮仓平均温度进行预测。介绍了粮仓平均温度预测的重要性,阐述了BP神经网络的预测原理,介绍了BP神经网络设计及MATLAB实现。据此编写程序进行平均温度预测,为粮食保质工作提供依据。     

用BP网络求高分子材料的本构关系

本文阐述了人工神经网络基本原理，研究分析了BP神经网络模型的缺陷并提出了优化策略。建立了求高分子材料本构关系的三层前馈反向传播神经网络模型，并作了多次不同的泛化性测试。实例分析表明，改进的BP网络在收敛速度及稳定性方面都有很好的效果，可应用于求高分子材料本构关系。     

基于BP网络的零件外圆面加工方案决策研究

基于人工神经网络中的BP网络建立了零件外圆面加工方案决策模型.把一系列推理规则转化为网络权值,并设计了BP网络.然后利用MATLAB软件中的神经网络工具箱编程,对网络进行训练,应用训练好的网络生成零件外圆面的加工方案,示例验证网络运行可靠.     

BP神经网络在轴向柱塞泵故障诊断中的应用

针对轴向柱塞泵故障机理的复杂性和故障信息的不确定性,提出了基于人工神经网络的故障诊断方法。以一种典型设备的几种主要故障为例,设计了适合于故障诊断的BP神经网络模型,运用Levenberg-Marquardt优化算法进行网络训练,并针对网络训练中可能出现的过拟合、局部小、隐层节点数确定等问题制定了相应的网络优化策略,以保证训练后的网络具有较好的记忆和归纳能力,并用Vc＋＋6.0语言和SQL Server2000数据库开发了基于BP神经网络的轴向柱塞泵故障诊断系统,结果表明,该系统有良好的故障诊断精度和较强的泛化厶匕力。     

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。     

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。     

Application of BP NN and RBF NN in Modeling Activated Sludge System

Based on the operation data from a certain wastewater treatment plant(WWTP) in northeast China,the models of back propagation neural network ( BP NN ) and radial basis function neural network ( RBF NN ) have been designed respectively and the ability of convergence and generalization has been analyzed separately.As for BP NN, the effects of numbers of layers and nodes have been studied ; as for RBF NN, the influences of the number of nodes and the RBF‘s width have been studied. It is concluded that BP NN has converged much slowly in comparison with RBF NN. The conclusion that the RBF NN is suitable for modeling activated sludge system has been drawn. An automatically optimum design program for RBF NN has been developed, through which the RBF NN model of traditional activated sludge system has been established.     

BP神经网络的非线性思想

BP神经网络是误差反向传播神经网络的简称,是目前应用最为广泛和成功的神经网络模型之一。它的最大特点是提供了一个处理非线性问题的模型,系统地解决了多层网络中隐单元连接权的学习问题。     

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。     

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。