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．     

基于LabVIEW的变压器局部放电监测系统设计

通过设计一款变压器局部放电的超高频监测系统,将微弱的超高频信号放大到足够的幅度,采用多级滤波去除带外干扰,以便于对传输线路所采集到的超高频信号进行处理与分析,并利用Lab-VIEW软件仿真与虚拟分析,对电力系统变压器的故障进行早期诊断,对变压器早期产生病变以及发展趋势发出预警,以确保电力系统变压器安全、可靠地运行。     

GA—BP神经网络在高校教学评价中的应用

针对BP神经网络在学习训练过程中容易陷入局部最优的问题,利用GA算法对其权值和阈值进行优化．构造了一个基于GA—BP神经网络的课堂教学质量评价模型,并将该算法具体运用于某高校的教学质量评价中。实验表明,该模型能比较客观地对课堂教学质量进行综合评价。     

基于改进粒子群神经网络的电力电子电路故障诊断

粒子群优化（PSO）算法是基于群智能的全局优化技术,它通过粒子间的相互作用,对解空间进行智能搜索,从而发现最优解。本文对基本粒子群算法进行改进,并将改进粒子群优化算法与误差反向传播（BP）算法结合起来构成的混合算法用于训练人工神经网络,对电力电子电路故障进行在线诊断。仿真结果表明,改进PSO-BP算法有效地解决常规BP算法学习网络权值和阈值收敛速度慢、易陷入局部极小等问题,具有较快的收敛速度和较高的诊断精度。     

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。     

一种新的全局优化前馈神经网络

将L-M算法与填充函数法相结合，提出一种训练前向网络的混合型全局优化新算法．L—M算法的收敛速度快，利用它先得到一个局部极小点，然后利用填充函数算法跳出局部最小，得到一个更低的局部极小点．重复计算即可得到全局最优点．经实验验证，该算法收敛速度很快，避免局部收敛，而且性能稳定．     

基于人工鱼群-蛙跳神经网络的变压器故障诊断

为提高电力变压器故障诊断的准确率,提出一种基于人工鱼群-蛙跳混合算法(AF-SA-FLA)优化的神经网络模型,并用于电力变压器的故障诊断.人工鱼群-蛙跳混合算法融合了人工鱼群算法前期全局收敛速度迅速以及蛙跳算法局部搜索能力强的优势,其运算速度和优化精度有了极大提升.仿真实验结果分析表明,该方法能对变压器各种类型故障加以有效诊断,故障诊断正确率高、速度快,能满足电力变压器故障诊断的实际工程需要.     

一种复合NN智能诊断系统的设计及应用研究

NN智能诊断系统通过把计算机技术、NN技术、ES、GA与力学模型融合在一起,建立一种新型的智能诊断系统。将GA与改进的BP网络相结合,利用GA宏观寻优特点,用来克服BP网络的缺点,二者结合起来相得益彰。与传统的BP算法相比较,GA—BP网络训练速度和预测精度都得到了很大的提高。NN与ES互补,结合ES经验。预测使用寿命。应用MATLAB软件编制的具有自学习功能的智能化监测诊断软件,结合VC＋＋6．0和MATLAB的各自优点和功能,实现了VC＋＋6．0与MATLAB的混合应用,软件设计比较简单。根据系统的分析、设计、编程和仿真实验,系统运行效果很好。应用本系统对混凝土结构进行诊断,能给出结构受损程度,损伤位置及结合ES预测使用寿命,具有高度棒性、高精度、快速的特点。     

基于人工蜂群算法的BP神经网络研究

BP神经网络具有实现非线性映射特点和较强的容错能力、泛化能力等优点。然而,因为其采用了最速下降梯度寻优算法,在实际应用中往往出现收敛速度缓慢、时常陷入局部极小值等缺陷。人工蜂群算法是受蜂群个体间通过相互协作对既定目标进行寻优的群体行为启发提出的一种新型群智能优化算法,具有很好的全局收敛特性,其次有较强的自适应性、协作性、鲁棒性、快速性等特点。文中探讨用人工蜂群算法来优化BP神经网络算法,进一步提高BP神经网络性能。     

蚁群BP神经网络实体解析匹配研究

为了改进BP神经网络收敛速度慢、不能得到全局最优解的缺点,选择具有全局优化、支持并行且具有自适应特性的蚁群算法,优化神经网络初始权重和阈值。将算法运用于实体解析元组对的匹配加以验证,结果表明：在相同最大迭代次数下,BP神经网络迭代490次可寻找到最优解,其均方误差为0.078,ACO-BP神经网络同样迭代487次可寻找到最优解,均方误差为0.013,相对来说均方误差更小,训练效果更接近于目标值,表明蚁群优化的神经网络算法可以改善传统BP神经网络收敛速度慢、学习效率低和易陷入局部最优等缺点。     

改进的BP算法对网站访问量的预测

利用BP神经网络进行预测已经取得了很大的进展,但BP神经网络易形成局部极值,算法收敛的速度相对较慢,将遗传算法结合到BP神经网络中可以改善算法收敛速度较慢的问题,利用改进的BP算法对网站访问量进行预测,结果表明运算效率得到了很大的提高,同事也说明了改进方法的可行性．     

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.     

基于粒子群优化RP网络短期电力负荷预测方法

针对常规BP网络收敛速度慢,易陷入局部极小值等问题,采用L—M算法对网络进行训练,利用改进粒子群算法优化BP网络初始权值和阈值。将该方法应用在南方某市短期电网负荷预测中,预测结果表明,相较于常规BP网络、L—M算法改进预测模型,该预测算法在预测结果精度和速度上均有较大幅度提高。     

ABC—KHM混合聚类算法

使用调和均值的KHM聚类算法,不像KH聚类算法,具有对初始值不敏感的优点。但它作为一个基于中心聚类算法,难以摆脱早熟收敛的问题。为了克服KHM算法的不足,本文提出结合ABC和KHM的ABC—KHM混合聚类算法。在混合算法中,聚类行为可以分为两个阶段：全局搜索的ABC聚类阶段和局部求精的KHM聚类阶段。通过仿真实验,并与KHM聚类算法进行了比较,结果表明：ABC-KHM混合聚类算法,不仅对聚类初始值不敏感,而且具有较快的聚类速度、良好的全局聚类效果,是一个不错的聚类算法。     

基于混合智能算法的电力系统无功优化研究

研究了电力系统的无功优化功问题,给出了结合电力市场实行的无功优化目标函数。在分析了遗传算法和蚁群算法各自优缺点的基础上,将遗传算法与蚁群算法融合,利用遗传算法的交叉、变异操作产生蚁群算法新的搜索路径,以此提高混合智能算法的全局搜索能力和收敛速度,并将混合智能算法应用于实例进行仿真。仿真结果表明,该混合智能算法具有快速的收敛速度和优良的全局优化能力。     

BP神经网络改进算法在空分制氧质量预测中的应用

文中对传统BP神经网络的基本原理和学习过程进行分析,发现其存在收敛速度慢、容易陷入局部极小值等问题．采用增加动量项和自适应学习速率两种方法对传统BP算法进行改进,并将改进的BP算法运用于空分制氧质量预测网络模型中,结果表明改进的BP神经网络能够改善传统模型的缺点,而且预测质量效果较好．     

基于BFGS的混合遗传算法在模糊神经网络识别中的应用

针对传统的BP或GA对模糊神经网络的识别应用存在收敛容易陷入局部极小、识别率低下等问题,提出一种基于BFGS的混合遗传算法。其基本思想为:首先构造一种前馈型模糊神经网络结构,然后用遗传算法进化若干代后,当目标函数的梯度或者范数小于预先设定值ξ,则改用BFGS算法进行优化识别。仿真实验表明,对比GA该算法收敛速度较快,识别精度提高了约7%,能够较好地应用于一类模糊神经网络的识别。     

改进粒子群BP神经网络在高炉炉温预测中的应用

由于BP网络存在学习效率低、收敛速度慢、易陷入局部极小状态、适应能力较差等缺点,而粒子群优化（PSO）算法的收敛速度快（尤其是在进化初始阶段）,运算简单、易于实现,又没有遗传算法的编解码和杂交、变异等复杂运算,因此是一种很好的优化算法。但是,PSO算法也存在不足,该算法进化后期存在速度变慢以及早熟的现象。提出一种改进的粒子群BP神经网络对高炉炉温进行预测。通过调整粒子群算法中学习因子的自适应能力,提高算法的收敛速度和搜索全局最优的能力。通过仿真结果说明改进的粒子群算法要优于BP算法和标准的粒子群算法。     

基于DE优化的BP神经网络在入侵检测中的应用

伴随物联网的迅速发展,网络安全问题变得越来越重要。早期采用的传统BP神经网络算法存在一些致命缺点,如收敛速度较慢、无法跳出局部最优陷阱等。针对传统BP神经网络的问题,选用差分进化算法（DE）,通过差分进化算法与神经网络融合,优化BP神经网络的权值、阈值,使BP神经网络的学习能力和差分进化算法的全局搜索优势都得到充分发挥,仿真实验证明了该方法的有效性。     

神经网络计算与VCR智能融合技术

学习算法极易陷入局部极小值,很难获得全局极小值,并且其收敛速度极慢,这一直是实现BP网络快速算法的技术瓶颈。变进数（VCN）是基于传统数论中用恒进规则（FCR）制基础上创新拓展起来的更广义概念上的数,其变进规则（VCR）制的计数特性能给传统数值计算技术带来更多创新和更好应用的拓展空间。文章提出VCR智能计算用于3层BP网络快速算法和全局最优算法的融合技术,可以减少数字扰动误差,并较好地规避学习算法陷入局部极小值、找回全局极小值和降低搜索算法时间复杂性。