一种前馈神经网络算法

神经网络由于其非线性处理能力强。性能稳定等特点得到了广泛应用和研究。主要应用于模式识别、信号处理、知识工程、专家系统、优化组合、机器人控制等。神经网络中使用最为广泛的就是前馈神经网络。其网络权值学习算法中影响最大的就是误差反向传播算法(back-propagation简称BP算法)BP算法存在局部极小点。收敛速度慢等缺点。基于优化理论的Levenberg-Marquardt算法忽略了二阶项。该文讨论当误差不为零或者不为线性函数即二阶项S(W)不能忽略时的Hesse矩阵的近似计算,进而训练网络。     

基于神经网络的姿态识别算法

公共场所视频监控网络部署日益完善,智能视频监控技术在安防、交通等领域作用越来越大。针对视频监控数据中的人类目标,提出一种基于计算机视觉的姿态识别方法。通过YOLO算法和AlphaPose模型完成对视频中人类目标检测识别以及姿态估计,在此基础上分析人体关节之间的角度对姿态分类的影响,从中提取有效的分类特征,构造并训练5层神经网络模型,完成对站、坐、躺最常见3种姿态分类。实验结果表明,训练得到的神经网络模型准确率达到85%以上,识别速率大约为每秒30帧,在安防监控、检测人员摔倒、疾病报警等方面具有一定应用价值。     

基于神经网络的姿态识别算法

公共场所视频监控网络部署日益完善,智能视频监控技术在安防、交通等领域作用越来越大。针对视频监控数据中的人类目标,提出一种基于计算机视觉的姿态识别方法。通过YOLO算法和AlphaPose模型完成对视频中人类目标检测识别以及姿态估计,在此基础上分析人体关节之间的角度对姿态分类的影响,从中提取有效的分类特征,构造并训练5层神经网络模型,完成对站、坐、躺最常见3种姿态分类。实验结果表明,训练得到的神经网络模型准确率达到85%以上,识别速率大约为每秒30帧,在安防监控、检测人员摔倒、疾病报警等方面具有一定应用价值。     

基于BP神经网络的异常入侵检测方法

提出一种基于BP神经网络的异常入侵检测方法,由于BP神经网络是一种基于误差反向传播算法的多层前馈神经网络,具有对不确定性的学习与适应能力,可以很好的满足入侵检测分类识别的需求.对“KDD Cup 1999 Data”网络连接数据集进行特征选择和标准化处理之后用于训练神经网络并仿真实验,得到了较高的检测率和较低的误报率.仿真实验表明,基于BP神经网络的入侵检测方法是有效的.     

一种改进的前馈神经网络算法

介绍了前馈神经网络算法,讨论了当误差不为零或者不为线性函数即二阶项S(W)不能忽略时的Hesse矩阵的近似计算,并通过仿真实验证明了结合BFGS算法的神经网络具有更好的收敛性,误差更小。     

运用ANNs算法和BP算法对产业优化转型升级研究

将产业优化转型升级分成产业信息共享和产业信息创新维度,采用人工神经网络算法和误差反向传播算法对产业优化转型升级模型进行构建,并对产业优化转型升级的模型进行分析,从而有利于产业优化转型升级的进行.     

基于神经网络的人体姿态估计方法研究

随着人工智能技术发展,人体姿态估计广泛应用于动作识别、人机交互和服装解析等领域,成为计算机视觉领域研究热点,其中基于神经网络的人体姿态估计方法倍受关注。结合人体姿态识别相关流程,论述人体检测、人体姿态估计和人体姿态优化等步骤,阐述相关步骤中的新算法,为后续研究提供参考。     

利用神经网络预测人口数量

利用先进的预测技术人工神经网络技术，根据襄樊市历年人口数量对襄樊市人口数量进行预测，为有关部门人口普查提供参考，预测结果证明该法较其他预测方法精度高且有效。     

基于神经网络的人体姿态估计方法研究

随着人工智能技术发展,人体姿态估计广泛应用于动作识别、人机交互和服装解析等领域,成为计算机视觉领域研究热点,其中基于神经网络的人体姿态估计方法倍受关注。结合人体姿态识别相关流程,论述人体检测、人体姿态估计和人体姿态优化等步骤,阐述相关步骤中的新算法,为后续研究提供参考。     

基于BP神经网络的声源定位研究

传统声源定位算法计算量较大,不适合复杂多变的场景,因此提出基于BP神经网络的声源定位算法。该算法以麦克风阵列接收声音的时间差作为输入,以声源位置坐标作为输出。为了得到较理想的BP神经网络模型,借助MATLAB仿真实验,分别讨论了神经网络中神经元个数、隐藏层层数以及反向传播函数对算法精确性的影响。其中,结合不同反向传播函数的特点和局限性,选择5种反向传播函数分别在不同数据量下进行对比实验。实验结果表明,采用7个神经元、3层隐藏层与LM反向传播函数的BP神经网络模型较适合该研究场景,准确度可达到较高水平,R值可达到1,MSE值在e-11数量级下,位置误差在毫米范围内。     

基于改进BP神经网络的网络入侵检测研究

随着互联网的快速发展,网络安全问题日益突出,入侵检测方法研究变得愈发重要.为提高网络入侵检测能力,首先对传统BP算法进行优化,然后对KDD99数据集进行了数据的预处理和特征选择,设计了优化的BP神经网络模型,最后进行了仿真实验.结果表明:相较于传统BP算法模型准确率提高了12.12%,达到96.64%,误检率降低至3.65%,模型的收敛性和稳定性都有所提高,达到了预期效果.     

基于神经网络的协同入侵检测

针对计算机网络规模大、网络流量大、结构复杂等特点,使得检测代理负载过大导致丢包率较高而准确率较低,提出了基于神经网络的协同入侵检测,该方法根据网络协议构建多个检测代理(TCP检测代理、UDP检测代理和ICMP检测代理),多个检测代理协同工作减少检测代理的负载,从而提高检测准确率。最后用KDDCUP99进行仿真实验,结果表明该方法可以有效提高训练时间和检测时间,同时提高准确率。     

基于改进BP神经网络的DDoS检测模型研究

分布式拒绝服务(DDoS)攻击是当今最流行的网络攻击之一,对该攻击的检测是当前网络安全研究领域中的难点.文章在系统分析比较国内外DDoS攻击检测理论和方法的基础上,根据DDoS攻击时数据包的特性,运用改进BP神经网络理论和方法建立了DDoS检测模型.该方案所采用的技术,实现简单,代价小,具有很好的实际应用前景.     

基于BP神经网络的刀具磨损监测

结合调研资料和现场实验,文章确定了刀具磨损是影响环型零件加工精度的主要因素。针对刀具磨损,采用声发射法进行监控,运用移频小波包算法对实验采集的AE信号进行特征值提取。通过采用BP神经网络,独创性地提出将铣削时间和AE信号特征值有机结合从而建立刀具磨损监测预报模型,其模型的准确率可达96.2%,能够实时、快速、可靠地监测刀具的磨损情况。     

基于BP神经网络对网站访问量的预测

讨论了利用BP神经网络对网站访问量的预测.在网络营销中网站访问量是衡量一个网站价值的重要指标,但由于网络本身就是一个复杂的非线性系统,很难预测,同时又受多种复杂外界因素影响,其宏观流量行为往往复杂多变,还受到很多未知因素的干扰,BP神经网络提供了一个很好的解决方案.     

基于BP神经网络的水体富营养化评价的研究

水体富营养化改变了水体的理化性质,不仅破坏生态的平衡还严重影响人类的健康．因此,对水体富营养化的研究是一件有意义的研究工作．BP神经网络由于操作简便易行,可以白组织、自学习、白适应并具有容错和抗干扰能力等特点,已成为水体富营养化评价的一个热门．文章应用BP神经网络对泉州市山美水库的水体营养状况进行评价,并与综合营养指数法进行了比较,提出了富营养化的防治对策．     

集装箱量预测的BP神经网络方法

介绍了BP神经网络的基本理论 ,建立了集装箱运量时间序列的BP神经网络预测模型。并将此模型应用于上海港集装箱运量的预测。结果表明 ,与传统的预测方法相比 ,该方法具有较好的非线性自适应能力和预测精度     

基于四层BP神经网络模型的数字水印技术

对神经网络应用于数字水印技术进行了改进,选择了一种DWT变换嵌入算法的BP四层模型作为神经网络的训练模型,它能更好地实现了水印的盲提取。实验结果表明,该算法对常用的图像处理如压缩、低通滤波、加噪、剪切、旋转和缩放等攻击具有较好的鲁棒性和不可见性。     

基于BP神经网络的停车引导系统设计

一个先进的停车引导系统对解决城市交通拥堵,建设现代化大都市具有重要意义。在现有的实时停车引导系统的基础上,提出了采用BP神经网络算法对泊位信息进行科学预测,并通过实验论证了该预测算法的正确性,很大程度的提高了系统的可靠性。着重论述了停车引导系统的软件实现,系统的软件由数据采集、数据传输、数据发布和数据处理4个部分组成。