PSO算法优化BP神经网络

本文将PSO算法与BP神经网络算法相结合,主要目的是解决BP神经网络自身存在的缺陷,利用粒子群算法来代替BP网络中梯度下降法,从而可以更好地优化BP网络各层间的连接权值,进而提高了BP神经网络的泛化能力、学习能力,并且大大提升它的收敛速度。     

论基于MATLAB语言的BP神经网络的改进算法

针对标准BP算法存在的缺陷，本文给出了基于MATLAB语言的BP神经网络几种改进的算法，阐述了各种BP算法的优化技术原理、优缺点，并就它们的训练速度和内存消耗情况作了比较，建议在多数BP神经网络训练时，先尝试使用Levenberg-Mqrquardt算法，其次是BFGS算法或共轭梯度法以及RPROP算法。     

基于BP网络学习算法的英文字符识别

介绍了BP神经网络的基本原理,指出了BP算法收敛速度慢、易陷入局部及小值等缺陷,在标准BP算法的基础上引入了几种优化BP算法的方法.针对模式识别应用领域,通过实例,运用Matlab编程对各种较好的网络学习算法的性能进行比较,给出了一个三层BP网络识别含噪声的字母的实例.实验结果表明,改进的BP算法有效地提高了BP算法的收敛速度.     

BP神经网络模型与学习算法

分析了神经网络算法的基本原理,给出了BP神经网络算法的具体实现方法,总结了它的特点,并给出了基本流程。采用Matlab软件编程实现BP神经网络算法。将神经网络算法应用于函数逼近问题中,并分析相关参数对算法运行结果的影响,最后对BP神经网络算法进行了展望。     

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。     

基于改进粒子群BP算法的神经网络及应用

融合粒子群算法和BP算法的优点,提出了改进粒子群BP算法,阐述了其基本思想,详细的实施步骤及对标准BP算法的改进之处。为了验证提出算法的优越性,以某钢厂引进的连铸板坯二冷动态控制系统为研究对象,设计了基于该算法的表面温度神经网络控制器。以实际生产现场的设备、工艺参数为基础进行了仿真研究,改进粒子群BP算法在收敛速度、计算精度、最优解的搜索能力、算法稳定性等方面优于标准BP算法。     

基于遗传算法的BP神经网络图像复原算法研究

本文在把BP神经网络算法应用于图像复原问题基础上,引入遗传算法对BP网络训练和调整,给出具体的GABP算法方案设计及具体实现步骤,并将改进后的算法应用于图像复原仿真,验证了混合算法相较传统BP网络在收敛速度及均方误差值方面的优越性能。     

粒子群算法优化BP神经网络的指纹识别技术

指纹识别技术是当今应用最广泛的生物识别技术之一。在指纹识别过程中,图像处理、特征提取、匹配等过程数据量庞大,计算比较烦琐。BP神经网络具有良好的自学习能力、强大的分类能力和容错能力,将其应用到指纹识别中是可行的。为改进BP神经网络计算速度较慢,梯度下降法不能处理一些不可微传递函数的问题,采用粒子群算法对BP算法进行优化,提高了指纹识别的速度和准确度。     

BP人工智能神经网络拓扑结构及算法

论述了BP神经网络模型拓扑结构及其算法,给出了BP网络正向传播和反向传播的函数,BP网络的结构确定,提出了BP网络运算的改进方案。     

基于混合BP神经网络算法的信用卡消费行为风险预测

随着中国信用卡市场的急速发展,信用卡消费行为的风险评估已成为业界研究的一个重要方向.目前风险预测的研究常采用单一的BP神经网络算法,但该算法存在一些固有缺点,如易陷入局部极小点、收敛速度较慢等,这些缺点会影响风险预测的效果.针对单一BP神经网络算法的不足,提出了一种将BP神经网络算法与遗传算法相结合的混合算法,它以BP神经网络作为基础,利用遗传算法对BP神经网络进行优化,并通过数据集的实验证明该混合算法要优于单一BP神经网络算法,可以有效提高信用卡消费行为风险评估中的检测率和准确率.     

基于MATLAB的BP神经网络改进算法研究

BP算法是MLP网络的标准训练算法,虽然BP网络得到了广泛应用,但其自身也存在一些缺陷和不足,通过对BP神经网络的众多改进算法进行分析比较,在实际应用中,对同一个样本,在MATLAB中用不同的BP改进算法进行训练可以得出LMBP算法的收敛速度快,训练次数少,训练效果好。但对于复杂的问题,这种方法需要很大的内存,在MATLAB工具箱中解决了这个问题。因此,对于中等规模的网络,采用LMBP算法是最合适的。     

高层建筑结构设计BP算法的精度优化

针对传统的BP神经网络算法在对高层建筑进行结构设计时还存在精度不高、误差较大等问题,本文提出了一种基于自适应和误差修正BP神经网络算法的高层建筑结构设计模型,该模型在BP神经网络算法的基础上,首先采用自适应调整策略对其网络模型进行优化,然后采用增加动量项、误差累积处理和陡度因子优化等误差修正策略提高原算法的训练精度。仿真试验结果表明,本文提出的基于自适应和误差修正BP神经网络算法的高层建筑结构设计模型相比较传统的BP神经网络算法精度要高,具有较好的鲁棒性。     

基于PCA-LDA与蚁群优化BP神经网络的人脸识别算法

针对人脸识别问题,提出了一种新的算法。该算法利用融合的PCA和LDA算法进行特征提取,并使用蚁群优化的BP神经网络进行人脸识别。使用融合的PCA和LDA算法对特征向量进行提取压缩,为了提高BP神经网络对人脸的分类精度和减少训练时间,使用蚁群算法优化BP神经网络的初始参数,并使用优化后的BP神经网络进行训练和人脸识别。在ORL人脸数据库的仿真结果表明,该算法能有效提高人脸识别性能,具有较高识别率。     

基于LM算法的BP神经网络股价预测

介绍了一种BP神经网络的改进Levenberg-Marquardt(LM)算法原理,用这种方法对上证指数收盘价进行了训练和仿真,并将此改进算法与标准BP算法及其他三种改进算法进行了比较。结果表明,该算法稳定、快捷、预测准确,适合应用于对实时性要求比较高的股票市场。     

遗传BP算法在双色球彩票预测中的应用

介绍了目前双色球彩票的现状,以及统计方法预测的不足,分析了BP算法和遗传算法的特点及不足,提出了遗传BP算法。基于遗传BP算法,建立了双色球预测模型,并对近100期双色球的数据进行实验验证。实验结果表明预测模型比较成功,能够在一定程度上帮助彩民朋友进行彩票选号。     

基于BP算法的多层感知器设计

多层感知器应用的BP算法是有导计算法的一类,根据最小均方差的误差原则进行计算。BP算法是多层感知器建立的基础算法,可以进行函数的逼近和相关的仿真运算。但BP算法也具有其自身的局限性,如收敛速度低和易陷入局部极小等。本文将介绍标准BP算法和它的改进,借此对多层次感知器的设计进行分析和建议。     

一种改进的神经网络学习算法研究

传统BP算法主要存在网络收敛速度慢,易陷入局部极小的问题。针对经典BP算法存在的问题,提出一种新型激励函数,并且联合使用了一些先进的技术对人工神经网络做了改进,改进算法具有更快的收敛速度、并且能有效地避免算法陷入局部极小。     

基于BA-BP算法的企业经营状况评价模型

传统BP神经网络参数的选取是随机的,这样易使网络陷入局部最优,针对这一缺点,提出了利用蝙蝠算法优化BP网络参数的改进算法——蝙蝠-BP算法(BA-BP),并将其应用于企业经营状况的评价研究中。建立了基于BA-BP算法的企业经营状况的评价模型,运用测试样本对该评价模型与传统BP模型的预测效果进行了对比,仿真结果表明:BA-BP算法的预测精度比传统BP神经网络的预测精度高,所以基于BA-BP算法的评价模型能够有效地评价企业的经营状况。     

BP算法学习率自适应性研究

BP算法通过迭代地处理一组训练样本,将每个样本的实际输出与期望输出比较,不断调整神经网络的权值和阈值,使网络的均方差最小。BP算法的有效性在某种程度上依赖于学习率的选择,由于标准BP算法中学习率固定不变,因此其收敛速度慢,易陷入局部极小值。针对此问题,通过分析BP神经网络的误差曲面可知,在误差曲面平坦区域需要有较大的学...     

基于BP算法和遗传算法结合的自适应噪声抵消器

提出一种基于遗传算法优化BP网络结构的自适应噪声抵消器,BP算法是最典型的多层神经网络学习算法,它在局部搜索时比较成功,但由于BP网络大多采用沿梯度下降方向的搜索算法,因而不可避免地存在收敛速度慢,容易陷入局部极小点等问题。而遗传算法擅于全局搜索,鲁棒性很强,将采用遗传算法优化网络初始权值的方法,将两种算法相结合,做到优势互补。GA与BP算法的混合算法不论是在运行速度还是在运算精度上都较单纯的BP算法有提高,在信噪比的改善程度上,混合算法的信噪比针对余弦信号提高了23db左右。