关于BP神经网络的几点研究

以结构为3－5－2的网络为例,对BP神经网络的稳定性、权值的收敛趋势、样本识别率和网络总误差对权值的影响等做了研究,结果表明系统总误差的减小会促使网络权值将向最优方向调整,但这种调整有一定的极限。     

基于改进神经网络模型的股指预测实证研究

针对BP神经网络容易陷入局部最小值以及网络收敛速率缓慢等问题,利用遗传算法优化网络权值和阈值,根据网络输出总误差变化对学习率进行动态调整,并运用改进的BP神经网络模型对上证指数进行预测分析.实证研究表明,改进的BP神经网络预测模型能够加快算法收敛速率,有效地提高预测精度.     

BP网络的主控式误差调整学习算法

提出一种BP神经网络的主控式误差调整学习算法,该算法根据网络输出端的误差变化趋势主动控制输出层的误差调整,进而由调整误差的主动调节控制网络权值和阈值的学习。计算机模拟结果表明,这种学习方法具有能稳定收敛、收敛速度快、适用范围宽、泛化能力强等特点,从而在一定程度上克服了传统BP算法的局限性,实现较有效的学习。     

基于改进BP网络的时延预测建模与仿真

针对远程控制中的时延预测需求,考虑典型BP网络学习方法导致的局部最优问题,对权值调整规则进行了改进。基于改进后的学习方法,提出了专用于Internet时延的预测模型。仿真结果表明,改进后的Internet时延预测模型在预测精度和稳定性方面的性能有所提高,且预测误差均值低于10%,满足实际需求。     

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神经网络计算法及其应用研究

研究了BP神经网络的算法,提出了权值、阈值调整的双动量算法和学习率调整的批处理半恢复自适应调整法,使网络总体收敛性较好,用所设软件计算了15种含氢原子共价键的键长。     

改进型BP算法在船舶主柴油机冷却系统故障诊断中的应用

提出了一种采用改进型的BP神经网络诊断船舶主柴油机冷却系统故障的新方法.介绍了包括附加动量法和自适应学习速率法在内的改进型的BP算法,其中附加动量法是在每一个权值的变化上加上一项正比于前次权值变化量的值,不仅考虑了误差在梯度上的作用而且考虑了在曲面上变化趋势的影响;自适应学习速率根据误差函数值的变化对学习率进行实时调整,可以保证网络总是以最大的学习速率学习.给出了仿真实例,实验证明所提出的方法与传统方法相比有更好的实时性和诊断效率,也具有较好的故障诊断能力.     

基于核主成分降维的RBF网络降水预测

针对径向基函数神经网络（RBF网络）的隐层节点数、中心和宽度难以确定的问题,为提高网络性能,首先采用模糊聚类分析法对样本数据进行初始聚类,以初始分类间的最小距离作为初始宽度;然后引入正交最小二乘法训练出新的数据中心、个数及权值,修改宽度为当前数据中心间的最小距离;最后采用梯度下降法训练并调整中心、宽度及权值;几种算法进行的组合优化改进,使网络泛化性能更优.由于降水影响因子众多,采用了核主成分分析法（KPCA）对样本数据进行特征提取降维预处理.对广西5月3区的日降水量使用上述模型进行预报实验,结果表明,该模型具有较好的泛化性能,预报准确率高于T213降水预报模式,具有一定的推广价值.     

基于BP网络的PID控制器参数整定法研究

将神经网络和PID参数的整定相结合,提出了基于误差反传神经网络的PID参数整定方法,通过神经网络的自学习和权值调整寻找最优的PID参数．该方法适用于非线性系统和时变系统,实现了PID参数的在线整定．     

基于混沌时间序列的模糊神经网络预测研究

为研究混沌时间序列预测问题,提出了一种结合模糊神经网络的预测方法,对输入数据进行模糊规则提取,再经过优化得到最佳模糊规则库。通过神经网络的自适应学习能力调整隶属函数参数及网络权值等信息,对相关混沌时间序列进行预测。对Mackey-Glass系统及Lorenz系统进行仿真实验,结果证明了该系统的有效性。     

基于粒子群算法的BP神经网络优化在电站锅炉燃烧中应用研究

用BP神经网络对电站锅炉运行数据进行训练、测试,并在此基础上使用粒子群算法对已建立的锅炉BP神经网络模型做进一步优化。通过对网络预测输出值与实际值之间的比较,明确PSOBP可以更好地提升BP神经网络的泛化能力。     

三种分类预测模型在医学中的应用研究

基于一个肾衰竭患者数据,应用两种神经网络(BP神经网络和贝叶斯正则化BP神经网络)与常用的二分类Logistic回归对肾衰竭患者是否死亡进行预测,并比较三种模型的预测效果.三个模型的判对率都达到89%以上.其中,以贝叶斯正则化BP神经网络的判对率和ROC曲线下面积(AUC)最大,即预测效果最好;BP神经网络和Logistic回归预测效果差别不大.     

利用BP神经网络实现函数逼近

人工神经网络是一种非线性的动态数学模型,具有很强的函数逼近功能.本文先介绍BP网络结构,然后介绍MATLAB神经网络工具箱中关于神经网络系统设计的函数,并在此基础上设计一个BP网络来验证神经网络的函数逼近能力.     

神经网络的BP训练算法和遗传优化训练算法的对比研究

BP算法是人工神经网络的传统常用训练算法。遗传算法是一种新型的、随机性的、全局性的优化方法。基于MATLAB对比这两种训练方法的异同和优缺点,从而达到神经网络的最优化训练,充分发挥神经网络的作用。     

误差反向传播神经网络（BP网络）算法的启发式改进

本文主要研究了人工神经网络中误差反向传播神经网络（BP网络）的算法及学习规则,并针对BP网络算法不具有动态信息处理能力,提出了算法的启发式改进。     

一种BP网络的土壤电导率数据融合算法研究

根据各个传感器测量的农田土壤信息,设计一种基于BP神经网络的融合算法,建立合理的数据融合模型,仿真得到农田的精确信息,有针对性的投放农业生产资料,精确控制投放,以更好地实现耕地资源的合理高效利用和农业的现代化精准管理．     

基于粗糙集-BP神经网络的电子政务系统风险验证模型构建

针对电子政务系统的风险决策过程中存在大量不确定、不完全信息等特征,在传统粗糙集的基础上,将BP神经网络模型引入到电子政务系统的风险验证体系中,研究识别出电子政务系统风险因素,并以所识别的风险因素为对象,建立一套风险验证关键指标体系,运用基于粗糙集-BP神经网络模型建立风险评价方法,得出了电子政务风险验证模型指标的可能性、各方面风险因素生成可能性和风险后果大小的评估级别。     

现实环境下权证定价方式探讨

权证是一种特殊期权,B-S模型是迄今为止被认为最精确有效的期权定价模型,但该模型必须建立在许多假设下,而这些假设与现实世界是不尽相符的,使得此模型在实际运作上易产生价格偏差的现象。人工神经网络由于能模拟人脑的思维方式,具有高速计算和学习的特性,使它在预测、评价等方面有很好的应用效果。应用基于BP神经网络的权证定价方法可以缩小对权证价格预测的误差。     

基于BP神经网络的网络安全评价方法研究

阐述了BP神经网络的基本理论、算法、缺陷及改进方法,在遵循BP网络建模基本原则和步骤的情况下,建立了可靠、有效的网络安全综合评价模型。通过实例对网络安全进行研究,选择合适的学习样本及参数进行训练,并获得较好的评价结果,评价结果客观、正确,计算结果贴近成功案例结果。