前馈神经网络连续二元蚁群训练模型

提出了一种用离散模型逼近连续模型进而求解连续域上的优化问题的蚁群优化算法Binary-ACO,并将Bi-nary-ACO与经典BP训练算法进行混合（LMBP和SDBP）应用于多层感知机的训练问题中,并在3个测试数据集上进行对比实验。实验结果证明单一蚁群优化算法作为一种通用的优化算法在前馈神经网络训练问题中的性能无法与经典的BP算法相比较,但是蚁群优化算法和BP经典训练算法结合的混合算法表现性能优良。两种混合算法（Bi-nary-ACO-sdbp和Binary ACO-lmbp）都获得了相当良好的解,特别是Binary ACO-lmbp这种算法不仅比单一的蚁群优化算法的性能上有相当的提高而且也优于经典的BP算法。     

基于BP网络的两点边值问题的新型收敛算法

在最优控制中,控制率的求解往往最终化为一个两点边值问题(TPBVP)的求解。由于两点边值问题具有强耦合、非线性的特点,通常采用计算机迭代的方法来求取其数值解。但是几种常用方法均存在初始点不易选取和求解时间较长的缺点。本文结合神经网络及其误差反向传播的思想,在梯度下降法的基础上提出了一种求解两点边值问题的网络新型收敛算法。大量仿真结果表明该方法可有效改善迭代计算,提高了计算性能。     

基于BP神经网络的人脸检测算法

针对灰度图像的正面人脸,提出了一种基于BP神经网络的人脸检测算法,并在Delphi 7上实现,可有效运用于复杂背景下不同表情、肤色、姿态以及不同光照条件下的人脸检测,算法快速有效。     

一种新型的CMAC神经网络

本文提出了一种的新型模糊CMAC神经网络，该神经网络与CMAC相比，它不需要对输入量进行量化，而且能够根据实际问题的性质来初始化网络参数，有利于提高网络的收敛速度。与一般的FCMAC相比，它的逼近精度更高，能够解决CMAC系列网络逼近精度不高的弱点，所以此网络的实际应用前景更广阔。     

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。     

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...     

前馈神经网络算法在DDoS检测中的应用

分布式拒绝服务（DDoS）攻击由于其攻击的隐蔽性和分布性而难于检测和防御,成为当今网络安全领域最难解决的问题之一。文章本文利用前馈神经网络理论和方法建立了DDOS检测模型。经过实验结果证明,建立的神经网络模型预测精度高,泛化能力强,具有很好的应用前景。     

一种改进的基于神经网络的入侵检测算法

径向基神经网络具有良好的分类特性,被广泛应用于入侵检测系统的研究中,然而RBF神经网络需要事先确定隐层神经元数目,并且容易陷入局部最优.利用遗传算法优化隐层神经元数目,并且基于粒子群思想优化隐层到输出层的权值,同时给出了详细的算法流程.经Lincoln实验室入侵检测系统数据评估集合测试,该智能算法的检测成功率大大提高,并且训练时间比较短,完全可以应用于入侵检测系统中.     

基于前馈型神经网络股价预测的一点改进

为减小预测误差,目前的方法是:选择对股价有显著影响的输入变量、调整网络结构及选择合适的参数、优化学习算法,这些方法都是以实际股价作为网络的预测。提出以相邻两天的股价差价作为网络的预测,在相同的数据上分别建立股价预测模型和股价的差价预测模型,并对它们的结果进行对比分析。结果表明差价预测模型的预测误差小、预测效果好。     

神经网络的特点及改进方法综述

本文在对前馈神经网络训练算法分析的基础上,阐述了标准BP算法的特点,并分析了在实际应用中存在的不足,指出了产生不足的原因,最后介绍了一些常见的改进算法,说明了进一步研究的方向。     

一种基于演化神经网络的预测算法

在神经网络预测方法中，网络结构的确定直接影响到预测结果的精确性。本文引入演化神经网络，利用遗传算法确定神经网络的结构参数，可以减少对预测用户经验的依赖性。通过对不同时间间隔的交通流实测数据的预测，表明本文中提出的预测方法具有较好的预测效果。     

正则化神经网络与提前终止迭代的比较分析

神经网络算法是一种非常经典的分类算法,然而神经网络的一个不足之处就是容易陷入过拟合。针对这种不足,正则化神经网路算法与提前终止迭代算法被提了出来。为了进一步研究这两种算法性能的差异,本文通过20个UCI标准数据集上对着这两种方法进行了性能测试。实验显示在分类准确率上正则化神经网路算法要更优秀一些,但是在分类速度上提前终止迭代算法更占优势。     

基于遗传算法优化RBF网络的预测混沌时间序列

提出用遗传算法优化径向基函数(RBF)神经网络,使其更接近非线性映射和更快的学习收敛速度.然后用改进后的RBF神经网络预测混沌时间序列.实验结果表明,基于RBF网络的混沌时间序列具有很强的拟合能力、误差小、取得更好的效果.     

基于遗传算法优化BP神经网络的锅炉燃烧建模

针对传统BP神经网络存在着容易陷入局部极小点、训练时间长等缺点,本文利用遗传算法对BP神经网络进行优化,将其用于锅炉燃烧系统的建模中。结果表明：本文的模型比文献8中单用BP神经网络建立的模型精度更高,故可行性好,对电厂燃烧的模拟与运行的经济性有帮助。     

基于BP神经网络和遗传算法的网络舆情危机预警研究

Web2.0时代,如何对网络舆情危机进行有效预警已经成为政府部门的必修课。本文充分考虑了网络舆情危机产生、发展、变化的规律及特点,综合现有指标体系的优缺点,建立了3个一级指标和11个二级指标的网络舆情危机预警的指标体系。利用遗传算法优化BP神经网络的初始权值与阀值,构建了基于BP神经网络和遗传算法的网络舆情危机预警模型。最后,通过仿真实验,结合5个具体案例对该模型进行了验证与分析。实验表明,本文建立的网络舆情预警指标体系与遗传BP神经网络模型是有效可行的,预警准确率要优于标准的BP神经网络网络模型。     

基于神经网络及遗传算法的预研项目中止决策研究

预研项目的中止决策是我国军队预研管理工作中的薄弱环节。提出了一种遗传算法和BP算法相结合的改进神经网络模型,利用这种方法进行预研项目的中止决策,可以使网络收敛速度加快和避免局部极小。以收集到的样本为例,对该方法进行实证研究,证明了该方法的有效性。     

对称矩阵特征向量的神经网络求解

对已有的一种用于求解正定矩阵特征向量（特征值得数为１）的人工神经网络进行了研究。通过细致的数学分析，得出用这种网络同样能求出一般对称矩阵最大（最小）特征值对应的特征向量。     

量子神经网络算法在电网故障诊断中的应用

将量子神经网络(QNN)方法应用到电网故障中,建立故障诊断模型。首先以保护装置和断路器的动作信息为条件属性集,建立电网故障决策表,然后将简化后的决策表作为训练样本,训练量子神经网络,使网络具有故障诊断功能。仿真实验结果表明,提出的算法有效提高了故障诊断的正确性和效率。     

基于神经网络与遗传算法的蔬菜市场价格预测方法研究

农产品市场价格预测是研究的难点.本文采用蔬菜市场价格数据,分别建立了BP神经网络模型、基于遗传算法的神经网络模型、RBF神经网络模型,并在前三种模型基础上,建立了一种集成预测模型;用北京市批发市场2003-2007年的蔬菜价格训练模型,对2008-2009年的数据进行了预报,前三种模型预报结果的平均绝对误差分别为0.1...