BP神经网络的模型优化研究及应用

随着神经网络在数据分析、预测及生产控制中的应用,神经网络的优化学习成为研究的一个重要课题.通过探讨BP神经网络模型的建立过程,针对BP神经网络的模型优化问题进行了详细研究.并通过对银行客户分类的仿真实验证明,优化模型能够有效地提高BP神经网络的收敛速度及预测精度.     

基于混沌模拟退火算法的BPNN模型的随机混沌系统辨识

文章针对随机混沌系统辨识引入贝叶斯正则化方法的BPNN模型,使神经网络具有自适应性和推广能力;并交替使用贝叶斯正则化算法和混沌退火算法对网络参数进行优化,使系统具有最佳参数．以Logistic系统为例进行仿真分析,结果表明辨识模型不仅能够拟合原混沌系统,而且训练后的网络对含噪声的随机混沌系统有很好的辨识能力,精度良好．为下一步的设计控制器对混沌系统进行控制消除混沌,奠定了良好的基础．     

基于人工神经网络的导航卫星钟差预报方法

建立一种基于改进型BP神经网络的卫星钟差高精度预报方法。使用PSO算法对BP神经网络结构参数和连接权值阈值进行优化;引入自适应变异因子,以一定概率初始化部分变量改进PSO算法。通过实验验证本文提出的改进BP神经网络算法对于解决BP神经网络容易陷入局部最小值以及训练收敛速率低等问题,以及常规PSO算法早熟收敛等问题具有较好的效果。选用取自IGS网站提供的4颗GPS卫星钟差数据进行288次连续5 min、24次连续1h以及连续7次1 d的预报研究。结果表明,研究预报方法的预报精度和稳定性要明显优于使用常规BP神经网络和LSSVM算法建立的模型。     

对减肥问题的若干新认识

不断加快的生活节奏和日益增大的生活压力,让我们的生活方式和生活习惯也发生了巨大的变化,糟糕的生活方式"造就"了肥胖的身躯,肥胖人群日益增多。肥胖被认为是过多脂肪在体内堆积,从而引发危害人体健康的一种流行性疾病,体脂超标已然成为现代人健康的最大影响因素之一。作者检索了中国知网数据库、中国硕博论文库、Sportdiscuss数据库等数据库中的相关文献,分析了近年来有关减肥研究的结果,运动加上节食是目前公认最为安全有效的减肥方法之一。与传统单纯采用有氧运动消耗能量达到减肥目的相比,力量练习的配合能更有效提高减肥效果;节食不能单纯依靠降低摄入量,要合理改善饮食结构,双管齐下,达到减肥目的。     

改进的BP神经网络预测高校毕业生就业能力

针对传统BP算法的神经网络收敛较慢的缺点,提出基于L-M(Levenberg-Marquard)算法的神经网络对影响高校毕业生就业能力的各项因素进行分析的模型,以预测高校毕业生的就业能力存在的不足.因素量化采用模糊数学中的格贴近度和专家打分的方法.仿真结果表明:系统模型缩短了训练时间,具有较高的准确性,预测值与实际值的误差很小,可以将此模型应用于对高校毕业生就业能力的预测.     

减肥模型的马尔可夫骨架过程建模

利用侯振挺教授等人提出的马尔可夫骨架过程理论讨论了减肥数学模型．通过对减肥模型进行马尔可夫骨架过程建模,得出结论：在任一时刻t体重L（t）的瞬时分布是某线性方程的最小非负解．     

减肥模型的马尔可夫骨架过程建模

利用侯振挺教授等人提出的马尔可夫骨架过程理论讨论了减肥数学模型．通过对减肥模型进行马尔可夫骨架过程建模,得出结论：在任一时刻l体重L（t）的瞬时分布是某线性方程的最小非负解．     

一个时间分数阶扩散方程的源强识别反问题

对于一类带有多个点源的分数阶维扩散方程问题,应用有限差分法给出了一个数值求解格式,并在已知点源个数及其位置的前提下,应用最佳摄动量正则化算法对源强进行了数值反演,并讨论了扰动数据和微分阶数的不同选取对反演算法的影响.     

基于L-M优化算法的学分绩点预测模型构建

利用学生历史成绩数据和课程之间关系,构建基于BP神经网络的学分绩点预测模型,具有一定的理论和实际应用价值.BP神经网络能够自适应学分绩点统计中课程之间的层次和网络关系,非常适合用于复杂非线性关系的预测.比较了不同算法训练的网络预测结果,发现L-M优化算法预测性能最优.最后,运用函数进行仿真,然后将仿真结果与样本数据对比,验证了L-M优化算法预测模型准确性高,能够用于学分绩点的预测.     

基于人工神经网络的个人信用评估模型

针对个人信用评估，提出了人工神经网络的评估模型。对于训练好的网络模型，用户可在输入客户数据的基础上，调入生成好的规则，正确得到客户的评价结果。     

非接触式UWB传感的生命体征检测分析

为解决心跳信号易被呼吸谐波和其他噪声干扰而难以提取的问题,提出一种结合遗传算法(GA)和反向传播(BP)神经网络的聚类经验模态分解体征提取模型.首先,采用动目标检测法滤除超宽带(UWB)雷达所接收回波信号中的静止杂波;然后利用距离门选择方法提取出体表振动信号,对其进行聚类经验模态分解得到固有模态函数分量;最后通过GA-...     

用人工神经网络预测时用水量的方法

根据城市时段用水量序列季节性、趋势性及随机扰动性的特点 ,利用人工神经网络方法 ,建立了时间水量短期预报模型 .选取不同的隐层结点数 ,采用相同的输入样本及预测数据进行训练和预测 ,并通过比较其相对误差的大小 ,确定了神经网络的结构 ,并应用 Matlab语言进行了具体的建模和预报 .实例考核证明 ,该方法与常用的时间序列三角函数分析法相比 ,具有预测误差小、计算速度快等特点 ,可满足供水系统调度运行的实际需要     

人工神经网络用于吲哚喹唑啉衍生物的QSAR研究

应用BP神经网络方法对20个吲哚喹唑啉衍生物的定量一结构活性关系(QSAR)进行了研究,采用自编的软件进行跟踪学习,当ξ=0.8,ψ=0.75时获得了较好的拟合,相关系数R=0.9996,标准偏差SD=0.0172,结果优于回归分析法R=0.8505,SD=0.2641.随机挑选16个化合物作为训练样本集,剩余的4个化合物作为预测样本集,标准误差SE=0.3471,表明该QSAR模型具有良好的预测效果,可为活性更高的该类化合物的设计提供理论参考.     

IPSO-BP神经网络模型的教学质量评价

针对目前教学质量评价过程中存在的评价方法单一、主观性强等问题,为进一步提高教学质量评价的有效性和准确性,将粒子群算法(IPSO)和BP神经网络相融合,建立了一种基于IPSO-BP算法的神经网络评价模型。利用教学方法、教学内容、教学态度以及教学效果4个指标构建教学质量评价指标体系;采用IPSO算法对BP模型的参数进行训练,优化其权值和阈值;将训练好的模型用于教学质量评价的测试和验证。结果表明,所构建的IPSO-BP模型收敛速度快、寻址效率高,可大大提高评估准确率,与普通BP神经网络相比,预测准确率达到96.7%,在教学质量评价中具有一定的应用和参考价值。     

基于人工神经网络BP算法的黄冈市房价预测

利用2003年至2010年黄冈市区人均地区生产总值、房地产开发投资、城镇居民人均住房使用面积等相关数据,根据人工神经网络BP算法,预测出2011年和2012年黄冈市区房价,与已经公布的这两年房价数据比较,符合预期误差范围。在此基础上,预测出2013年的房价,可以看出黄冈市区房价总体保持增长趋势,结合预测结果,给出合理化的解释。     

求解大规模线性离散不适定问题的RRArnoldi-Fractional Tikhonov正则化算法

不适定问题广泛出现在地球物理、自动控制等多种领域.正则化方法是求解此类问题近似解的有效算法.将Fractional Tikhonov正则化算法应用于投影算法,提出了求解大规模线性离散不适定问题的Arnoldi-Fractional Tikhonov正则化算法.进一步提出限制值域的Arnoldi-Fractional Tikhonov正则化算法.并针对经典算例,进行了数值试验和比较.数值试验结果表明了新算法是有效且具有优势的.     

提高BP神经网络学习速率的算法研究

BP(Back Propagation)神经网络是一种按误差逆传播算法训练的多层前馈网络。本文针对BP神经网络学习速率低、收敛速度慢的问题进行研究,介绍了标准的BP算法和提高收敛速度的动量因子法和变步长法,对比实验结果明显,旨在为研究BP神经网络学习速率提供参考。     

基于改进BP神经网络的湘西方块苗文图像识别

湘西方块苗文是湖南省湘西少数民族地区使用的一种文字,在采用传统的BP神经网络对字符图像进行识别时,易出现收敛速度慢、陷入局部极小值的问题。对此,为采用BP神经网络对湘西方块苗文图像进行更好地识别,提出了一种基于附加动量法和自适应学习速率相结合的改进型BP神经网络,并将其应用于湘西方块苗文的识别。仿真结果表明,该算法不但收敛速度快,而且可以避免陷入局部极小值。     

基于BP神经网络的供应商评价决策优化模型

本文利用BP神经网络建立了一种供应商评价模型。该模型实现了供应链中的供应商的多指标评价,提高了供应商选择过程的客观性,同时该模型克服了指标权重难以表达的缺点。最后,用实例对模型进行了验证。     

基于BP神经网络的供应商评价决策优化模型

本文利用BP神经网络建立了一种供应商评价模型.该模型实现了供应链中的供应商的多指标评价,提高了供应商选择过程的客观性,同时该模型克服了指标权重难以表达的缺点.最后,用实例对模型进行了验证.