BP网络的算法及在MATLAB上的程序仿真

在介绍了BP网络基本原理的基础上,阐述了现有的有关BP网络的3种算法,并对这些算法进行了比较,指出在实际应用中BP网络的缺陷.另外利用Matlab神经网络工具箱,采用自适应学习率BP算法对模式识别问题进行了程序设计、训练和仿真.     

基于改进BP网络的手写体汉字识别技术

研究了手写体汉字识别技术，采用改进BP算法进行网络训练，提高了算法的收敛速度。同时，利用神经网络完成了汉字识别系统的实现。实验表明系统较好地回避了汉字结构复杂、变形难以预测等问题，提高了识别效率。     

基于自适应遗传BP算法神经网络数据融合的空中目标识别

空中目标识别是现代防空作战的重要研究内容。本文利用不同类型目标产生的多类型传感器的数据信息对目标进行识别。为了训练神经网络目标识别分类器，将遗传算法和BP算法相结合，提出了一种新的自适应遗传BP算法，利用这种神经网络来确定指标的权值。仿真试验结果表明，基于自适应遗传BP算法神经网络的识别是一种简单、可靠的目标识别方法，具有很好的目标识别效果。     

基于GWO-BP神经网络的攻击区解算方法

为解决运用传统BP神经网络求解空空导弹攻击区时误差较大的问题,提出了一种基于灰狼优化算法的BP神经网络攻击区求解算法(GWO-BP)。首先分析了影响空空导弹攻击区的主要因素,确定了BP神经网络的初始输入值;然后运用灰狼算法对网络的初始权值和阈值进行优化;最后运用优化后的权值和阈值搭建BP神经网络,并输入训练集对网络进行训练。仿真结果表明,相比未经优化的传统算法,GWO-BP算法求解误差更小,提高了攻击区解算的准确性。     

基于H?滤波算法的BP网络在SINS/GPS中的应用

实际系统中存在的各种不确定性和非线性将使估计精度降低、卡尔曼滤波发散。针对这些问题,文章提出了基于H∞滤波算法的BP网络自适应滤波技术,采用H∞滤波算法在线调节BP网络的权值,并应用在SISN/GPS中。仿真结果表明,该网络具有较好的鲁棒性,其精度与H∞滤波算法的精度相当。     

基于PNN-DS信息融合模型的目标识别方法

针对目标识别中常用BP—DS信息融合方法识别率低,运行速度慢,抗噪性差等问题,提出一种基于PNN网络和DS证据的信息融合方法。该方法不仅综合了证据理论在处理不确定信息方面的优点和神经网络在数值逼近上的长处,利用神经网络和证据推理算法获取了基本概率赋值,同时突出了PNN网络在处理多传感器信息的准确性和运算速度上都要优越于BP网络的特点。     

军用装备采购费用评估中的神经网络模型

在BP神经网络理论指导的基础上,从影响装备采购费用的因素出发,根据BP神经网络的多层结构,运用反向传播算法(BP算法)构建战斗机采购费用BP网络模型;同时,运用BP网络模型对已知采购价格的5种类型军事装备进行了采购费用估算和MATLAB仿真,取得了比较满意的结果,达到了提高装备采购费用的预测速度和精度的目的,显现了BP神经网络方法的优点,为军用装备采购价格的预测提供了一种新的有效的方法。     

组合BP神经网络在数据挖掘中的应用

在吸收了人工神经网络解决非线性问题优点的基础上,针对数据挖掘的特点,提出了一种组合BP神经网络的数据挖掘方法。该方法是按照一定方式将n个BP网络组合成一个复杂的BP网络模型,并运用改进的启发式BP算法以实现有用模式的挖掘,能够大大缩短训练时间和提高挖掘精度。     

基于声发射的铝蜂窝板超高速撞击损伤模式识别方法

为通过声发射技术识别铝合金蜂窝板超高速撞击(HVI)的损伤状态,提出一种基于神经网络的损伤模式识别方法。通过超高速撞击实验获取声发射信号,结合精确源定位技术、时频分析技术、小波分析技术及模态声发射技术,提出了10个与损伤相关的特征参数,通过非参数检验分析其与损伤的关系,设计了一种基于贝叶斯正则化BP神经网络的超高速撞击损伤模式识别方法。建立最优网络模型,通过不同参数组合识别能力分析,优选出2种特征参数组合,通过非同源样本对其损伤模式识别能力进行验证。结果表明:传播距离与损伤模式无关,却是识别损伤模式的重要参数;125~250kHz频域的自动加窗小波能量比会降低损伤模式的识别能力;采用贝叶斯正则化的BP神经网络可以较好地识别蜂窝板超高速撞击损伤模式,参数组合为传播距离、上升时间、持续时间、截止频率、4个自动加窗小波能量比及小波能量熵,共9个参数,对任意选取非同源样本识别错分率仅为9.38%。     

基于BP神经网络的飞机维护费用估算模型研究

前向反馈(Back Propagation,简称BP)网络通常是指基于误差反向传播算法(BP算法)的多层前向神经网络.目前,在人工神经网络的实际应用中,绝大部分的神经网络模型是采用BP网络或它的变化形式,它也是前向网络的核心部分,体现了人工神经网络最精华的部分.     

基于遗传算法和BP网络的航空发动机拆换期望值预测

通过使用真实样本实验的方法,在BP神经网络、GA遗传算法与改进的GA-BP复合算法中,找出能迅速精确地预测航空发动机拆换期望值的最佳方法。试验结果证明,GA-BP复合算法在用遗传算法对神经网络的权值进行大致搜索以后,再用神经网络方法进行训练,能很好地模拟发动机拆换期望值,并用实例证明该算法是有效的。      

基于遗传算法的空空导弹消耗规律神经网络预测方法

针对弹药预测问题,介绍了基于遗传算法的BP神经网络的相关原理及理论,研究了基于遗传算法的空空导弹消耗量BP神经网络预测方法,弥补了传统的BP神经网络法在弹药预测方面存在许多缺点,采用遗传算法求得影响弹药消耗各因素的权值及阈值,具有较高的准确性;同时,优化过程是对神经网络算法的权值及阈值进行优化,由适应度函数计算出染色体的适应度值,再经过选择、交叉及复制等操作,得到适应度最高的个体。对历次空战空空导弹消耗量数据进行归一化处理,将处理结果带入传统BP测,得到预测结果并对比分析,预测结果显示了遗传算法优化的有效性,避免了传统BP算法局部性强的缺点,预测结果较优化前较大提升,验证了改进算法的有效性和先进性。     

神经网络在经济预测中的应用

阐述了针对BP神经网络在经济预测应用中存在的网络学习速度缓慢、计算量大、网络容易陷入局部极小、学习步长需要通过实验由人工来设置和调整等问题,提出将自组织理论、扩展Kalman滤波、模糊算法、小波理论等与神经网络相结合,构成新的网络结构或改进学习算法,以克服BP神经网络自身不足的思路。     

SLFM网络及其学习算法的改进

介绍了一种新型的人工神经网络--有监督线性特征映射(SLFM)网络,它综合了BP网络的可监督性和SOM网络算法简单的优点,具有学习速度快、精度高、扩展能力较强的优点.文中讨论了SLFM网络的拓扑结构和学习机制,并对网络的学习算法进行了改进,对比实验表明,改进后的SLFM网络其性能得到了进一步的提高.     

程序调参飞行控制律的神经网络实现

为保证飞行品质,现代飞机中多采用程度调参飞行控制律,由于调参规律的高度非线性,使得控制律的工程实现相当困难。为此,对程序调参飞行控制律的神经网络实现方法进行了研究。通过应用ＢＰ神经网络逼近非线性调参规律。探讨了用ＢＰ网络实现程序调参飞行控制律的一般方法,给出了网络的结构及其优化算法,并以某型飞机电传操纵系统倾斜阻尼通道的程序调参控制律为例,对该实现方法进行降验证。结果表明,实现精度符合工程要求。     

基于STEP和改进神经网络的STEP-NC制造特征识别方法

特征识别是实施STEP-NC重要的一步，也是实现开放式、智能化和网络化STEP-NC数控系统的关键。本文提出了一种基于STEP和改进神经网络的STEP-NC制造特征识别方法。该方法首先在对STEP AP203中性文件进行几何拓扑信息提取后，基于边的凹凸性判断构建了零件最小子图。然后，将混沌算法、遗传算法与BP神经网络算法有机相结合提出了改进的BP神经网络。最后，通过将获得的零件模型最小子图信息数据输入到改进的BP神经网络，实现了对STEP-NC制造特征高效精准地识别。通过实例验证了该方法的有效性和可行性。     

遗传寻优神经网络在平台温控系统建模中的应用

温度直接影响惯性仪表及惯性平台的使用精度,而高精度温控系统的设计依赖于准确的平台加温模型,针对平台系统中多种惯性仪表加温过程复杂度高,当前采用的阶跃响应辨识方法存在模型适应性差、精度不高等情况,且针对基于梯度下降的BP学习算法存在局部收敛的问题.采用基于遗传算法寻优的神经网络辨识的方法,对惯性仪表加温模型进行建模,试验验证通过遗传寻优后的BP神经网络学习算法,提高了网络的学习精度,进而提高了平台系统中惯性仪表加温过程数学模型的精度,模型适应性较高,为后续惯性仪表的加温控制方法的设计提供了必要的条件.