基于集员估计理论的神经网络学习算法

针对前馈神经网络BP算法在处理非线性对象时,收敛速度慢,易陷入局部极值,需调节参数多等缺陷,提出了将最优定界椭球(OBE)算法引入到神经网络的学习中,该算法比BP算法在收敛速度,精度方面都有显著提高,仿真结果证明了此算法的有效性。     

神经网络在信号非线性变换中的应用

在温度测量中，热敏电阻或热电偶与温度的关系是非线性的。在微机化智能仪器中，常用软件来代替硬件进行线性校正，本文给出一种基于神经网络的信号非线性变换的方法，以实现线性校正，这种方法具有通用性，在介绍神经网络算法的基础上，给出了两个实例，其计算机模拟的结果是令人满意的。     

基于多种群竞争进化的车辆超载网络检测

针对车辆超载检测中复杂的数据处理,提出了基于BP( Back Program)网络的非线性检测模型.为了克服神经网络在梯度学习中存在的收敛速度慢,容易陷入局部极小等不足,将多种群竞争机制引入到免疫进化中,提出了一种新的基于实数编码的多种群竞争免疫算法,并基于车辆轴重检测数据实现了BP网络的权值和阈值优化.实验结果验证了...     

U—D分解渐消记忆滤波神经网络控制器在船舶操纵中的应用

针对前馈网络BP算法所存在的收敛速度慢且常遇局部极小值等缺陷，提出一种基于U－D分解的渐消记忆推广Kalman滤波学习新方法。与EKF相比，该方法不仅大大加快了学习收敛速度，数值稳定性好，而且比BP算法需较少学习次数和隐节点数，学习效果也更好，将这种学习算法应用在船舶操纵的神经网络控制器中，仿真结果表明该方法是提高网络学习速度改善学习效果的一种有效方法，可有效解决非线性系统的控制问题。     

基于HGANN的全方位推进器运动学正解研究

针对潜器全方位推进器的调距机构运动学位置正解求解高度非线性、计算速度慢、准确率低的特点，提出了一种改进的混合编码遗传神经网络算法（HGANN）。算法兼具了遗传算法的全局寻优能力和神经网络对于非线性映射的强大逼近能力，同时由于采用了二进制和浮点数混合编码方案及3层的染色体结构对遗传神经网络算法进行了改进，优化了网络结构和权值矢量，解决了遗传神经网络算法计算过程中短基因组实际交叉、变异机会过小的问题，使后代种群具有更好的多样性，结合Solis＆wets算子生成后代的方法丰富了遗传搜索空间，加快了收敛速度。仿真结果表明，HGANN算法有效地加快了遗传算法的收敛速度，提高了调距机构的位姿精度。     

基于小波神经网络的舰载雷达目标识别方法

介绍了用于雷达目标识别的小波神经网络的结构与算法。该方法基于子波变换进行特征提取和识别，在最小均方能量准则下，用共轭梯度算法求解子波函数线性组合的尺度和延时参数，以及神经网络的权值。结果表明，该方法的实际结果具子波的非线性，可有效解决雷达目标的识别问题。     

基于粒子群优化的深度随机神经网络

针对传统多层随机神经网络性能不稳定问题,提出了一类利用粒子群优化算法来优化各层权值的深度随机网络方法.该方法利用粒子群优化算法,结合网络的输入输出灵敏度信息,逐层对自动编码器的输入层权值进行优化,通过改善自动编码器的性能来改善多层随机神经网络的性能.最后利用粒子群优化方法,对整个网络的权值作适当优化,进一步提高深度随机神经网络的性能.相对于传统深度学习算法,该方法在保持收敛精度的基础上降低了时间开销;相对于传统深度随机神经网络,该方法在增加时间开销基础上提高了收敛精度,从而较好地平衡了时间复杂度和收敛精度.     

基于IGA-BP算法的船舶航向智能自适应控制系统设计

在深入研究基于BP学习算法的前向神经网络以及模糊神经网络控制器的基础上,针对模糊神经网络控制器难以设计以及传统BP学习算法易于陷入局部收敛的不足,结合免疫遗传算法的全局收敛特性以及BP学习算法局部收敛的快速性,提出了一种基于混合计算智能方法的IGA-BP算法的神经网络参数的优化设计方法.将设计的控制器用于建立船舶航向控制系统模型,仿真结果表明,在船舶无干扰和存在随机干扰的情况下,基于IGA-BP算法设计的船舶航向控制系统均能使船舶转向控制无超调,跟踪快,比BP学习算法的控制效果更理想.     

改进的BP神经网络在船舶与海洋工程中的应用研究

人工神经网络作为一个具有高度非线性映射能力的计算模型,在工程中具有广泛的应用前景.在数值预测方面,它不需要预选确定样本的数学模型,仅通过学习样本数据即可以进行预测.文章介绍了BP神经网络,并针对实际应用中收敛速度慢,平台效应等问题对网络进行了改进并优化,详尽地给出了改进的三层BP神经网络数值预测算法.为测试该算法.选用了著名的XOR(异或)问题和和一个高度非线性的0-1矩阵预测问题对其进行了验证.计算结果表明文中算法能给出令人满意的精度.最后结合船舶与海洋工程的两个实际问题,探讨了利用改进的BP神经网络进行数值预测的方法和应该注意的问题,并给出了一些有益的建议.实践表明,文中给出的改进的BP神经网络数值预测算法值得在船舶与海洋工程中加以应用并推广.     

灰色系统与神经网络算法相结合的分析与研究

采用BP神经网络对模型参数进行预测,算法的学习训练速度和建模时间比较长;采用灰色系统理论对模型参数进行预测,对数据信息的学习和训练能力比较有限,两种算法都存在各自的缺陷,为了提高模型中参数的收敛速度和估计精度,本文将灰色系统理论和BP神经网络算法相融合,通过仿真可以看出,模型参数的估值精度比较高,误差较小,证明了该算法的有效性和鲁棒性。     

基于BP神经网络整定的蒸汽发生器水位PID控制及仿真研究

将神经网络与PID控制结合起来,提出了基于BP神经网络整定的蒸汽发生器水位PID控制方法,采用BP学习算法调整控制器神经网络的连接权值,通过对系统性能的学习实现了控制器参数的在线整定,仿真结果表明,所设计的控制器具有良好的控制性能。     

基于L-M贝叶斯正则化方法的BP神经网络在潜艇声纳部位自噪声预报中的应用

基于L-M贝叶斯正则化方法使BP神经网络在推广能力、收敛速度和逼近精度上能够获得很大的提高.文中将BP神经网络和L-M贝叶斯正则化算法相结合用于潜艇声纳部位自噪声预报.分析了影响声纳部位自噪声的各种参数.利用潜艇声纳实测数据进行网络训练,训练好的神经网络可以对潜艇声纳部位自噪声进行精确预报.     

基于遗传神经网络的物流配送中心选址决策

遗传算法能同时优化BP神经网络的网络结构和权值阈值,与BP网络和遗传算法相比,不仅在权值和阈值训练方面更加快速稳定,而且能够在学习过程中确定网络的拓扑结构,具有较高的学习效率,同时避免了BP算法和遗传算法的缺陷,在物流管理中对物流配送中心的选址和经济决策具有重要的现实意义。     

基于动态BP算法的非线性系统预测控制

以包含滞后环节的非线性系统为对象,提出一种增加动态特性的动态BP（Back Propagation）学习算法。该算法以传统BP算法为基础,在多层感知机网络的第1隐层和输出层分别引入可调节的自适应延迟参数,并通过误差梯度对其进行修正,实现了对滞后系统的建模和延迟时间的辨识。进而将该算法与神经网络自适应控制器相结合,提出了一种基于神经网络模型的预测控制结构。仿真结果证明了方法的有效性。     

BP神经网络在船舶与海洋工程中的应用研究

人工神经网络作为一个具有高度非线性映射能力的计算模型,在工程中具有广泛的应用前景.在数值预测方面,它不需要预选确定样本的数学模型.仅通过学习样本数据即可以进行预测.介绍了BP神经网络,并针对实际应用中收敛速度慢,平台效应等问题对网络进行了优化,给出了改进的三层BP神经网络算法.最后结合船舶与海洋工程的一些实际问题.探讨了利用改进的BP神经网络进行数值预测的方法和应该注意的问题,并给出了一些有益的建议.实验表明,神经网络的预测精度在船舶与海洋工程是可以接受的.     

基于改进的神经网络的船舶碰撞危险度的模型

针对船舶碰撞危险度具有模糊性、不确定性等特点,依据模糊理论方法建立的船舶碰撞危险度的数学模型,直接采用来船航速、来船航向、来船对本船的相对舷角和来船对本船距离作为神经网络的输入,采用Levenberg-Mrquardt优化算法这种改进的BP神经网络进行训练和仿真,并与标准BP算法和动量BP算法进行比较,发现经过改进的网络求得碰撞危险度比标准BP算法和动量BP算法具有更好的效果,网络能够更有效收敛,大大提高了网络的收敛速度和泛化能力。     

船用计程仪信号传输系统的神经网络故障诊断算法

计程仪信号传输系统是由步进电机通过齿轮带动多个旋转变压器。为实现对其故障的智能诊断,提出一种基于BP神经网络算法的故障诊断方法,并采用LM(Levenberg-Marquardt)最优化算法对BP网络进行训练。通过Matlab神经网络工具箱仿真计算,结果表明LM算法提高了BP神经网络的学习效率及稳定性,明显加快了网络的收敛速度。使用BP神经网络对步进电机带动多旋变系统故障诊断的方法行之有效,在减少故障诊断人员工作量同时提高了系统故障诊断的效率。     

基于PSO-BP神经网络的燃气轮机结垢性能预测

针对传统BP神经网络存在的学习速度慢,容易陷入局部极小的问题,为了提高诊断效率和非线性拟合能力,提出利用粒子群算法、遗传算法和布谷鸟算法优化BP神经网络对燃气轮机积垢性能预测,将各算法所得误差和拟合度进行对比。结果表明:粒子群算法优化BP神经网络的非线性拟合度为0.934 4,优于其他算法,相较于其他算法具有更低的绝对误差平均值,有效避免了局部最优情况。     

基于BP神经网络与L-M算法的潜艇声纳自噪声预报

L-M（Levenberg-Marquart）算法与BP（Back-Propagation）神经网络相结合，使神经网络在多样本、大变量输入的情况下，具有更快的收敛速度和更高的逼近精度。将BP神经网络与L-M算法相结合应用于潜艇声纳自噪声预报；分析了影响潜艇声纳自噪声的各种声源参数；利用潜艇声纳实测数据进行网络训练，训练好的神经网络可以对潜艇声纳自噪声进行精确预报。     

基于小波网络的水下机器人推进器故障诊断

针对小波神经网络的隐层小波函数可以调节伸缩因子与平移因子影响网络输出的特点，将其伸缩因子与平移因子引入到最小扰动动态学习率的学习算法中。此算法通过计算动态学习率，使得小波函数的伸缩因子与平移因子以及网络连接权值的变化最小，这样便可提高小波神经网络的稳定性和收敛速度。使用这种小波神经网络对机器人建模，通过比较模型的输出（运动状态估计值）与实际测量值可得到残差，并分析残差提取故障判断准则，从而进行推进器故障诊断。仿真试验验证了该方法的有效性。