一种改进的神经网络BP算法

提出同时对神经元温度常数Ｔ、位置常数θ、联接权值Ｗ进行调整的观点,并推导出相应的学习算法公式．对比试验表明：所给出的改进算法能有效地减少节点数、加速训练进程和识别精度     

基于改进粒子群算法优化BP神经网络的甜菜产量预测方法

通过分析影响甜菜产量的自然因素,选取6个主要影响因子应用于一种改进粒子群算法优化BP神经网络的预测模型.首先,在标准粒子群算法(Particle Swarm Optimization,PSO)中引入自适应惯性权重的方法增强搜索能力并且提高收敛速度,使用反向逃逸策略避免早熟现象的发生;将改进的粒子群算法引入到BP中形成N...     

用BP网络算法获取电子浓度真高剖面

提出了一种从垂测电离图获取电子浓度真高剖面的新方法——网络逼近法．该方法通过ＢＰ网络算法求解群路径积分方程,得到了电子浓度真高剖面．并对给定的抛物模式作了验证计算,计算结果与抛物模型理论值吻合较好     

基于粗糙集和BP神经网络算法的网络故障诊断模型研究

针对计算机网络故障诊断知识库冗余性高、神经网络与PCA、DS证据等理论相结合诊断精度不高的难题, 提出了一种新的基于粗糙集和BP神经网络的计算机网络故障诊断模型. 首先利用粗糙集算法对网络故障特征进行约简处理、提取最小诊断规则; 其次利用最小规则训练BP神经网络, 建立基于粗糙集和BP神经网络的计算机网络故障诊断模型; 最后将模型运用于真实网络故障数据诊断. 结果表明: 该模型具有学习效率高、诊断速度快、准确率高的特点, 能够快速诊断网络故障类型.     

基于实数编码遗传算法的多层神经网络BP算法

提出用实数编码的遗传算法来优化多层神经网络的权值，并且将遗传算法与ＢＰ算法结合，能有效地避免ＢＰ算法陷入局部极小和遗传算法过早收敛，实验结果令人满意．     

用于一般函数优化的蚁群算法

蚁群算法是一种新型的模拟进化算法,初步的研究表明该算法具有许多优良的性质,利用蚁群算法求解一般函数优化,通过实验收到良好的效果。     

基于自适应神经PID改进算法的非线性系统控制

通过研究非线性系统动态特性,分析了一般神经PID控制器的控制特点并在此基础上给出了一种改进算法.通过在线训练和学习来修正参数,实现神经网络自适应调整比例常数PID控制.该算法充分利用BP神经网络算法逼近任意连续有界非线性函数的能力,使得比例常数随着偏差的大小而变化,使目标函数达到最优化.仿侣真结果表明.在对非线性动态系统进行控制时,自适应PID神经网络控制算法具有很强的灵活性和高效性,能取得良好的控制性能.     

一种改进的递归流分类算法

递归流分类(RFC)算法是目前具有代表性的一种流分类算法，其时间复杂度是O(1)，匹配速度非常快，但是它难以根据字符串类型域进行流分类．本文结合Aho-Corasick多关键字匹配算法的基本思想，通过为字符串类型域构造匹配自动机和CBM数组，扩充了RFC算法，使新算法能够根据字符串域进行流分类．试验结果表明，改进的算法性能良好，并且适用于某些不能直接使用原RFC算法的应用领域．     

关系模式规范化的几个算法

本文在不计算函数依赖集闭包的情况下,给出了求关系模式关键字、BCNF判定和分解、寻找BCNF分解中丢失的函数依赖等几个算法。     

基于模式矩阵的P_Matrix算法

Apriori算法是关联规则挖掘中最经典的算法,该算法需多次扫描数据库并产生海量的候选项目集.利用模式矩阵对Apriori算法进行改进,提出一种P_Matrix算法,它使扫描数据库的次数降为一次,同时不产生候选项目集而直接产生频繁项目集,从而使算法的时间复杂度和空间复杂度大大降低.     

统计递归集的Hausdorff测度的上、下界

给出了由随机压缩算子生成的统计递归集的Ｈａｕｓｄｏｒｆ测度上、下界的估计．也就是说,在一些条件下,找出了Ｋ（ω）∩∞ｎ＝１∪ｉ∈Ｎｎ（ω）ｆ（ω）ｎ,ｉ（Ｅ）的α－维Ｈａｕｓｄｏｒｆ测度的上、下界,其中｛ｆｎ,ｉ,１≤ｉ,ｎ＜∞｝是一族随机压缩算子,｛Ｎｎ（ω）,ｎ≥１｝是一族可数的随机指标集．     

短波跳频图案构造的研究

通过对短波信道特性的分析和在短波信道中实现跳频通信的探讨，给出了短波跳频图案应达到的主要技术指标及其实现方案．研究结果表明，这一方案适合于短波跳频通信系统     

暴雨云团演变过程的模式识别

对卫星云图进行预处理后，提取了暴雨云团演变过程的灰度、纹理、形态、中心矩等特征．用统计与句法相结合的方法进行了识别，提高了识别的自动化程度，与人工识别吻合较好．     

基于BP神经网络的CMOS电路平均功耗宏模型

提出了一种基于神经网络的功耗宏模型，该模型提取CMOS（互补金属氧化物半导体）集成电路原始输入／输出流的统计特征，采用反向传播BP神经网络对电路的平均功耗建模．与传统的基于查找表和经验方程的宏模型相比，该模型占用内存少，不需要根据不同的电路预先假定拟合函数的形式．基于ISCAS-85电路集的实验结果表明：功耗估计的平均相对误差小于10％，均方根误差可基本控制在5％以下.     

基于BP网络分类器的交通标志识别

针对中国全部3大类116个交通标志,即禁令标志、指示标志、警告标志,用BP网络实现分类功能.实验中使用了3种测试集,即加高斯噪声、水平扭曲和日本交通标志实景图,对BP网络的分类性能进行了测试.实验结果表明:用BP网络实现交通标志粗分类功能的效果是比较理想的,对交通标志的颜色失真和形状失真均具有较好的容错性和鲁棒性.     

一种基于重置的变结构前馈神经网络

基于GaussNewton法的前馈神经网络虽然可以达到局部二阶收敛速度．但网络结构中如果结点个数过多，会造成过模拟；网络结点过少。又会导致不收敛。为了优化神经网络结构，尝试引入重置算法(Early Restart Algofithm)，并将其应用于Gauss Newton前馈神经网络．提出基于重置的Gauss Newton变结构前馈神经网络。对比实验表明，重置算法的引入有效地解决神经网络的结构优化问题，优化后的神经网络具有良好的收敛性与稳定性。     

BP神经网络技术在移动通信客户信用分析中的应用

提出了一种移动通信客户信用预测评估的方法．该方法基于移动通信客户行为属性的统计分析，以其作为客户信用预测评估的依据，建立BP神经网络的训练和识别的模型．通过随机选择2003年8月全网数据(403206个客户)中3％作为样本进行训练，确定了网络模型参数，与已有的信用评估方法相比，该方法的泛化性能高，适用于大规模的客户信用评估，所得到的客户特征属性对移动通信客户信用研究提供了理论和实践的依据。     

高应变率下高聚物本构模型的BP神经网络辨识

利用SHPB技术和自编的BP神经网络程序,以尼龙为代表性研究对象,对高聚物在高应变率下的本构模型进行了辨识,研究表明：在应变小于7％范围内,以应变与应变率作为输入,以应力作为输出,BP神经网络能满意地辨识高聚物的动态本构模型;而当应变大于7％时,除应变和应变率外可取时间作为表征损伤演化的反函数共同作为输入,以应力作为输出,能获得满意的结果。