BP神经网络训练算法改进初探【开题报告+文献综述+毕业论文】

《BP神经网络训练算法改进初探【开题报告+文献综述+毕业论文】》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、本科毕业论文系列开题报告电气工程及其自动化BP神经网络训练算法改进初探一、课题研究意义及现状本课题主要研究传统BP神经网络的基本原理和设计方法，并对传统BP算法进行改进。BP神经网络目前已经得到广泛的应用，并发展了某些快速收敛和优化的改进算法。在网络设计及其模型选择时，既可采用典型网络模型，也可采用多种网络模型的优点组合.另外，还可以结合具体应用间题特点，对原网络模型进行改进。MATLAB神经网络工具箱不需要繁琐编程，提供的网络训练函数可直接用于循环训练一个BP神经网络，最终达到允许目标误差的函数，大大提高了研究的效率。随着新的控制思路和手段的不断涌现，人工神经网络作为一种新型的信息获取、描述

2、和处理方式，正在逐渐引起不同学科和领域的科学家的注意。神经网络有其自适应，自学习，并行处理等特点。它被广泛应用于模式识别、信号处理和自动控制等领域。目前，人们研究最为广泛最具代表行的网络是BP(BackPropagation)神经网络，它具有分布式的信息存储方式，大规模并行处理，自学习和自适应性、较强的鲁棒性和容错性等特点。当前，BP神经网络主要应用于模式识别、图像处理、信息处理、故障检测、企业管理、市场分析等领域。而BP神经网路采用的是经典的BP算法。BP算法也是目前比较流行的神经网络学习方法，是能实现映射变换的前馈型网络战中最常用的一类网络，是一种典型的误差修正方法。由于传统的BP算法存在

3、诸如收敛速度慢，易陷入局部最小点以及编程困难，计算量大等问题，因此许多学者对其进行了改进，提出了多种改进算法。BP算法的改进主要有两种途径，一种是采用启发式学习方法，如附加动量法、自适应学习率法等;另一种是采用数字优化技术，共扼梯度法、牛顿法、Levenberg-Marquardt法等。二、课题研究的主要内容和预期目标本课题主要研究传统BP神经网络的基本原理和设计方法，并对传统BP算法进行改进。主要内容：（1）深入研究BP神经网络。分析和比较各种算法的特点以及其函数的参数形式。研究其各自适用的网络。（2）研究当前传统BP神经网络的训练算法存在的一些问题。比如收敛速度慢、容易陷入局部最小、网路的

4、结构难以确定等等。透彻分析这些问题产生的原因。（3）针对BP算法中存在的问题，提出其改进方法。BP算法的改进主要有两种途径，一种是采用启发式学习方法，如附加动量法、自适应学习率法等；另一种是采用数字优化技术，共扼梯度法、牛顿法、Levenberg-Marquardt法等。（4）利用改进BP算法对柴油机故障诊断问题进行仿真实验，与传统的BP算法相比，改进后的算法能取得更好的诊断效果。预期目标：（1）掌握BP神经网络的基本原理；（2）对神经网络各个训练算法进行改进；（3）完成BP神经网络训练算法改进初探设计；（4）用MATLAB软件实现改进初探，并完成仿真实验；（5）完成一篇毕业论文。三、课题研究

5、的方法及措施1、检索相关文献，了解相关技术背景、成果及方案。2、在完成步骤1的基础上，学习BP神经网络的基本原理。3、在完成步骤1、2的基础上对BP神经网络训练各个算法进行研究。4、了解BP网络的训练函数和用MATLAB构建BP神经网络。5、用柴油机故障实例来实现改进算法。6、用MATLAB软件实现算法，完成仿真实验。7、技术文档总结，完成毕业论文。四、课题研究进度计划2010.10.17-2010.11.3：分析任务，收集资料，完成开题报告、文献综述、外文翻译2010.11.3-2010.12.4：初步完成BP神经网络训练算法改进初探的相关理论研究2010.12.5-2010.12.31：完

6、成仿真实验，验证实验结果，并完成论文初稿2010．1.5-2011.5：完成论文、准备毕业论文答辩五、参考文献[1]王沫然.MATLAB6.0与科学计算[M].北京:电子工业出版社,2001,9.[2]张志涌,徐彦琴.MATLAB教程-基于6.x版本[M].北京:北京航天航空大学出版社.2001.[3]楼顺天.基于MATLAB的系统分析与设计—神经网络[M].西安：西安电子科技大学出.[4]李士勇.模糊控制神经控制和智能控制[M].[5]王永骥，涂健.神经元网络控[M].北京：机械工业出版社，1998[6]韩力群.人工神经网络理论、设计及应用[M].北京:化学工业出版社.2004,2.[7]林

7、康红,施惠昌,卢强等.基于神经网络的传感器非线性误差校[J].传感器技术,2002,21(1):65-73.[8]甘俊英,张有为.基于BP神经网络的人脸识别[J].统工程与电子技术,2003,25(1):110-17.[9]吴建生.旱涝灾害的遗传-神经网络集成预测方法研究[J]广西科学,2006,(03):47-53.[10]N.K.Patel,R.K.Khubchandani.ANNbasedp