GPS高程拟合的BP人工神经网络算法及结构探讨.pdf

见许多bp网络的源码都是c写的，最近拿c++写了个，有训练方法，支持序列化哦，用的stl库，实现和声明分离，注释比较详细，自己写来入库的啦

C++ 实现全连接神经网络算法识别 Mnist 手写数字。 本程序使用全连接神经网络进行手写数字识别的训练和预测。当然修改一下输入和输出节点数，调整网络层数，也可用于其他多分类或回归问题。 代码结构参考了 yolo(You Only Look Once) 项目源码框架 darknet.

包含多个神经网络BP、REF等算法的C或C++实现源码，主要在CSDN中搜集而来，方便大家学习一次性下载。

电力系统短期负荷预测的改进BP神经网络算法比较.pdf

常用的MATLAB算法解读及源码实现合集（禁忌搜索算法,遗传算法 模拟退火算法,神经网络算法等等）

Elman神经网络具有良好的动态特性和强大的全局稳定性，被广泛用于处理非线性，动态和复杂的数据。 但是，作为对反向传播（BP）神经网络的优化，Elman模型不可避免地会继承其某些固有缺陷，从而影响识别精度和操作效率。 已经提出了许多改进来解决这些问题，但是事实证明很难平衡许多相关特征，例如存储空间，算法效率，识别精度等。而且，很难同时从临时解中获得永久解。 为了解决这个问题，可以将遗传算法（GA）引入Elman算法以优化连接权重和阈值，从而可以防止神经网络陷入局部最小值并提高训练速度和成功率。 隐藏层的结构也可以使用遗传算法进行优化，可以解决确定神经元数量的难题。 以前关于这种进化Elman算法的大多数研究都单独优化了连接权重或网络结构，这代表了一个轻微的不足。我们在此提出一种新颖的优化GA-Elman神经网络算法，其中连接权重是实数编码的，而隐藏层也采用实编码，但增加了二进制控制基因。 在这种新算法中，同时使用混合编码和演化同时优化了连接权重和隐藏神经元的数量，从而极大地提高了所得结果的性能。novelGA-Elman算法。 三个实验的结果表明，就所有计算指标而言，这种新的GA-El

传统的高压断路器故障诊断方法太过于依赖经验，不能准确地反映特征量和故障模式之间的关系，诊断准确度不高。针对这个问题，采用卷积神经网络算法进行高压断路器故障诊断，结合高压断路器分合闸线圈电流特点建立诊断模型，通过输入零点故障特征参数进行学习训练，得到相应故障类型输出。仿真结果表明，所提算法的整体准确率高达93.68%，与其他基于神经网络的算法相比具有很大的优势。

粒子群优化算法是一种新颖的仿生、群智能优化算法。该算法原理简单、需调整的参数少、收敛速度快而且易于实现，因此近年来粒子群算法引起了广大学者的关注。然而到目前为止粒子群算法的在理论分析和实践应用方面尚未成熟，仍有大量的问题需进一步研究。本文针对粒子群算法易出现“早熟”陷入局部极小值问题对标准粒子群算法进行改进并将改进的粒子群算法应用于BP神经网络中。本文的主要工作如下：本文首先介绍了粒子群算法的国内外的研究现状与发展概况，较系统地分析了粒子群优化算法的基本理论，总结常见的改进的粒子群优化算法。其次介绍了Hooke-Jeeves模式搜索法的算法分析、基本流程及应用领域。针对标准粒子群优化算法存在“早熟”问题，易陷入局部极小值的缺点，本文对标准粒子群算法进行改进。首先将原始定义的初始种群划分为两个相同的子种群，采用基于适应度支配的思想分别将每个子种群划分为两个子集，Pareto子集和N_Pareto子集；然后将两个子群中的适应度较优的两个Pareto子集合为新种群。Griewank和Rastrigin由于新种群的参数设置区别于标准粒子群算法的参数设置，新的粒子与标准种群中的粒子飞行轨迹不同，种群的探索范围扩大，从而使算法的全局搜索能力有所提高。 为平衡粒子群算法的全局寻优能力和局部寻优能力，提高粒子群算法的求解精度和效率，本文在新种群寻优过程中引入具有强收敛能力Hooke-Jeeves搜索法，提出了IMPSO算法。雅文网www.lunwendingzhi.com，并用IMPSO算法对标准基准测试函数进行实验，将得到的实验结果并与标准粒子群算法对基准函数的实验结果进行对比，仿真结果证明了该改进的粒子群算法的有效性。 最后本文研究改进的粒子群算法在BP神经网络中的应用。首先介绍人工神经网络的原理及基于BP算法的多层前馈神经网络，其次用IMPSO算法训练BP神经网络并给出训练流程图。 将IMPSO算法训练的BP神经网络分别应用于齿轮热处理中硬化层深的预测以及用于柴油机的缸盖与缸壁的故障诊断中，并将预测结果、诊断结果与BP神经网络、标准粒子群优化算法训练的BP神经网络的实验结果进行对比，实验结果证明了改进的粒子群算法训练BP网络具有更强的优化性能和学习能力。 英文简介： Particle swarm optimization algorithm is a novel bionic, swarm intelligence optimization algorithm. The algorithm principle is simple, less need to adjust the parameters and convergence speed is fast and easy to implement, so in recent years, particle swarm optimization (pso) to cause the attention of many scholars. So far, however, the particle swarm algorithm are not mature in theory analysis and practice applications, there are still a lot of problems need further research. Based on particle swarm algorithm is prone to "premature" into a local minimum value problem to improve the standard particle swarm algorithm and improved particle swarm optimization (pso) algorithm was applied to BP neural network. This paper's main work is as follows: at first, this paper introduces the particle swarm algorithm in the general situation of the research status and development at home and abroad, systematically analyzes the basic theory of particle swarm optimization algorithm, summarizes the common improved particle swarm optimization algorithm

#资源达人分享计划#