分别用BP神经网络和粒子群算法对一个热工对象进行辨识。_百度知道
分别用BP神经网络和粒子群算法对一个热工对象进行辨识。
//b.com/zhidao/wh%3D450%2C600/sign=e8d029ce6bacbb95dc24cc//zhidao/wh%3D600%2C800/sign=4bedc104f0ddaba234f1f/e7cd7b899e510fb34e18e17adb33c895d0430cdd：令上式中
有专业大神可加企鹅详细指导 qq：。
我有更好的答案
拿一堆数据放到分类器（就是BP神经网络）里面去训练，就可以得到那些系数。训练样本的数值决定了系数的值。
风范股份烦烦烦古古怪怪嘎哈高
其他类似问题
为您推荐：
粒子群算法的相关知识
等待您来回答
下载知道APP
随时随地咨询
出门在外也不愁基于最具影响粒子群优化的BP神经网络训练_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
基于最具影响粒子群优化的BP神经网络训练
上传于||文档简介
&&神​经​网​络​方​面​资​料​,​以​及​神​经​网​络​的​优​化
阅读已结束，如果下载本文需要使用2下载券
想免费下载本文？
下载文档到电脑，查找使用更方便
还剩1页未读，继续阅读
你可能喜欢基于BP神经网络的微粒子群优化手写体数字识别_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
基于BP神经网络的微粒子群优化手写体数字识别
上传于||文档简介
&&只​能​控​制​基​础​,​课​程​设​计​论​文​报​告
阅读已结束，如果下载本文需要使用1下载券
想免费下载本文？
下载文档到电脑，查找使用更方便
还剩3页未读，继续阅读
你可能喜欢文档分类：
下载后只包含 1 个 PDF 格式的文档，没有任何的图纸或源代码，
下载前请先预览，预览内容跟原文是一样的，在线预览图片经过高度压缩，下载原文更清晰。
您的浏览器不支持进度条
淘豆网网友近日为您收集整理了关于人民币冠字号码的粒子群优化bp神经网络识别的文档，希望对您的工作和学习有所帮助。以下是文档介绍：第38卷第1期2015年2月Vol. 38 No. 1Feb. 2015辽宁科技大学学报Journal of University of Science and Technology Liaoning人民币一般实行“一票一号”,但是作为区分人民币的唯一标识——人民币冠字号码在印刷过程中可能出现错号、重号、缺号等情况;另一方面,人民币冠字号码的查询可准确识别市场上流通的一些***,为维护经济秩序和社会信用发挥重要作用。同时,在银行交易过程中,高效快速地识别人民币冠字号能有效节省交易时间。因此,识别纸币的序列号具有十分重要的意义。字符识别方法主要有:基于模板匹配的字符识别方法、基于字符特征的识别方法和基于神经网络的字符识别方法等。由于模板匹配的字符识别方法往往需要对字符大小进行归一化处理,消耗较多的时间,因此实际并不适合对纸币号码识别[1]。而字符特征的识别方法比较简便,对字符的旋转、缩放、变形等具有一定的适应性,但由于某些特征在不同的环境下不可能严格遵循特定的数学描述,在识别过程中往往会出现无法估计的差异[2]。人工神经网络具有自学习、联想记忆、自适应和非线性逼近等功能,已经广泛应用于各种模式识别以及自动控制等系统中。将神经网络应用在纸币识别系统中已有报导,但是神经网络存在收敛速度缓慢、易陷入局部最优等缺点,降低了识别精度。粒子群算法(Particle swarm optimization,PSO)作为一种新型的群智能进化算法,收敛速度快,鲁棒性高,全局搜索能力强。本文提出一种基于粒子群优化算法的BP神经网络识别算法,通过粒子群算法来优化BP神经网络的权值和阈值,提升纸币冠字号码识别的准确度。1 BP神经网络BP神经网络是一种具有三层或三层以上的多层前馈神经网络,通常包括输入层、中间层和输出层[2]。上下层之间实现全连接,而每层神经元之间无连接。输入和输出层节点个数通常取输入和输出向量的维数,隐层节点个数目前尚无确定的标准,需通过反复试凑的方法来确定。根据 Kol-mogor定理,具有一个隐层(隐层节点足够多)的三层 BP 神经网络能在闭集上以任意精度逼近任意非线性连续函数。所以,本文选择单隐层的BP神经网络,包括一个输入层、一个隐层和一个输出层,分别由 N,P,Q 个神经元构成,如图1所示。该神经网络的隐层神经元输出为bj = fè÷∑i = 1Nwij xi - θj (1)式中:wij 表示输入层第 i 个神经元与隐层的第 j 个神经元之间的连接权;θj 表示相应神经元的阈值;收稿日期:。作者简介:许兴培(1990—),男,江苏溧阳人。人民币冠字号码的粒子群优化BP神经网络识别许兴培,吴庆洪,肖雪,胡金雪,李扬(辽宁科技大学电子与信息工程信学院,辽宁鞍山 114051)摘要:为方便人民币冠子号码的提取、验证和记录入库,提出了一种人民币冠子号的识别方法。在提取和预处理人民币冠字号图像以后,采用人工神经网络识别,并在此基础上,采用了粒子群优化算法来优化神经网络的权值,进一步提升了人民币号码识别的准确度。关键词:人民币冠字号码;字符识别;人工神经网络;粒子群算法中图分类号:TP183 文献标识码:A 文章编号:15)01-0026-06DOI:10.13988/j.ustl.第1期f ( )x 表示神经元的激励函数,使用sigmoid函数f ( )x = 1 1 + e-x(2)第 t 个神经网络的实际输出值 ct 为ct = fè÷∑j = 1Pvjtbj - rt (3)式中:vjt 表示隐层第 j 个神经元与输出层第 t 个神经元之间的连接权;rt 表示相应神经元的阈值。当训练样本总数为 K 时,网络全局输出误差采用最小方差计算,定义为ε= 1K∑k = 1K∑t = 1q( )yt - ct2(4)式中:yt 表示第 t 个神经网络的期望输出值。图1 单隐层BP神经网络结构Fig.1 Structure of single hidden layer BP work连接权的修正依据反向传播梯度下降法:(1)隐层和输出层神经元之间的连接权 vjt 的修正量 dkt 为dkt = ( )ykt - ct ct( )1 - ct t = 1,2,…,Q (5)用 dkt ,bj,vjt 和 rt 计算下一次的隐含层和输出层之间的新的连接权和阈值为vjt( )N = vjt( )N - 1 +αdktbj (6)rt( )N = rt( )N - 1 + αdkt (7)(2)输入层到隐含层之间的连接权的修正量ekj 为ekj =∑t = 1q( )dtvjt bj( )1 - bj j = 1,2,…,P (8)用 ekj ,aki ,wij 和θj 计算下一次输入层和中间层之间新的连接权和阈值为wij( )N =βekjaki + wij( )N - 1 i = 1,2,…,P (9)θj( )N = βekj + θj( )N - 1 (10)式中:α和β为学习系数;N 为第 N 次学习;xki 表示输入到网络的第 k 个样本;xi 表示第 i 个神经元的输入量;N,P和Q 分别表示神经网络的输入层、中间层和输出层神经元个数。每个样本学习结束,调整相应的连接权值,直到 K 个样本都学习结束时,网络训练结束;否则,如果在达到最大学习次数时误差仍然大于设定的数值,训练也结束,网络的训练失败。具体流程如图2所示。图2 BP网络训练过程流程图Fig.2 Training process of BP workBP 算法的结果依赖于初始权值的选择,且收敛速度缓慢,易陷入局部最优,尤其是局部优化特性使训练的神经网络输出具有不一致性和不可预测性。PSO 作为一种新型的群智能进化算法,收敛速度快,鲁棒性高,全局搜索能力强,因此本文采用PSO对BP神经网络进行优化。2 粒子群算法粒子群的基本概念源于对鸟群觅食行为的研究[4]。设想这样的场景:一群鸟在随机搜寻食物,且在这个区域内只有一块食物,所有的鸟都不知道食物在哪里,但是他们知道当前位置与食物之间的距离。那么找到食物的最优策略就是搜寻目前离食物最近的鸟的周围区域。PSO从这种模型中得到启示并用于解决优化问题。PSO 中,粒子的位置代表被优化问题在搜索空间中的潜在解。所有的粒子都有一个由被优化的函数决定的适应值(Fitness value),每个粒子还有一个函数决定他们飞翔的方向和距离,粒子们根据当前的最优粒子的位置在解空间中搜索。许兴培,等:人民币冠字号码的粒子群优化BP神经网络识别 27辽宁科技大学学报第38卷PSO 初始化为一群随机粒子(随机解),然后通过迭代找到最优解。在每一次迭代中粒子通过跟踪两个“极值”来更新自己:一个是粒子本身所找到的最优解,称为个体极值另一个极值是整个种群目前找到的最优解,称为全局极值 gbest 。假设在一个 D 维搜索空间中,有 m 个粒子组成一个群落,每个粒子在该空间中以一定的速度飞行。不同粒子运动轨迹中的1播放器加载中，请稍候...
该用户其他文档
下载所得到的文件列表人民币冠字号码的粒子群优化bp神经网络识别.pdf
文档介绍：
第38卷第1期2015年2月Vol. 38 No. 1Feb. 2015辽宁科技大学学报Journal of University of Science and Technology Liaoning人民币一般实行“一票一号”,但是作为区分人民币的唯一标识——人民币冠字号码在印刷过程中可能出现错号、重号、缺号等情况;另一方面,人民币冠字号码的查询可准确识别市场上流通的一些***,为维护经济秩序和社会信用发挥重要作用。同时,在银行交易过程中,高效快速地识别人民币冠字号能有效节省交易时间。因此,识别纸币的序列号具有十分重要的意义。字符识别方法主要有:基于模板匹配的字符识别方法、基于字符特征的识别方法和基于神经网络的字符识别方法等。由于模板匹配的字符识别方法往往需要对字符大小进行归一化处理,消耗较多的时间,因此实际并不适合对纸币号码识别[1]。而字符特征的识别方法比较简便,对字符的旋转、缩放、变形等具有一定的适应性,但由于某些特征在不同的环境下不可能严格遵循特定的数学描述,在识别过程中往往会出现无法估计的差异[2]。人工神经网络具有自学习、联想记忆、自适应和非线性逼近等功能,已经广泛应用于各种模式识别以及自动控制等系统中。将神经网络应用在纸币识别系统中已有报导,但是神经网络存在收敛速度缓慢、易陷入局...
内容来自淘豆网转载请标明出处.