Please wait a minute...
工程设计学报
工程设计学报  2009, Vol. 16 Issue (2): 122-128    
机电一体化和智能化系统设计理论、方法与技术     
针对近似建模的前馈神经网络训练算法
任 远，白广忱
北京航空航天大学 能源与动力工程学院，北京 100083
Algorithm to train feed-forward NN for approximately modeling
REN Yuan， BAI Guang-chen
School of Jet Propulsion, Beijing University of Aeronautics and Astronautics, Beijing 100083, China
 全文: PDF(1450 KB)   HTML
摘要： 为克服现有神经网络训练算法在建模精度方面的不足, 提出了一种专门面向近似建模的前馈网络训练算法——GA-BP贝叶斯算法. 该算法以提高网络的泛化性能为主旨, 以获取对应于后验分布最大值的权值向量为训练目标, 并采用遗传算法和L-M (Levenberg-Marquardt) BP算法相结合的权值搜索策略. 其中, L-M BP算法是当前最流行的前馈网络训练算法. 结合一个典型算例, 对GA-BP贝叶斯算法和L- BP算法进行了对比研究. 结果表明: 与L-M BP算法相比, GA-BP贝叶斯算法所建立的神经网络近似模型具有更高、更稳定的精度．
关键词： 近似模型;  神经网络;  反向传播;  遗传算法    
Abstract: To overcome the shortcomings in model accuracy of the existent NN training algorithms, a new algorithm to train feed-forward networks, i.e. GA-BP Bayesian algorithm, was proposed, and it was special for establishing approximate model. This algorithm was developed to improve the generalization of neural networks, and its objective is to obtain the weights corresponding to the maximum posterior probability. And it adopts both genetic algorithm and L-M (Levenberg-Marquardt) back-propagation (BP) to search optimal weights. L-M BP is the most popular algorithm to train feed-forward networks. Combined with typical computing instance, GA-BP Bayesian algorithm was compared with L-M BP and the result indicated that the approximate model established based on it has higher and more stable accuracy.
Key words: approximation model    neural network    back-propagation    genetic algorithm
出版日期: 2009-04-28
:  TB115  
基金资助:

国家高技术研究发展计划(863计划)资助项目(2006AA04Z405)
服务　　
把本文推荐给朋友
加入引用管理器
E-mail Alert
RSS
作者相关文章　　
任远
白广忱

引用本文:

任远，白广忱. 针对近似建模的前馈神经网络训练算法[J]. 工程设计学报, 2009, 16(2): 122-128.

REN Yuan， BAI Guang-chen. Algorithm to train feed-forward NN for approximately modeling[J]. Chinese Journal of Engineering Design, 2009, 16(2): 122-128.

链接本文:

https://www.zjujournals.com/gcsjxb/CN/    或    https://www.zjujournals.com/gcsjxb/CN/Y2009/V16/I2/122

[1] 纪晓东,程天宇,华亮,张新松. 基于声信号识别的水下焊接质量检测方法研究[J]. 工程设计学报, 2023, 30(5): 562-570.
[2] 李琦琦,徐向荣,张卉. 基于自适应神经网络的机械臂滑模轨迹跟踪控制[J]. 工程设计学报, 2023, 30(4): 512-520.
[3] 王世杰,王龙,马硕,杨杰,马聪,段国林. 直写成形制备FGMs零件时延迟信息的数字化预测方法[J]. 工程设计学报, 2023, 30(2): 127-135.
[4] 杨杰,彭壮壮,王世杰,马聪,王龙,段国林. 陶瓷浆料3D打印机挤压力模糊神经网络PID稳定控制研究[J]. 工程设计学报, 2023, 30(1): 65-72.
[5] 陈一帆,吴倩,蒋凌,华亮. 基于声信号识别的焊后残余应力处理质量检测方法[J]. 工程设计学报, 2022, 29(3): 272-278.
[6] 李现坤, 曾德标, 楚王伟, 伍承旭. 基于光纤应变传感器的型架定位器位置检测方法研究[J]. 工程设计学报, 2020, 27(3): 287-292.
[7] 陈亮, 陈博文, 刘晓敏, 窦昊. 用户需求映射网络生物文本的创新设计方法[J]. 工程设计学报, 2020, 27(3): 279-286.
[8] 袁凯, 刘延俊, 孙景余, 罗星. 基于模糊RBF神经网络的水下机械臂控制研究[J]. 工程设计学报, 2019, 26(6): 675-682.
[9] 秦永峰, 龚国芳, 王飞, 孙辰晨. 基于RBF神经网络的液黏调速离合器活塞位移控制器设计[J]. 工程设计学报, 2019, 26(5): 603-610.
[10] 刘春青, 王文汉. 基于人工神经网络-遗传算法的展成法球面精密磨削参数优化[J]. 工程设计学报, 2019, 26(4): 395-402.
[11] 宋广玥, 宋智斌, 项忠霞. 基于足底压力传感器的不控制减重比例下步态相位识别[J]. 工程设计学报, 2019, 26(3): 260-266.
[12] 欧卫林, 郑君. 基于差距映射的变可信度近似模型构建方法[J]. 工程设计学报, 2019, 26(2): 133-138.
[13] 唐林, 许志沛, 贺田龙, 敖维川. 基于BP神经网络的转动架稳定性灵敏度分析[J]. 工程设计学报, 2018, 25(5): 576-582.
[14] 邓星, 于兰峰, 雷聪, 徐江平, 肖泽平. 基于响应面法的无轨伸缩式门式起重机轻量化设计[J]. 工程设计学报, 2018, 25(3): 288-294.
[15] 王莉, 张士兵. 基于CPSO-BP神经网络-PID的热熔胶机温控系统研究[J]. 工程设计学报, 2017, 24(5): 588-594.