就 BP 神经网络学习收敛速度慢和易出现局部最小点的不足,采用了自适应学习率和绝对误差等距离逼近方法,引入了控制因子常数,就控制因子常数、惯性因子常数以及隐层单元数对网络收敛迭代次数的影响进行了研究。并将改进算法应用于旋转...就 BP 神经网络学习收敛速度慢和易出现局部最小点的不足,采用了自适应学习率和绝对误差等距离逼近方法,引入了控制因子常数,就控制因子常数、惯性因子常数以及隐层单元数对网络收敛迭代次数的影响进行了研究。并将改进算法应用于旋转机械故障诊断中。结果表明:控制因子常数和绝对误差等距离收敛准则的引入提高了 BP 网络的收敛速度,改善了网络的收敛性能,具有实际应用意义。最后,结合具体实例给出了控制因子常数、惯性因子和隐层单元数的合适取值范围和推荐值。展开更多
文摘就 BP 神经网络学习收敛速度慢和易出现局部最小点的不足,采用了自适应学习率和绝对误差等距离逼近方法,引入了控制因子常数,就控制因子常数、惯性因子常数以及隐层单元数对网络收敛迭代次数的影响进行了研究。并将改进算法应用于旋转机械故障诊断中。结果表明:控制因子常数和绝对误差等距离收敛准则的引入提高了 BP 网络的收敛速度,改善了网络的收敛性能,具有实际应用意义。最后,结合具体实例给出了控制因子常数、惯性因子和隐层单元数的合适取值范围和推荐值。
