检索结果-内蒙古大学图书馆

地球物理学进展 2008年第3期23卷 898-902页

作者：张治国杨毅恒夏立显贾永红武汉大学遥感信息工程学院武汉430079 北京信息科技大学理学院北京100085 吉林大学综合信息矿产预测研究所长春130026

为了更好地解决火成岩岩石分类问题,引入一种快速实用的BP算法—Resilient Backpropagation(rprop)算法.在说明rprop算法的基础上,结合火成岩岩石资料,建立基于rprop算法的BP网络火成岩岩石分类模型,进行火成岩岩石分类的应用研究.结果... 详细信息

为了更好地解决火成岩岩石分类问题,引入一种快速实用的BP算法—Resilient Backpropagation(rprop)算法.在说明rprop算法的基础上,结合火成岩岩石资料,建立基于rprop算法的BP网络火成岩岩石分类模型,进行火成岩岩石分类的应用研究.结果表明,应用rprop算法进行火成岩岩石分类,分类的准确率高,与基本BP算法及其一些改进算法相比,训练速度快,具有很好的应用前景.

关键词： rprop算法 BP神经网络火成岩分类

来源：评论

学校读者我要写书评

暂无评论

rprop算法在测井岩性识别中的应用

引用

吉林大学学报（地球科学版） 2005年第3期35卷 389-393页

作者：张治国杨毅恒夏立显吉林大学综合信息矿产预测研究所吉林长春130026

为了更好地解决测井岩性识别问题,引入一种快速实用的BP算法Resilient Backpropaga tion (rprop)算法。在说明rprop算法的基础上,结合某地的实际测井资料,建立基于rprop算法的BP网络岩性识别模型,进行岩性识别的应用研究。结果表明,应用... 详细信息

为了更好地解决测井岩性识别问题,引入一种快速实用的BP算法Resilient Backpropaga tion (rprop)算法。在说明rprop算法的基础上,结合某地的实际测井资料,建立基于rprop算法的BP网络岩性识别模型,进行岩性识别的应用研究。结果表明,应用rprop算法进行测井资料岩性识别,识别的准确率较高,与基本BP算法及其一些改进算法相比,训练速度快,具有很好的应用前景。

关键词： rprop算法 BP神经网络测井资料岩性识别

来源：评论

学校读者我要写书评

暂无评论

rprop算法在TV模型图像去噪中的应用

RPROP算法在TV模型图像去噪中的应用

引用

作者：董晓航吉林大学

学位级别：硕士

图像去噪一直是图像处理中的经典内容，在图像的传输和获取过程中，由于各种原因图像会携带噪声，因此，预处理中的图像去噪是必然要进行的，这可以为后续处理图像提供方便。对于大批量的图像，我们在保证其去噪质量的同时也需要尽量的... 详细信息

图像去噪一直是图像处理中的经典内容，在图像的传输和获取过程中，由于各种原因图像会携带噪声，因此，预处理中的图像去噪是必然要进行的，这可以为后续处理图像提供方便。对于大批量的图像，我们在保证其去噪质量的同时也需要尽量的提高效率，这是相对矛盾的，因此找到一种既能快速又能尽量提高质量的图像去噪方法是很必要的。本文对于经典去除图像噪音的方法及一些传统的迭代方法进行了简单的介绍，并且基于加性噪声的TV模型，本文引入rprop算法来处理其变分形式的最优化问题来达到图像去噪的目的。并且通过实验结果的比较，rprop算法相对于其它的一些迭代图像去噪方法如与最速下降法，布雷格曼迭代迭代法相比该算法在处理加性高斯噪声其收敛速度要快一些，并且能很好的保证图像质量。rprop算法是一种简单的最优化算法。在处理一些简单且大量噪声图像时，rprop算法非常实用。

关键词：图像去噪 TV模型 rprop算法

来源：评论

学校读者我要写书评

暂无评论

基于rprop算法的湖泊富营养化评价

引用

中国资源综合利用 2008年第11期26卷 17-19页

作者：姜雅萍马宗仁同济大学环境科学与工程学院上海200092 兰州交通大学环境与市政工程学院兰州730070 伊春市广播电视大学黑龙江伊春153000

根据湖泊富营养化程度影响因素多,评价因素与富营养化等级间的关系复杂且是非线性的特点,建立了湖泊营养状态的弹性BP人工神经网络模型,并应用于我国的湖泊营养状态评价。根据传统BP人工神经网络收敛速度不稳定,容易陷入局部极小点等特... 详细信息

根据湖泊富营养化程度影响因素多,评价因素与富营养化等级间的关系复杂且是非线性的特点,建立了湖泊营养状态的弹性BP人工神经网络模型,并应用于我国的湖泊营养状态评价。根据传统BP人工神经网络收敛速度不稳定,容易陷入局部极小点等特点,使用rprop算法进行网络的训练。在分析BP神经网络和rprop算法原理的基础上,指出了rprop算法具有收敛速度快、不容易陷入局部极小点、自适应能力强等优点,并分析了原因。将rprop算法训练的多层前馈神经网络用于湖泊富营养化评价,给出了网络模型,分析了隐含层神经元数目对网络训练和评价的影响。水质评价参数的训练和评价表明,rprop算法的收敛速度快于传统BP算法,并且与传统的评价结果具有高度的相关性,是一种有效的方法。

关键词： rprop算法富营养化评价人工神经网络湖泊

来源：评论

学校读者我要写书评

暂无评论

一种改进的rprop算法在LWD岩性识别中的应用

一种改进的RPROP算法在LWD岩性识别中的应用

引用

2015中国计算机应用大会暨2015年大数据与物联网在工业中的应用会议

作者：修南海段友祥孙歧峰中国石油大学(华东)计算机与通信工程学院山东青岛266580

测地球物理测井作为地质学家的“眼睛”，是油田勘探开发中寻找油气的重要手段，是认识石油地质面貌特征和寻找油气藏在地层内分布规律的有力武器。井是快速和准确获得岩性信息的最主要途径,岩性识别是测井数据解释中最关键的一环.随着... 详细信息

测地球物理测井作为地质学家的“眼睛”，是油田勘探开发中寻找油气的重要手段，是认识石油地质面貌特征和寻找油气藏在地层内分布规律的有力武器。井是快速和准确获得岩性信息的最主要途径,岩性识别是测井数据解释中最关键的一环.随着随钻测井技术的发展,研究和发现速度快,识别准确度高,泛化能力强的岩性自动识别方法是随钻测井数据解释的迫切需求.在分析和研究rprop算法的基础之上,提出了一种利用遗传算法对rprop神经网络进行改进的方法,建立了改进的rprop算法神经网络岩性识别模型,并以某区块的实际随钻测井资料为对象,进行岩性识别的应用研究.研究结果表明,与其它BP算法相比,改进的rprop算法岩性识别准确率较高,具有很好的应用前景.

关键词：油气勘探测井数据岩性识别 rprop算法准确率

来源：评论

学校读者我要写书评

暂无评论

基于rprop算法的变压器油中溶解气体分析故障诊断

引用

电力科学与工程 2005年第2期21卷 70-72页

作者：徐志钮律方成赵丽娟华北电力大学电气工程学院河北保定071003 华北电力大学电子与信息工程学院河北保定071003

在分析BP算法和rprop(振荡传播)算法原理的基础上,指出了rprop算法具有收敛速度快、不容易陷入局部极小点、自适应能力强等优点,并分析了原因。将rprop算法训练的多层前馈神经网络用于变压器油中溶解气体分析故障诊断,给出了网络模型,... 详细信息

在分析BP算法和rprop(振荡传播)算法原理的基础上,指出了rprop算法具有收敛速度快、不容易陷入局部极小点、自适应能力强等优点,并分析了原因。将rprop算法训练的多层前馈神经网络用于变压器油中溶解气体分析故障诊断,给出了网络模型,分析了隐层神经元数目对网络训练和诊断的影响。变压器油中溶解气体数据的训练和诊断表明,rprop算法的收敛速度快于BP算法、加动量项BP算法,并且具有较高的诊断准确率,是一种有效的方法。

关键词：变压器故障诊断油中溶解气体分析人工神经网络 rprop算法

来源：评论

学校读者我要写书评

暂无评论

基于rprop-SVR混合算法的DRNN网络非线性系统辨识

基于RPROP-SVR混合算法的DRNN网络非线性系统辨识

引用

作者：王晓燕西南交通大学

学位级别：硕士

非线性系统辨识是控制理论研究的难点和热点。利用对角递归神经网络对复杂的非线性系统的模型进行辨识时,可通过调整内部神经元的权值来实现非线性系统的动态映射,表现出了很强的动态映射能力,同时使得网络权值调节的计算量很小。但是... 详细信息

非线性系统辨识是控制理论研究的难点和热点。利用对角递归神经网络对复杂的非线性系统的模型进行辨识时,可通过调整内部神经元的权值来实现非线性系统的动态映射,表现出了很强的动态映射能力,同时使得网络权值调节的计算量很小。但是由于现有的用于训练对角递归神经网络的学习算法存在收敛速度慢、辨识精度不够理想的缺点,因此本文针对这一问题进行了探讨和研究。本文首先针对在对角递归神经网络中广泛采用的DBP算法的辨识误差较大且收敛速度慢的缺点,分别采用了Lyapunov函数算法和遗传算法作为改进算法训练对角递归神经网络。并对DBP算法、Lyapunov函数算法及遗传算法的辨识效果进行了比较,仿真结果表明基于Lyapunov函数算法的辨识误差和辨识精度都要优于DBP算法和遗传算法,其辨识误差最小,且收敛速度最快。其次,为了避免在Lyapunov函数算法中梯度大小对网络权值改变的影响,本文首次将一种局部自适应学习算法rprop算法用于训练对角递归神经网络,该算法不受梯度大小对权值调整的影响,而只是决定网络权值的调整方向,该算法辨识精度高,能加速收敛,并在一定程度上克服了局部最小问题。然后,针对神经网络隐层节点数任要靠经验选取的问题,本文提出将rprop算法与支持向量回归算法相结合的混合算法——rprop-SVR算法,用于对角递归神经网络的训练,其中利用SVR算法自动确定网络隐层节点数,利用rprop算法训练网络权值,并将这一新算法用于非线性系统辨识,取得了很好的辨识效果。最后,将基于rprop算法与rprop-SVR混合算法的辨识效果进行了对比,仿真结果表明,两种算法的辨识误差、辨识精度及收敛速度基本相同,这就证明了利用rprop-SVR混合算法自动确定网络隐层节点数的有效性,说明该方法可替代人工试取的方式一次性自动确定出神经网络结构,从而可节省大量因人工试取隐层节点数而耗费的试验时间。

关键词：对角递归神经网络遗传算法 rprop算法 rprop-SVR算法非线性系统辨识

来源：评论

学校读者我要写书评

暂无评论

重力梯度张量的拟BP神经网络反演

引用

中南大学学报（自然科学版） 2011年第12期42卷 3797-3803页

作者：郭文斌朱自强鲁光银中南大学地球科学与信息物理学院有色金属成矿预测教育部重点实验室湖南长沙410083

基于重力梯度张量是反映重力场空间变化率的参数,比传统的重力异常具有更高的分辨率和更丰富的信息,将改进的BP神经网络算法应用于重力梯度张量的反演中并分析其反演效果。该算法是一种基于rprop算法的拟BP神经网络反演算法,采用三层神... 详细信息

基于重力梯度张量是反映重力场空间变化率的参数,比传统的重力异常具有更高的分辨率和更丰富的信息,将改进的BP神经网络算法应用于重力梯度张量的反演中并分析其反演效果。该算法是一种基于rprop算法的拟BP神经网络反演算法,采用三层神经网络结构,用隐层神经元表示物性单元的密度值,根据rprop算法自动修改各单元密度值,从而得出场源空间的密度分布。研究结果表明:采用这种算法对重力梯度张量进行反演计算,收敛速度快,对初始模型依赖性小,可准确反映出异常体形态特征和密度特征。

关键词：重力梯度张量拟BP神经网络 rprop算法反演

来源：评论

学校读者我要写书评

暂无评论

废旧聚丙烯制板工艺预测模型的研究

引用

高分子材料科学与工程 2007年第6期23卷 24-27页

作者：姚正军李超邹戈李莉平南京航空航天大学材料科学与技术学院江苏南京210016

在研究基本误差前向反馈(BP)算法和模拟退火(SA)算法的基础上,提出了基于模拟退火优化的Resilient Back Propagation(rprop)算法,并利用该算法建立了废旧聚丙烯制备板材重要工艺参数与成品板材的压制成形性能、力学性能之间的模拟及预... 详细信息

在研究基本误差前向反馈(BP)算法和模拟退火(SA)算法的基础上,提出了基于模拟退火优化的Resilient Back Propagation(rprop)算法,并利用该算法建立了废旧聚丙烯制备板材重要工艺参数与成品板材的压制成形性能、力学性能之间的模拟及预测模型。与单纯的BP算法比较,数值计算结果表明,rprop-SA混合优化策略具有较高的速度和精度。

关键词：废旧聚丙烯板材预测模型 rprop算法 SA算法

来源：评论

学校读者我要写书评

暂无评论

基于HIS颜色模型的珍珠颜色分选方法

引用

农业工程学报 2008年第8期24卷 284-287页

作者：李革李斌王莹孙立赵匀李兢刘玉超浙江理工大学机械与自动控制学院杭州310018 枣庄学院枣庄277100

为研究和实现珍珠的自动分选,提出了一种对珍珠的色调及饱和度进行分选的方法。将珍珠图像由RGB颜色模型转换到HIS模型中进行处理,根据I(亮度)分量直方图,通过全局分割提取珍珠光亮区,掩模后得到光亮区H(色调信息)、S(饱和度信息)均值... 详细信息

为研究和实现珍珠的自动分选,提出了一种对珍珠的色调及饱和度进行分选的方法。将珍珠图像由RGB颜色模型转换到HIS模型中进行处理,根据I(亮度)分量直方图,通过全局分割提取珍珠光亮区,掩模后得到光亮区H(色调信息)、S(饱和度信息)均值。其中针对色调分选要求,运用了基于rprop算法的人工神经网络学习方法;针对各色系内色彩的深浅差异,运用了K-均值聚类方法对S均值进行分类。从而实现了先按照珍珠表面色彩进行分类,再将同一色系内的珍珠按照饱和度进行再度分选,最终达到颜色分选要求。

关键词： HIS颜色模型 K-均值聚类人工神经网络 rprop算法

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：