众文网1.基于模拟退火算法的BP神经网络学习方法
模拟退火优化BP神经网络在SMT片式元件焊点质量评价中的应用摘要：针对SMT(surface mount technology：表面组装技术)片式元件焊点缺陷类别繁多、缺陷原因复杂的问题，本文采用模拟退火算法（Simulated annealing）和BP神经网络相结合的方法建立了SMT片式元件焊点质量评价的模型，并应用这个模型对生产现场采集的片式元件焊点样本数据为例进行分析评价。
结果表明，该方法可以准确的、快速的对焊点缺陷进行识别，从而为焊点质量评价奠定基础。关键词：模拟退火算法 BP神经网络算法 焊点 缺陷 Abstract: There are many kinds of default of SMT (Surface Mount Technology) solder joints, and the reasons of these default solder joints are rather complex. This paper combines simulated annealing with BPNN to establish a SMT solder joint estimate model, and apply it to inspect the test sample which from the product line. The result show that the SABP can check out the types of default solder joint quickly.Keywords: Simulated annealing BP neural networks Solder joint Default引言焊点作为连接元器件与印制板的中介，起着电气互联与机械支撑的作用，焊点的好坏直接影响着电路板的工作状态。
焊点缺陷类型繁多、缺陷类型难于识别、缺陷原因错综复杂，难于处理[1]。目前SMT生产线焊点检测一般采用在线测试为主，关键工序使用光学检测设备或者借助人工目检的方法进行焊点检测。
这种方法过于依赖人工，不能做到完全可靠的对焊点质量进行鉴别。而智能鉴别方法通过学习大量样本，获取样本特征信息与因果关系，能够做到对焊点缺陷可靠的鉴别。
BP神经网络自上世纪90年代以来发展比较快速、应用较为广泛的一种网络，这个网络由大量神经元有机组合而成的一个具有高度自适应的非线性系统，它通过大量样本学习来挖掘隐含在样本的因果关系，因而可以表达复杂的非线性关系。但是由于采用梯度训练法，不可避免地存在易陷入局部最小的问题。
对于神经网络的改进方法有很多种，如变步长法、变尺度法、积累误差校正法、与遗传算法相结合的改进方法，这些改进方法相对标准BP算法有了一定程度的提高，但是在收敛速度与精度方面不能达到要求，或者操作方法比较复杂。本文采用SABP（模拟退火优化BP神经网络）方法建立了SMT片式元件焊点质量评价的模型，并应用这个模型对生产现场采集的焊点样本数据进行分析评价。
结果表明，该方法可以较好的、快速的完成对焊点质量的评价。
2.人工神经网络的论文
神经网络的是我的毕业论文的一部分4.人工神经网络 人的思维有逻辑性和直观性两种不同的基本方式。
逻辑性的思维是指根据逻辑规则进行推理的过程；它先将信息化成概念，并用符号表示，然后，根据符号运算按串行模式进行逻辑推理。这一过程可以写成串行的指令，让计算机执行。
然而，直观性的思维是将分布式存储的信息综合起来，结果是忽然间产生想法或解决问题的办法。这种思维方式的根本之点在于以下两点：1.信息是通过神经元上的兴奋模式分布在网络上；2.信息处理是通过神经元之间同时相互作用的动态过程来完成的。
人工神经网络就是模拟人思维的第二种方式。这是一个非线性动力学系统，其特色在于信息的分布式存储和并行协同处理。
虽然单个神经元的结构极其简单，功能有限，但大量神经元构成的网络系统所能实现的行为却是极其丰富多彩的。4.1人工神经网络学习的原理 人工神经网络首先要以一定的学习准则进行学习，然后才能工作。
现以人工神经网络对手写“A”、“B”两个字母的识别为例进行说明，规定当“A”输入网络时，应该输出“1”，而当输入为“B”时，输出为“0”。 所以网络学习的准则应该是：如果网络做出错误的判决，则通过网络的学习，应使得网络减少下次犯同样错误的可能性。
首先，给网络的各连接权值赋予（0,1）区间内的随机值，将“A”所对应的图像模式输入给网络，网络将输入模式加权求和、与门限比较、再进行非线性运算，得到网络的输出。在此情况下，网络输出为“1”和“0”的概率各为50%，也就是说是完全随机的。
这时如果输出为“1”（结果正确），则使连接权值增大，以便使网络再次遇到“A”模式输入时，仍然能做出正确的判断。 如果输出为“0”（即结果错误），则把网络连接权值朝着减小综合输入加权值的方向调整，其目的在于使网络下次再遇到“A”模式输入时，减小犯同样错误的可能性。
如此操作调整，当给网络轮番输入若干个手写字母“A”、“B”后，经过网络按以上学习方法进行若干次学习后，网络判断的正确率将大大提高。这说明网络对这两个模式的学习已经获得了成功，它已将这两个模式分布地记忆在网络的各个连接权值上。
当网络再次遇到其中任何一个模式时，能够做出迅速、准确的判断和识别。一般说来，网络中所含的神经元个数越多，则它能记忆、识别的模式也就越多。
4.2人工神经网络的优缺点 人工神经网络由于模拟了大脑神经元的组织方式而具有了人脑功能的一些基本特征，为人工智能的研究开辟了新的途径，神经网络具有的优点在于：（1）并行分布性处理 因为人工神经网络中的神经元排列并不是杂乱无章的，往往是分层或以一种有规律的序列排列，信号可以同时到达一批神经元的输入端，这种结构非常适合并行计算。同时如果将每一个神经元看作是一个小的处理单元，则整个系统可以是一个分布式计算系统，这样就避免了以往的“匹配冲突”，“组合爆炸”和“无穷递归”等题，推理速度快。
（2）可学习性 一个相对很小的人工神经网络可存储大量的专家知识，并且能根据学习算法，或者利用样本指导系统来模拟现实环境（称为有教师学习），或者对输入进行自适应学习（称为无教师学习），不断地自动学习，完善知识的存储。（3）鲁棒性和容错性 由于采用大量的神经元及其相互连接，具有联想记忆与联想映射能力，可以增强专家系统的容错能力，人工神经网络中少量的神经元发生失效或错误，不会对系统整体功能带来严重的影响。
而且克服了传统专家系统中存在的“知识窄台阶”问题。（4）泛化能力 人工神经网络是一类大规模的非线形系统，这就提供了系统自组织和协同的潜力。
它能充分逼近复杂的非线形关系。当输入发生较小变化，其输出能够与原输入产生的输出保持相当小的差距。
（5）具有统一的内部知识表示形式，任何知识规则都可以通过对范例的学习存储于同一个神经网络的各连接权值中，便于知识库的组织管理，通用性强。虽然人工神经网络有很多优点，但基于其固有的内在机理，人工神经网络也不可避免的存在自己的弱点：（1）最严重的问题是没能力来解释自己的推理过程和推理依据。
（2）神经网络不能向用户提出必要的询问，而且当数据不充分的时候，神经网络就无法进行工作。（3）神经网络把一切问题的特征都变为数字，把一切推理都变为数值计算，其结果势必是丢失信息。
（4）神经网络的理论和学习算法还有待于进一步完善和提高。4.3神经网络的发展趋势及在柴油机故障诊断中的可行性 神经网络为现代复杂大系统的状态监测和故障诊断提供了全新的理论方法和技术实现手段。
神经网络专家系统是一类新的知识表达体系，与传统专家系统的高层逻辑模型不同，它是一种低层数值模型，信息处理是通过大量的简单处理元件（结点） 之间的相互作用而进行的。由于它的分布式信息保持方式，为专家系统知识的获取与表达以及推理提供了全新的方式。
它将逻辑推理与数值运算相结合，利用神经网络的学习功能、联想记忆功能、分布式并行信息处理功能，解决诊断系统中的不确定性知识表示、获取和并行推理等问题。通过对经验样本的学习，将专家。
3.数据挖掘中关于神经网络的论文怎么写
我给你发个摘要吧随着4G时代的到来，电信市场的竞争越来越激烈，客户资源成为电信企业竞争的焦点。
而客户消费行为规律是客户知识的重要组成部分，因此基于消费行为认知的客户细分就成为电信企业客户关系管理的重头戏。利用数据挖掘算法针对某一具体的客户消费数据集进行分析，挖掘出有趣的信息，并根据这些有趣的结论进一步调整企业的营销策略。
本文针对当前电信企业在4G客户细分方面的不足，结合电信企业客户的特征通过关联分析来实现对电信企业现有客户的细分，帮助电信企业实现电信客户的合理分类，从而对电信企业的营销策略提出指导性意见。通过对某一运营商的4G客户数据库进行分析，采用Apriori算法发现客户消费行为和消费特点之间有趣的关联规则，并根据这些信息进一步分析，为营销决策者提供一种新的思考问题的视角。
本文的研究思路是对样本数据进行预处理后，将样本数据划分为换4G卡、换4G套餐、换4G终端三大客户群体，再分别计算出月均arpu值、月均mou值、月均dou值，最后利用Clementine软件对三大客户群体的这三个值进行基于MDLP原则的熵分组，得到细分的特征客户群。然后对这些客户群再做进一步的研究，利用Apriori算法产生频繁项集，依据频繁项集产生简单关联规则，挖掘出客户消费行为和细分变量品牌、arpu值、mou值和dou值之间的关联关系，总结出相应的规律，帮助电信企业找到特定消费群体的消费习惯，以此为基础，对所识别出来的消费群体进行有针对性的营销。
4.bp神经网络研究现状
BP网络的误差逆传播算法因有中间隐含层和相应的学习规则，使得它具有很
强的非线性映射能力，而且网络的中间层数、各层神经元个数及网络的学习系数
等参数可以根据实际情况设定，有很大的灵活性，且能够识别含有噪声的样本，
经过学习能够把样本隐含的特征和规则分布在神经网络的连接权上。总的说来，
BP网络的优点主要有：
(1)算法推导清楚，学习精度较高；（2）经过训练后的BP网络，运行速度很快，有
的可用于实时处理；（3）多层（至少三层）BP网络具有理论上逼近任意非线性连续
函数的能力，也就是说，可以使多层前馈神经网络学会任何可学习的东西，而信
息处理的大部分问题都能归纳为数学映射，通过选择一定的非线性和连接强度调
节规律，BP网络就可解决任何一个信息处理的问题。目前，在手写字体的识别、
语音识别、文本一语言转换、图像识别以及生物医学信号处理方面已有实际的应
用。
同时BP算法与其它算法一样，也存在自身的缺陷：
(1)由于该算法采用误差导数指导学习过程，在存在较多局部极小点的情况下容易陷入局部极小点，不能保证收敛到全局最小点：（2）存在学习速度与精度之间的矛盾，当学习速度较快时，学习过程容易产生振荡，难以得到精确结果，而当学习速度较慢时，虽然结果的精度较高，但学习周期太长：（3）算法学习收敛速度慢；（4）网络学习记忆具有不稳定性，即当给一个训练好的网络提供新的学习记忆模式时，将使已有的连接权值打乱，导致已记忆的学习模式的信息消失；（5）网络中间层（隐含层）的层数及它的单元数的选取无理论上的指导，而是根据经验确定，因此网络的设计有时不一定是最佳的方案。
5.bp神经网络 中英文对照文献
Modeling a SOFC stack based on GA-RBF neural networks identification
Abstract
In this paper, a nonlinear offline model of the solid oxide fuel cell (SOFC) is built by using a radial basis function (RBF)neural network based on a genetic algorithm (GA). During the process of modeling, the GA aims to optimize the parameters of RBF neural networks and the optimum values are regarded as the initial values of the RBF neural network parameters. Furthermore, we utilize the gradient descent learning algorithm to adjust the parameters. The validity and accuracy of modeling are tested by simulations. Besides, compared with the BP neural network approach, the simulation results show that the GA-RBF approach is superior to the conventional BP neural network in predicting the stack voltage with different temperature. So it is feasible to establish the model of SOFC stack by using RBF neural networks identification based on the GA.© 2007 Elsevier B.V. All rights reserved. Keywords: Solid oxide fuel cells (SOFCs); Radial basis function (RBF); Neural networks; Genetic algorithms; Identification
译：基于GA-RBF神经网络识别技术建模SOFC堆栈
摘要
本文给出了如何基于基因算法（GA）使用径向基函数（RBF）建立一个固体氧化物燃料电池（SOFC）的非线性离线模型。建模时，GA的目标是优化RBF神经网络参数，而优化值则作为RBF神经网络参数的初始值。而且，我们利用梯度下降学习算法调整这些参数。采用模拟方法来检测建模的正确性和准确度。另外，与BP神经网络方法相比，模拟结果显示，在不同温度下预测堆栈电压时使用GA-RBF方法优于传统的BP神经网络。因此使用基于GA的RBF神经网络识别方法建立SOFC堆栈模型是可行的。
© 2007 Elsevier B.V。版权所有。
关键字：固态氧化物燃料电池（SOFC），径向基函数（RBF），神经网络，基因算法，识别
6.本人毕设题目是关于神经网络用于图像识别方面的,但是很没有头续~
我简单说一下，举个例子，比如说我们现在搭建一个识别苹果和橘子的网络模型：
我们现在得需要两组数据，一组表示特征值，就是网络的输入（p），另一组是导师信号，告诉网络是橘子还是苹果（网络输出t）:
我们的样本这样子假设（就是Sampledata1.txt）:
p t
1 0 3 1
2 1 4 2
这两组数据是这样子解释的：
我们假设通过3个特征来识别一个水果是橘子还是苹果：形状，颜色，味道，第一组形状、颜色、味道分别为：1 0 3（当然这些数都是我随便乱编的，这个可以根据实际情况自己定义），有如上特征的水果就是苹果（t为1），而形状、颜色、味道为：2 1 4的表示这是一个橘子（t为2）。
好了，我们的网络模型差不多出来了，输入层节点数为3个（形状、颜色，味道），输出层节点为一个（1为苹果2为橘子），隐藏层我们设为一层，节点数先不管，因为这是一个经验值，还有另外的一些参数值可以在matlab里设定，比如训练函数，训练次数之类，我们现在开始训练网络了，首先要初始化权值，输入第一组输入：1 0 3 ，网络会输出一个值，我们假设为4，那么根据导师信号（正确的导师信号为1，表示这是一个苹果）计算误差4-1=3，误差传给bp神经网络，神经网络根据误差调整权值，然后进入第二轮循环，那么我们再次输入一组数据：2 0 4（当仍然你可以还输入1 0 3，而且如果你一直输入苹果的特征，这样子会让网络只识别苹果而不会识别橘子了，这回明白你的问题所在了吧），同理输出一个值，再次反馈给网络，这就是神经网络训练的基本流程，当然这两组数据肯定不够了，如果数据足够多，我们会让神经网络的权值调整到一个非常理想的状态，是什么状态呢，就是网络再次输出后误差很小，而且小于我们要求的那个误差值。
接下来就要进行仿真预测了t_1=sim(net,p),net就是你建立的那个网络，p是输入数据，由于网络的权值已经确定了，我们这时候就不需要知道t的值了，也就是说不需要知道他是苹果还是橘子了，而t_1就是网络预测的数据，它可能是1或者是2，也有可能是1.3,2.2之类的数（绝大部分都是这种数），那么你就看这个数十接近1还是2了，如果是1.5，我们就认为他是苹果和橘子的杂交，呵呵，开玩笑的，遇到x<=0,5、x=1.5、x>=2.5，我一般都是舍弃的，表示未知。
总之就是你需要找本资料系统的看下，鉴于我也是做图像处理的，我给你个关键的提醒，用神经网络做图像处理的话必须有好的样本空间，就是你的数据库必须是标准的。至于网络的机理，训练的方法什么的，找及个例子用matlab仿真下，看看效果，自己琢磨去吧，这里面主要是你隐含层的设置，训练函数选择及其收敛速度以及误差精度就是神经网络的真谛了，想在这么小的空间给你介绍清楚是不可能的，关键是样本，提取的图像特征必须带有相关性，这样设置的各个阈值才有效。OK，好好学习吧，资料去matlab中文论坛上找，在不行就去baudu文库上，你又不需要都用到，何必看一本书呢！祝你顺利毕业！
转载请注明出处众文网 » bp神经网络算法的毕业论文(基于模拟退火算法的BP神经网络学习方法)