众文网1.本人的毕业设计时给予BP神经网络的水质评价,我对神经网络一无所
我研究生阶段也学习了神经网络，当然主要也是学习了基于误差反向传播算法（BP）的多层感知器（BP神经网络这个称呼是不对的）。
我学习的心得是： 先看丛爽主编的《面向MATLAB的工具箱的神经网络理论与应用》，感觉比较好。 看了差不多之后，强烈建议看外国人写的《Neural Network Design》，作者是Martin Hagan，为什么这本书是非常好的入门、进阶教材呢？因为这本书里把神经网络的学习和MATLAB联系起来了。
利用MATLAB来辅助进行实验，领悟神经网络的知识，这是一个非常好的学习模式。 之后，进阶了，自己再看看怎么规划。
希望你能认真学习。 我加了一个神经网络讨论群，气氛还挺好的 38264063。
2.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。
3.求助关于神经网络论文
唉，你要是连bp都还不明白，怎么给你讲啊。
论文是抄的，答辩还要来网上问，楼主啥专业的？30页，呵呵，你要有基础的话，这些关键概念（单指bp）用不了一天你就能弄明白。怪不得现在大学生找不到工作，bp是神经网络里最初级的，学了4年连这个都没弄明白，几天的时间不是想办法去弄明白概念而是跑这里来发问，呵呵。
给你推荐本书吧，上面有matlab的代码，模式识别与智能计算，讲的很浅显，代码都是识别手写体数字的，也许有帮助，虽然都是很简单的例子，不过用来了解概念还是足够了。
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.BP神经网络的Matlab编程
#include
7.基于MATLAB的BP神经网络在图像处理中的应用
在加工每一针前根据设定轨迹、运动参数、物料材质、当前加工位置等先用BP神经网络得到加工点粗略的变形量，对加工轨迹进行预补偿。
加工时动态采集加工点的局部图像，经数字图像处理得到加工点实际坐标与设定坐标的偏差值，一方面将所得值作为神经网络的输出样本，结合相关参数对神经网络进行在线培训，另一方面将此偏差值与加工点设定坐标之和（即加工点实际坐标）用神经网络的输出进行预补偿，求出其与针头实际位置的差值作为PID控制器的输入，从而提高控制系统的动态特性，实现快速精确绗缝的自动化加工。
8.用Matlab编程BP神经网络进行预测
原理就是：建立网络-数据归一化-训练-预测-数据反归一化。附件是电力负荷预测的例子，可以参考。
BP(Back Propagation)神经网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层（input）、隐层（hidden layer）和输出层（output layer）。
转载请注明出处众文网 » bp神经网络的本科生毕业论文(本人的毕业设计时给予BP神经网络的水质评价,我对神经网络一无所)