前向多层代数神经网络隐层神经元数目估计方法

结合目前估计前向三层神经网络隐层神经元数目的方法,提出一种向量不交关系来确定多层前向代数神经网络隐层神经元的数目,该方法只须估计出第一隐层神经元的数目,其余各层神经数目利用不交关系的算法随之确定,通过多项式代数函数实例表明,该方法具有效。     

权值直接确定的三角型模糊前向神经网络

为了确定前向神经网络的网络结构,提出了一种基于采样数据的含单隐层神经元的模糊前向神经网络,反映了构造数据所蕴含的系统信息,其隐层神经元激励函数选择为三角型隶属函数和构造数据相应输出的乘积。该网络模型可以随采样数据的多少自主选择构造数据,自主设定隐层神经元,利用权值直接确定法得到网络最优权值。数值仿真实验表明,相比于现有文献的已有网络模型,模糊前向神经网络具有逼近精度高、网络结构可调、较好的预测性和实时性高的优点。     

基于BP神经网络的行人和自行车交通识别方法

研究了基于BP神经网络的行人和自行车识别方法.首先对图像提取4个特征,形成特征向量作为BP神经网络的输入;然后设计BP神经网络的结构,网络输出为对行人和自行车的识别;为了确定BP神经网络合理的隐层神经元数目,分别对不同隐层神经元数目的神经网络进行了实验分析.最后利用实测的数据对BP神经网络进行训练、仿真实验,并对实验结果进行分析;结果表明:最佳网络的正确识别率为84%,行人和自行车的正确识别率分别为89%和71%.     

用messy遗传算法确定多层前向神经网络的隐层结点数

提出了一种用messy遗传算法来确定前向神经网络的隐层结点数的方法。该方法引入切断算子和拼接算子,以均方差函数为网络的目标函数,从而得到合适的隐层结点数。实例仿真表明,与现有的方法相比较,该方法找到的隐层结点数所对应的网络均方误差最小,达到了优化神经网络的结构的目的。     

基于代数神经网络的多元多项式不可约判定及学习算法

把感知器作为数学模型,充分利用神经元的运算特性,以二元多项式近似求根神经网络模型为基础,设计一类多元多项式不可约判定的神经网络模型,它是单输入多输出三层前向神经网络,给出神经网络学习算法,这种学习算法在ｐ－ａｄｉｃ意义下,通过调整隐层与输出层的权值Ｃｉ,ｊ完成学习,可确定出多元多项式不可约,通过算例表明,该算法有效,相比传统的判定算法,可操作性强。     

一种改进的Jacobi正交多项式的BP神经网络算法

 根据多项式理论,构造一种以Jacobi正交多项式作为隐层神经元激励函数的BP(back-propagation)神经网络模型.针对该网络,提出一种改进算法即隐层神经元数可快速确定的权值直接确定算法.首先介绍正交基函数和Jacobi多项式的定义,以及BP神经网络的基本原理.然后进行网络隐层数设计及其隐神经元数的确定,且设置各层连接权值、给出改进算法的步骤.最后,将其与传统矩阵迭代法和Levenberg-Marquardt训练算法进行比较.计算机实验结果表明,该算法具有比传统的BP迭代法更快的计算速度,并且能够达到更高的工作精度.     

基于神经网络的手写体数字识别

本文将奇异值分解方法用于神经网络结构优化。通过收敛后网络的权值矩阵作ＳＶＤ分解，根据分解结果确定出较适宜的隐层神经元数目，这样神经网络结构得以简单化，连接权的数目将减少，从而使计算理减少，节约存贮资源及时间。     

多项式前向神经网络

提出了一种新型的前向神经网络模型-多项式神经网络。该网络具有三层结构,隐层、输出层神经元激活函数分别为：f(x)=x^p和线性函数,网络隐层-输出层的权值采取最速下降法学习,输入层-隐层的权值采用遗传算法进行学习;网络学习时,其误差函数单调递减,学习算法具有较好的收敛性;该网络能逼近任意的连续函数,且具有较好的稳定性,应用实例表明该网络的性能是优良的。     

基于熵准则的神经网络设计方法

神经网络的结构设计一直是研究者关注的基本问题．提出了一种构造神经网络的方法——EBNN．该方法采用熵作为第一层神经元的选择准则,在选择第一层神经元的同时可以得到隐层和输出层的神经元,并对神经网络参数进行合理的初始化．该方法不仅能有效地建立神经网络的结构,还提供了信息性增量学习的可能性．     

用模糊聚类分析法建立神经网络岩土本构模型

针对岩土类材料本构关系复杂的情况 ,采用BP网络建立了其本构模型 ,并从神经网络隐层的本质特征出发 ,对样本数据 (应力和应变信息 )采用模糊聚类分析法进行特征抽取 ,以确定隐层节点数目 .算例结果表明 ,该方法是可行的 ,并具有较直观的物理意义 ,可为样本的选取提供指导作用 .     

BP神经网络用于函数逼近的最佳隐层结构

研究采用反向传播算法的人工神经网络用于函数逼近时的支结构。方法,以典型的ｎ输入、单输出的多层ＢＰ网为例,在几种不同的网络隐层结构下对典的连续函数进行逼近训练。,分析各网络输出的全局误差。     

基于Chebyshev神经网络的衍生算法

根据辨识对象,神经网络的输入层和输出层神经元的个数易于确定,而隐层数和隐层神经元个数难以确定.借助于生物的生长发育知识,在正交基函数神经网络的基础上提出衍生算法,该算法的基本思想是先选取较少个数的隐层神经元作为初始发育细胞,训练K次后,如果目标函数J不再变化且大于给定的ε,则网络自动衍生,以上过程反复进行,直至J小于等于ε,则停止衍生和训练.仿真实验表明,该算法在训练过程中改善了收敛速度,并自动调整网络的拓扑结构,解决了隐含神经元个数难以确定的问题且具有优良的逼进任意非线性特性的能力.图2,表2,参7.     

粗糙集和神经网络相融合的钻井安全评价模型

针对动态性、随机性和不确定性较强的钻井作业现场,开展了安全评价的研究。提出了一种基于粗糙集和BP神经网络对作业现场进行安全评价的方法。首先以粗糙集为基础来构建BP神经网络的前置系统,对采集到的样本数据进行属性约简。其次,根据约简结果以及作业当天的事故情况完成了BP神经网络输入层和输出层的设计,并根据输入层和输出层神经元的个数通过试凑法确定网络隐含层的神经元数量范围,并采用训练样本对不同神经元个数所对应的网络模型进行训练,选择网络误差最低的网络作为所构建的网络模型。最后,选取16 d的测试样本对网络进行验证,将网络的输出同作业现场的实际结果进行比较,有14 d的网络结果与实际结果相符,测试准确率达到了87.5%。     

BP网络在汽车牌照字符识别中的应用

基于BP神经网络原理对汽车牌照中数字与英字母进行了识别．分析了汽车牌照图像的识别处理过程，提出一种将大量模式分成许多小模式组的方法，研究了学习速率、误差精度与隐含层节点数之间的关系．实验结果表明所设计的汽车牌照神经网络识别系统能够较好地识别汽车牌照字符．     

一种新的前馈神经网络删剪算法

前馈神经网络中隐层神经元的个数与它的学习和泛化能力密切相关.通过广义逆矩阵算法解决最小二乘问题改进神经网络自构行学习算法,得到一种新的前馈神经网络删剪算法.将新算法用于已经训练好的大型网络,能删剪“冗余”的隐层神经元,得到一个最精简的神经网络.此精简的神经网络不需要重新训练仍能保持原有的性能,并且泛化能力很好.仿真实例说明此算法的有效性和可行性.     

基于BP神经网络的变压器故障诊断

针对变压器故障类型的特征,结合油中气体分析法及三比值法,应用BP神经网络对变压器进行故障诊断。根据BP神经网络的概念、结构和算法原理,探讨了不同隐含层的神经元个数对神经网络训练性能的影响。通过对仿真结果的分析与测试,结果表明BP神经网络对变压器故障诊断具有较好的应用效果。     

一种新的布尔函数求补算法

研究了SOP(积的和型)布尔函数的求补算法,分析了已有的求补算法之间的深层联系,给出了否定树的概念.证明了单边求补算法、Sharp算法与德*摩根律是等效的、不相交的.Sharp算法是递归算法的一个特例.提出了以否定树为基础的解决SOP型函数求补运算的新算法.     

BP神经网络隐含层单元数的确定

本文针对BP神经网络隐含层单元数难以确定的问题,提出了一种改进的方法,并通过实验证明该方法有效的减少了验证次数,提高了确定隐含层最佳单元数的效率,具有较高的应用价值.     

基于CDT的时空区域拓扑关系确定方法

研究了基于逆时针有向三角形(conterclockwisely directed triangle,CDT)的时空区域拓扑关系的确定方法,尤其对静态时空数据库中基于逆时针有向多边形的时空区域表示方法、简单多边形形状时空区域的三角化方法及静态时空联系下两个简单多边形形状时空区域间拓扑关系的确定方法进行了研究.结果表明:时空区域间的相等、包含、部分覆盖、相离、相接5种基本拓扑关系均可通过基于逆时针有向三角形的方法确定.该方法不仅有效地实现了各种时空数据的表示和操作,而且避免了直接基于边界坐标计算时空数据时对效率的影响.