共查询到20条相似文献,搜索用时 281 毫秒
1.
BP神经网络算法的改进 总被引:8,自引:0,他引:8
本文分析了BP算法所面临的问题,给出了一种改进算法,说明了它们的原理和应用环境,将它们与传统的BP算法作了比较,并通过一实例验证:应用改进算法可以大幅度地提高BP神经网络的学习速度,这对BP神经网络的应用有较大实际意义。 相似文献
2.
用面向对象程序设计神经网络的算法类库 总被引:1,自引:0,他引:1
依据面向对象的程序(OOP)设计的优越性,用C++语言,针对神经网络BP算法和GA算法,编写了神经网络及其算法类库:目的是为神经网络学习算法的发展和深入及其应用于工程提供方便和有利工具.且给出利用该类库实现的非线性系统辨识结果 相似文献
3.
基于神经网络的恒虚警处理 总被引:1,自引:0,他引:1
曲长文 《系统工程与电子技术》1996,(6)
本文首先回顾了神经网络的B—P算法。根据B—P网络的非线性映射特性和恒虚警(CFAR)处理的实质,分析了基于B—P网络的恒虚警处理的原理和方法。 相似文献
4.
本文首先建立多层前馈二阶神经网络模型,继而给出该模型的二阶B-P学习算法,在此基础上构造了二阶快速B-P(即FB-P)和改进的二阶FB-P(即MFB-P)学习算法,在计算机上以两类飞机图像目标识别为例,对本文提出的多层前馈二阶神经网络模型及其三种二阶学习算法的性能进行仿真实验,并与传统的多层前馈一阶神经网络及其相应学习算法的性能作比较,从而获得若干有意义的结果。 相似文献
5.
CUI Jing''''an 《系统科学与复杂性》1994,(1)
GLOBALASYMPTOTICSTABILITYINN-SPECIESCOOPERATIVESYSTEMWITHTIMEDELAYS¥CUIJing'an(DepartmentofMathematics,XinjingUniversity,Urum... 相似文献
6.
PARALLELCOMPUTATIONANDDOMAINDECOMPOSITIONFORACLASSOFHYPERBOLICPROBLEMSLINQun;YANNingning;ZHOUAihui(InstituteofSystemsScience,... 相似文献
7.
GUO Baozhu 《系统科学与复杂性》1994,(2)
THEPOPULATIONDYNAMICSWITHN-INTERSECTIONS¥GUOBaozhu(DepartmentofAppliedMathematicsBeijingInstituteofTechnology,Beijing100081,C... 相似文献
8.
SOMEPERFORMANCEMEASURESOFREPAIRABLETRANSFERLINEWITHGENERALDISTRIBUTIONSLIWei;CAOJinhua(InstituteofAppliedMathematics,Academia... 相似文献
9.
SHI Jian 《系统科学与复杂性》1996,(3)
ANOTEONTHEL_pCOMPARISONBETWEENTHEBOOTSTRAPANDRANDOMWEIGHTINGSHIJian(InstituteofSystemsScience,AcademiaSinica,Beijing100080,Ch... 相似文献
10.
基于模糊推理的自适应BP算法 总被引:8,自引:0,他引:8
BP网络是迄今为止应用最广泛的一种神经网络,但这种算法也存在着收敛速度慢、容易陷入局部极小点等问题.本文在标准BP算法的基础上提出一种改进BP算法,称之为自适应BP算法.这种自适应BP算法采用模糊规则动态调整学习参数,并且能在学习过程中和学习完成后通过隐节点调整算法优化网络结构,有比标准BP算法更好的收敛性和更好的泛化能力 相似文献
11.
神经网络在预测编码中的应用 总被引:3,自引:0,他引:3
讨论如何有效地利用backpropagation(BP)神经网络进行预测编码。改进的BP算法可以提高BP神经网络地收敛速度、泛化能力和稳定性。一般而言 ,四层网络比三层网络具有更快地学习速度 ;二阶网络比一阶网络性能更优越。利用MATLAB程序 ,构造三层、四层和二阶BP神经网络进行预测编码。测试结果表明 ,利用规模足够大的三层BP网络进行预测编码可以取得较好效果 ;四层和二阶网络比等价的三层网络可以更有效地进行预测编码 相似文献
12.
13.
一种快速收敛的核CMAC神经网络模型 总被引:1,自引:0,他引:1
为了提高CMAC(cerebellarmodelarticulationcontrollers)神经网络实时在线学习的快速性和准确性,在核CMAC的基础上引入了信度分配的概念。在核空间内,利用激活单元先前学习次数作为可信度,其误差校正值与激活单元先前学习次数的倒数成比例,设计了一种基于信度分配的核CMAC的训练规则,使网络的学习速度和网络逼近精度及建模能力得到提高。仿真结果表明基于信度分配的核CMAC结合了核CMAC与信度分配CMAC的优点,隐去了映射所带来的复杂运算,有较快的学习速度和训练精度及建模能力。 相似文献
14.
A quantum BP neural networks model with learning algorithm is proposed. First, based on the universality of single qubit rotation gate and two-qubit controlled-NOT gate, a quantum neuron model is constructed, which is composed of input, phase rotation, aggregation, reversal rotation and output. In this model, the input is described by qubits, and the output is given by the probability of the state in which (1) is observed. The phase rotation and the reversal rotation are performed by the universal quantum gates. Secondly, the quantum BP neural networks model is constructed, in which the output layer and the hide layer are quantum neurons. With the application of the gradient descent algorithm, a learning algorithm of the model is proposed, and the continuity of the model is proved. It is shown that this model and algorithm are superior to the conventional BP networks in three aspects: convergence speed, convergence rate and robustness, by two application examples of pattern recognition and function approximation. 相似文献
15.
在神经网络在线学习控制中 ,实时性和控制精度是非常重要的两大指标。提出的一类具有多维存储结构的CMAC网络 ,提高了网络的泛化能力和学习速度。利用这一网络 ,针对不确定性机器人系统 ,考虑其标称模型 ,提出了一种新的实时智能补偿控制策略 ,并利用Lyapunov方法得出了系统全局渐近稳定的充分条件和网络学习律。在该控制策略中 ,系统的控制输入由两部分组成 :基于标称模型的计算力矩及补偿输入 ,其中补偿输入为系统标称惯性矩阵与神经网络输出的乘积。最后给出了仿真实例来说明该控制策略的有效性 相似文献
16.
基于多个并行CMAC神经网络的强化学习方法 总被引:1,自引:0,他引:1
为解决标准Q学习算法收敛速度慢的问题,提出一种基于多个并行小脑模型(Cerebellar Model Articulation Controller:CMAC)神经网络的强化学习方法。该方法通过对输入状态变量进行分割,在不改变状态分辨率的前提下,降低每个状态变量的量化级数,有效减少CMAC的存储空间,将之与Q学习方法相结合,其输出用于逼近状态变量的Q值,从而提高了Q学习方法的学习速度和控制精度,并实现了连续状态的泛化。将该方法用于直线倒立摆的平衡控制中,仿真结果表明了其正确性和有效性。 相似文献
17.
反馈神经网络的一种反向传播算法 总被引:2,自引:0,他引:2
吴晓红 《系统工程与电子技术》1999,21(9):I1
曾有人提出利用线性最小二乘法解决神经网络求解优化问题,如用于 B P、 Hopfield 网络求解。但在许多实际应用中,典型的反向传播法速度较慢。顾提到的反馈神经网络新型算法基于线性代数方法,使用线性最小二乘技巧获得每个神经元的激活函数的权重和,并根据理想权重和与实际权重和的“子误差”来逐层调整权重。在描述时间序列等应用方面,其速度比经典的反向传播要快几个数量级。 相似文献
18.
19.
20.
针对低信噪比条件下雷达辐射源信号特征提取困难、识别准确率低的问题, 提出一种基于切片循环神经网络(sliced recurrent neural networks, SRNN)、注意力机制和卷积神经网络(convolutional neural networks, CNN)的雷达辐射源信号识别方法, 并在CNN中引入批归一化层, 进一步提升网络的识别能力。模型以雷达辐射源信号幅度序列作为输入, 自动提取信号特征, 输出识别结果。实验结果表明, SRNN相比于门控循环单元(gated recurrent unit, GRU)训练速度大大提升, 注意力机制和批归一化层能有效提高识别准确率; 在采用8种常见雷达辐射源信号进行的实验中, 所提方法在低信噪比条件下仍有较高的识别准确率。 相似文献