BP网络泛化能力改进研究

详细阐述了防止BP网络过度训练的方法，总结了常用的增强网络泛化能力的方法。并在此基础上，提出了基于主要影响因素和基于修正误差函数来增强网络泛化能力的方法，取得了良好的效果，提高了BP神经网络的适应性。     

基于免疫算法的前向神经网络学习方法

提出了一种采用免疫算法训练多层前向神经网络的方法。该方法利用免疫算法训练前向神经网络,能够使网络优化过程趋于全局最优。利用基于遗传策略的聚类机制确定前向神经网络的初始权值,增加了网络训练算法收敛于全局最优的概率。将这种神经网络用于雷达模拟调制信号的调制方式识别的仿真结果表明,采用该算法设计的前向神经网络达到了较高的性能。     

改进的模糊神经网络应用于投标报价

针对模糊神经网络规则膨胀导致的网络训练速度慢和泛化能力弱的缺陷,提出了一种改进的基于T-S模型的模糊神经网络的结构和算法。网络结构包括前件和后件网络二部分,本文在后件网络中增加了一个隐含层以提高计算能力,在前件网络中运用了有效模糊规则选取的方法以提高收敛速度。最后将提出的网络结构应用于建筑工程的投标报价中,仿真结果证明:该网络能达到更高的误差精度、更快的训练速度和更好的泛化能力。     

多层前向网络灵敏度的分析和降低方法

本文将前向网络的输入误差看作服从加性和乘性随机噪声，进行了网络输出误差的统计分析，并依此定义网络的灵敏度。在此基础上，分析了Ｓｉｇｍｏｉｄ函数的斜度对网络灵敏度的影响，结合仿真实验，提出了一个降低前向网络灵敏度的有效方法。     

LS-SVM与多层前向网络的非线性回归性能比较

在阐述支持向量机(SVM)和最小二乘支持向量机(LS-SVM)的原理并比较了两者的优缺点后,将LS-SVM与多层前向网络中的两种典型网络BP网络和RBF网络,分别应用于装载机载重动态测量的非线性函数回归估计中,对这三种网络在函数逼近和泛化能力两方面的性能进行比较研究。仿真结果表明,LS-SVM在精度和泛化性能两方面做到了最好的折衷,是用于非线性函数回归分析的一种很有效的方法。     

径向基函数网络泛化能力研究及其应用

通过分析径向基函数网络(RBF网络)结构及影响其泛化能力的因素,提出一种通过网络泛化误差自动调节隐层节点数以得到最佳节点数的方法。将采用这种算法的RBF网络用于对船舶焊接变形过程进行建模并预测其输出。仿真表明这种算法可以显著提高传统RBF网络的泛化能力。     

一种优化计算确定神经网络结构的方法

对于一个具体的多层前向神经网络设计问题,网络的输入输出以及标准样本数为已知,网络的隐层结构,即隐层层数和每个隐层神经元个数如何选择是神经网络设计中的关键.根据代数方程理论,通过权值和阈值与隐层结构的关系,建立了以权值和阈值为设计变量的目标函数表达式,通过分析,提出了多层前向神经网络合理的隐层层数和每个隐层神经元个数的一般确定方法,给出了确定多层前向神经网络合理结构的优化目标函数及其约束条件.仿真研究结果表明所提出方法确定的多层前向神经网络结构是合理的.     

神经网络的拟凸性质与分块变尺度算法

分析了前向神经网络误差函数的拟凸性质及其分片表示结构，提出了分块变尺度算法。该算法具有分块误差向后传播的特点。     

一种新型复合神经网络模型

本文首先详细地阐述了ＢＰ神经网络和ＣＭＡＣ神经网络各自的结构，原理以及算法。提出了一种ＢＰ神经网络与ＣＭＡＣ神经网络组合起来的新型复合神经网络模型，并利用误差逆向传播原理推导出复合网络的学习法。仿真实验结果表明，这种复合神经网络在保留了ＢＰ和ＣＭＡＣ各自特长的基础上，同时具有学习速度快，泛化能力强等特点     

基于T-S模型的扩展型模糊神经网络及应用

针对基于T-S模型的模糊神经网络的局部逼近缺陷,提出了一种基于T-S模型的扩展型模糊神经网络,从训练样本特性和网络结构两个方面来提高网络模型的泛化能力.利用先验知识和模糊推理的方法对样本集进行分析和分类处理,使样本集更加规范;并采用模糊规则推理动态调整正则项系数的方法来减小网络结构.仿真结果表明,所提出的网络具有更快的收敛速度和良好的泛化能力.     

前馈神经网络泛化性能力的系统分析

通过对多层前馈网络的运行机制的系统分析 ,指出影响前馈网络泛化能力的根本原因是训练网络用的样本 ,包括样本质量、样本数量和样本代表性三个方面 .针对复杂系统给出了一种提高前馈网络泛化能力的途径 ,并通过对仿真算例的计算验证了得出的结论 .     

基于卡尔曼滤波的二次型神经网络学习算法及收敛性分析

提出了二次型多层前馈神经网络的卡尔曼滤波学习算法，并证明了该算法的收敛性。与文献［２，３］中的学习算法和经典的误差反向传播学习算法相比，新的学习算法具有更快的学习速度、良好的泛化能力，并且对学习率有很好的鲁棒性，不容易陷入局部极小点。仿真实验结果表明了新算法的有效性。     

前馈网络泛化性能改进的目的规划方法研究

以目的规划模型为基础，将前馈网络准则函数改进、网络灵敏度降低、先验知识运用有机地结合在一起，提出了前馈网络泛化性能改进的目的规划方法．文中给出了该方法的数学模型、求解方法以及算例     

前馈网络目的规划算法及其应用研究

提出了前馈网络目的规划算法。与通常ＢＰ算法相比,该方法进行了三个方面的改进：（１）准则函数的改进;（２）网络灵敏度的降低;（３）领域先验知识的运用。理论分析及大气中ＳＯ２浓度预测应用研究表明该方法有效地改善了前馈网络泛化性能,提高了预报精度。     

基于修改误差函数新的BP学习算法

通过分析隐层神经元饱和度对网络性能的影响,构造了新的误差函数,同时设计了一种自适应调节的放大误差信号方法,得到新的BP学习算法。该算法流程简单,不需要太大的计算复杂性。仿真实验结果表明新改进算法在收敛速度和避免误差函数陷入局部极小方面明显优于其它BP算法。     

权值光滑BP算法：一种改善网络推广性能的方法

推广性能是人工神经网络研究的重要方向。在推广性能的研究中，改进学习算法是提高前向网络推广性能的重要方法之一。本文对一特殊的权值光滑BP算法的理论基础进行了仔细的研究，并将该算法首次应用于水声目标的分类问题。实验结果表明，具有权值光滑BP算法的前向网络不仅具有较光滑的连续权值，而且其推广性能也优于具有标准BPM算法的前向网络。     

前馈神经网络的学习能力

使用新的分类子网,改进了Huang得到的一个关于两个隐层前馈型神经网络的学习能力的结果,证明了具有$2(2N)^{(1/2)}+2$个隐层节点的神经网络可以学会N个不同的样本.同时,新的讨论方法使得结果对广泛的一类活化函数都适用,而不只限于sigmoid活化函数.     

神经元网络在股价预测中的应用

利用时延神经元网络模型（ＴｉｍｅＤｅｌａｙＮｅｕｒａｌＮｅｔｗｏｒｋ）对四川长虹的股价作了预测。股价的涨跌预报可视作高维空间的非线性分类问题,本文使用增益可调的反向传播算法,对其走势作了预报。借助前馈神经网络对非线性函数的逼近能力,本文对四川长虹股价这个时间序列作了连续若干天的一步预测。最后,我们采用不同形式的误差函数对预测结果作了比较。     

一种基于遗传算法的小波神经网

网络的优化学习是人工神经研究中的一个重要问题.将遗传算法全局性优化搜索和小波分析的时-频局部性特点相结合,本文提出了一种基于遗传算法学习的小波神经网络--遗传算法小波神经网络(WNNGA).三位异或问题和双螺旋问题的实验结果证明,遗传算法小波神经网络不仅继承了小波分析良好的局部性及其神经网络的学习和推广能力,而且具有遗传算法全局快速寻优的特点,是多层前向神经网络学习的一种理想算法.