基于状态集结的值函数逼近

用更为紧凑的方法表示和存贮值函数,以求解大规模平均模型Ｍａｒｋｏｖ决策规划（ＭＤＰ）问题。通过状态集结相对值迭代算法逼近值函数,用Ｓｐａｎ半范数和压缩映原理分析算法的收敛性。给出了状态集结后的Ｂｅｌｌｍａｎ最优方程。在Ｓｐａｎ压缩条件下了该算法的收敛性,同时还给出了其误差估计。     

基于Volterra基函数网络的自适应逆控制方法

提出了一种基于Ｖｏｌｔｅｒｒａ基函数（ＶＰＢＦ）网络的非线性系统自适应逆控制方法。对象和逆控制器各用一个ＶＰＢＦ网络表示,应用正交最小二乘算法进行离线网络结构确定和权值初始化,构造了一种动态归一化非线性最小均方（ＤＮＮＬＭＳ）权值更新算法,以进行网络权值的在线学习。仿真结果表明,该方法具有算法简单、学习速度快、鲁棒性能好等优点。     

人脸识别系统中的BP网分类方法

介绍了用于人脸模式自动识别系统中的ＢＰ网的基本原理和算法及步骤,提出了隐层神经元个数的物理意义和选取原理,讨论了Ｓｉｇｍｏｉｄ函数的改进形式和网络初始权植的设置原则。     

一种复合型前馈神经网络结构

ＢＰ网络是一全局逼近的网络,通常,在对样本数据的选取要求上,它不如ＲＢＦ网络高,即ＢＰ网络在训练样本数据的代表性不强时也可表现出对非线性函数较强的逼近性能,鉴于此,作者提出了一种复合型前馈神经网络结构在此结构中,笔者采用了ＢＰ神经网络对训练数据进行预处理而得到径向基函数（ＲＢＦ）网络的初始中心矢量点集的方法该方法使得ＲＢＦ网络中心矢量点集由传统的随机确定改为对它的优化选取,由它确定的ＲＢＦ网络的中心矢量具有相当的柔性,从而增强了径向基函数（ＲＢＦ）神经网络整体的泛化性及鲁棒性,最终使得该复合型神经网络具有了很好的精度和泛化性仿真结果表明了本文所提网络的有效性     

求解非光滑方程的阻尼PSB方法与阻尼DFP方法的收敛性分析

提出了几种求解非光滑方程的阻尼ＰＳＢ方法及阻尼ＤＦＰ方程，并讨论了这些算法的全局收敛性及超线性收敛性。     

一种复合型前馈神经网络结构

ＢＰ网络是一全局逼近的网络,通常,在对样本数据的选取要求上,它不如ＲＢＦ网络同,即ＢＰ网络 训练样本数据的代表性不强时 表现出对非线性函数较强的逼近性能,鉴于此,作者提出一种复合型前馈神经经网络结构,在此结构中,笔者采用了ＢＰ神经网络对训练数据进行预处理而得到径向基函数（ＲＢＦ）网络的初始中心矢量点集的方法,该方法使得ＲＢＦ网络中心矢量点集由传统的随机确定改为它的优化选取,由它确定的ＲＢＦ网络的中     

用BP网络进行彩色图像分割和边缘检测

采用ＢＰ网络模型,研究了彩色图像分割和边缘检测的神经网络方法．选取训练样本图像,并分别以区域增长分割法和Ｓｏｂｅｌ边缘检测方法所得结果为导师信号,将图像的特征向量采用ＢＰ算法进行训练,然后对实测图像进行分割和边缘检测．与采用区域增长法所得分割结果和采用Ｓｏｂｅｌ边缘检测方法所得边缘检测结果进行比较,ＢＰ网络方法能取得同样较好的效果     

流密码中Bent函数与有限状态机组合器

研究了流密码体制中抗攻击前馈网络的构造。通过对有限状态机（ＦＳＭ）输出函数的Ｗａｌｓｈ谱及Ｎ元布尔函数是Ｎ－１阶相关免疫的充要定理的讨论，证明了ＦＳＭ组合器是Ｎ１阶相关免疫的。论述了用Ｂｅｎｔ函数做前馈网络的非线性组合函数可很好的抗相关攻击和线性逼近攻击。文中给出一种可用其实现任意Ｎ元布尔函数的多功能程控逻辑门，使布尔函数的线路实现极为经济。最后用ＦＳＭ组合器及给出的多功能程控逻辑门构造了实现一大类Ｂｅｎｔ函数的前馈网络。此流密码体制具有强的抗攻击能力。     

用BP网络进行彩色图像分割和边缘检测

采用ＢＰ网络模型，研究了彩色图像分割和边缘检测的神经网络方法。选取训练样本图像，并分别以区域增长分割法和Ｓｏｂｅｌ边缘检测方法所得结果为导师信号，将图像的特征向量采用ＢＰ算法进行训练，然后对实测图像进行分割和边缘检测。与采用区域增长法所得分割结果和采用Ｓｏｂｅｌ边缘检测方法所得边缘检测结果进行比较，ＢＰ网络方法能取得同样较好的效果。     

Bezier曲线在轮廓字中的应用

从Ｂｅｚｉｅｒ曲线的数学表达式、二次三次Ｂｅｚｉｅｒ曲线的矩阵表示、Ｂｅｚｉｅｒ曲线的性质等出发，组合ＳＰＤＯＳ曲线字库内部结构和ＴＵＲＢＯ Ｃ评议程序，来具体说明Ｂｅｚｉｅｒ曲线在轮廓字中的应用。     

一种新的快速BP神经网络算法--QLMBP

对反向传播（BP）算法中收敛速度最快的改进版本Levenberg-Marquardt BP（LMBP）进行了研究，找出了收敛速度的瓶颈：迭代控制参数的初始化会严重地影响到算法的选代次数；涉及的矩阵求逆是每次迭代中最耗时的计算；如果每次迭代中的误差平方和没有变小，该次迭代可能需要很长时间．本文通过上下三角（LU）分解去除耗时的矩阵求逆，并采取一维搜索来加速目标函数值的下降，使得LMBP不再依赖于迭代控制参数，从而提出了一种快速神经网络算法QLMBP．QLMBP算法的收敛速度比LMBP算法快100倍左右．     

基于权值函数神经元的BP网络研究

研究了一种神经元模型,在该模型中将参数可调的激励函数往前移到权值上,即把权值变为参数可调的函数,这些权值函数的累加和作为神经元的输出.将此类神经元称为权值函数神经元,根据BP算法给出了由其构成的前馈神经网络的学习算法.仿真实验对比结果表明,在给定的误差精度要求下,基于权值函数神经元的BP神经网络每次训练都能收敛,且平均迭代步数较少,其收敛速度要优于传统BP网络,具有较好的研究应用价值.     

基于改进神经网络的边坡岩体弹性力学参数识别方法

基于人工神经网络的 BP算法 ,建立了根据边坡开挖后岩体位移观测数据识别岩体弹性力学参数的数值方法 .在网络训练过程中采用改进的 BP算法 ,通过对学习算子的优化搜索 ,大大提高了网络的收敛速度 ,解决了 BP算法迭代过程中目标函数振荡问题 .通过算例表明 ,提出的改进的 BP算法有助于提高岩土材料参数识别收敛速度和识别精度 .图5 ,表 3,参 15     

多层感知器学习算法研究

多层感知器是一种单向传播的多层前馈网络模型，由于具有高度的非线性映射能力，是目前神经网络研究与应用中最基本的网络模型之一．BP算法是多层前向神经网络中应用最重要的算法，但是由于BP算法实质是一种梯度下降的搜索算法，它存在着其固有的不足，如收敛速度较慢，易于陷入误差函数的局部极值．本文基于权值外推和三项因子的思想，提出了一种改进算法，能够有效的提高网络收敛的速度和精度，计算机仿真结果也有力的证实了这一点．     

一种改进的BP算法

传统的BP算法收敛速度慢，利用附加动量因子和自适应学习速率改进了传统的BP算法，它对于BP网络结构优化，提高收敛速度有明显效果.     

BP神经网络模型中活化函数对网络性能影响的研究

本文在ＢＰ神经网络模型中，采用一种新型的神经元活化函数替换传统的Ｓ型活化函数，并在活化函数中引入了可调参量，研究表明，作这一替换后对提高网络的学习速度、抑制假饱和现象起到了很好的作用。     

ACPSO-BP神经网络在矿井突水水源判别中的应用

矿井多年来的连续开采使各含水层水质特征变得更加复杂、更为接近,应用经典数学方法难以建立精确的判别模型,使用具有非线性映射功能的BP神经网络可以克服以上问题,但其仍然具有易陷入局部最优和收敛速度慢缺点。通过将"早熟"判断机制、Tent混沌映射以及权重自适应调整策略引入粒子群算法中,建立基于自适应混沌粒子群算法和BP(ACPSO-BP)神经网络突水水源判别模型,应用结果表明:与BP神经网络模型、基于标准粒子群算法和BP(SPSO-BP)神经网络模型相比,ACPSO-BP神经网络模型具有收敛速度快、精度高和泛化能力强的特点。     

基于扰动的加速神经网络模型及其应用

针对BP算法收敛速度慢且存在局部极小值的问题,提出了基于扰动的加速神经网络DABP模型;研究结果表明,DABP模型提高了网络的收敛速度和计算精度,增强了全局搜索能力,达到了加速神经网络的训练效果,并提高了网络的预测能力。     

基于Bayesian正则化算法的非线性函数拟合

为克服常规BP算法在解决非线性函数拟合时泛化能力不强的问题,本文研究了用贝叶斯正则化算法来提高网络泛化能力的问题,结果表明在相同网络规模或误差条件下,Bayesian正则化算法泛化能力明显优于基本BP算法及其它改进的BP算法,且收敛速度较快,拟合效果好。     

基于广义伽玛分布的灵活独立分量分析算法

针对基于拉普拉斯分布灵活独立分量分析算法收敛速度较慢的问题,提出了一种基于广义伽玛分布的灵活独立分量分析算法,该算法把广义伽玛分布概率密度函数作为语音信号概率密度函数的估计,得到一个更加适合语音信号分离的激活函数。将推导出的激活函数应用于独立分量分析(ICA)的自然梯度算法中进行了计算机仿真实验,验证了算法的收敛性能和分离性能。