BP网络激励函数的研究

研究BP算法中激励函数f对收敛速度的影响 ,并将其用于传感器静态误差的综合修正 ,实验证明取得了较好的效果 ,得出了陡峭函数收敛快的结论     

正弦函数混沌神经网络研究

通过复合正弦函数和Sigmoid函数构成激励函数,构造了一种新的暂态混沌神经网络.对混沌神经元模型的倒分岔和Lyapunov指数谱图进行了分析.基于这个神经元模型,建立了混沌神经网络.对各参数进行了网络寻优能力的比较和分析.通过对非线性连续函数的寻优问题的解决,验证了该网络的有用性和有效性.     

一种可修正激励函数的BP算法

以往的ＢＰ算法调节神经元网络的权值，其网络的隐层结点数、网络学习快慢程度及网络的泛化能力都与网络的激励函数有关的。为此，本文提出了一种带可以修正激励函数的ＢＰ算法，其特点是它能更好地模拟人脑神经元的特性。通过仿真验证此方法是非常有效的。     

带后续迭代的双极S函数激励的WASD神经网络

结合Levenberg-Marquardt算法以及权值直接确定法这两种用于神经网络学习训练的方法,提出了一种带后续迭代、面向双极S(sigmoid)激励函数神经网络的权值与结构确定(weights-and-structure-determination,WASD)方法。该方法与MATLAB软件神经网络工具箱相结合,可以解决传统神经网络普遍存在的学习时间长、网络结构难以确定、学习能力和泛化能力有待提高等不足,同时具有较好的可行性和可操作性。以非线性函数的数据拟合为例,计算机数值实验和对比结果证实了WASD方法确定出最优隐神经元数和最优权值的优越性,最终得到的WASD神经网络具有更为优异的学习性能和泛化性能。     

BP网络模型中激励函数的研究

人工神经网络中的BP网络模型在模式识别领域得到了广泛的应用,而激励函数的选取是影响BP网络性能的重要因素之一。本提出了一种新的BP网络激励函数,导出了该激励函数下BP网络权值和阈值的调整公式,对相似汉字识别的计算机仿真结果证实了网络良好的泛化性能。     

模糊优选神经网络及其在综合后评价中的应用

将模糊优选理论与神经网络理论相结合,确定网络拓扑结构：隐含层数、隐含层节点数与节点激励函数的合理模式。将模糊优选的相对优属度模型作为人工神经网络的激励函数,建立模糊优选神经网络权重调整BP模型,实证研究表明,模糊优选BP神经网络模型,可以较好地应用于综合后评价。     

具有不连续激励函数的神经网络的多稳定性

讨论了一类具有不连续激励函数的神经网络多个平衡点的共存性和稳定性,利用Brouwer不动点原理,给出了多个平衡点同时存在的充分条件,利用构造Lyapunov函数和矩阵不等式技巧,给出了系统平衡点局部指数稳定的判别准则,并对获得的结果进行数值仿真实验,验证其有效性.     

基于多层激励量子神经网络的鲁棒音频水印算法

设计了一种基于多层激励函数量子神经网络的音频水印算法。将水印信号嵌入载体语音的小波低频系数中,再训练量子神经网络建立水印嵌入前后低频小波系数间的联系以便在接收端恢复水印。同时,区别于传统的归一化方法,将小波低频系数规范到同一数量级,避免了恢复水印时小波低频系数的差错传播,提高了算法的鲁棒性。实验结果表明,设计的水印算法对加噪、滤波、重采样和再量化等攻击具有较强的鲁棒性,提取正确率相比BP网络水印算法平均提高1.8%。     

具有时滞的二阶连续型Hopfield神经网络的周期解

对激励函数为非光滑的二阶Hopneld神经网络的周期解的存在唯一性问题进行讨论．得到了当每个输入函数是以ω为周期时，该类神经网络存在唯一性ω周期解的一个充分判据．同时，也获得了该类网络的其余各解全局指数收敛于该ω周期解的一个判据．作为特例，具有时滞的一阶连续型Hopficld神经网络的类似结果也被获得．     

间断激励函数Hopfield神经网络解的存在性

不考虑网络激励函数的有界性与单调性,本文对间断激励函数的神经网络进行了研究.通过Leray-Schauder选择定理和广义的Lyapunov方法,得到一个能够保证网络的解存在性的充分条件.