一种三层前向网络参数的解析计算方法

介绍了用解析法计算三层前向网络参数的方法 ,给出了一个三层前向网络准确记忆给定样本所需隐层节点个数的充分条件 .也可用解析法计算的参数作为 BP等算法的训练初值 .仿真结果说明这种方法是有效的     

混合学习法前向网络多属性储层参数预测

应用前向网络描述地震属性和储层参数间的非线性映射关系时,经典的误差反向传播算法存在收敛速度慢,易陷入局部极值等诸多不足。研究了融合粒子群优化算法和误差反向传播算法的混合学习法前向网络多属性储层参数预测技术。粒子群优化算法是一种群体随机搜索演化计算技术,具有较快的收敛速度和较强的全局搜寻能力;误差反向传播算法本质上是梯度下降算法,注重局部搜索。混合学习法为两种学习算法交替执行,首先以粒子群优化算法训练网络,当误差能量在规定的迭代次数内不再发生变化时,采用误差反向传播算法实现局部寻优。理论函数逼近测试和实际储层参数预测实验说明了混合学习法具有学习时间短、求解效率高、可靠性强的优点,具有良好的应用前景。     

基于控件技术的前向神经网络实现研究

在分析前向神经网络应用特点的基础上,将其与ＡｃｔｉｖｅＸ技术相结合,提出了一种基于控件技术的前向神经网络体系结构,并用Ｖｉｓｕａｌ Ｃ＾＋＋的ＭＦＣ给出了该系统结构的实现方案。该方案具有实现简单,使用方便,宜于扩充,移植性强,界面友好等优点。     

基于前向神经网络的知识获取

以前向神经网络为工具,以“Tic-Tac-Toe”为研究对象,探索了人工神经网络在认知科学中的应用.计算机仿真实验表明,用神经网络的方法来获取知识是可行的.     

前向神经网络粒子群优化学习算法研究

将粒子群优化算法用于前向神经网络权值的学习算法研究,以神经网络学习算法研究的典型问题之一的XOR问题作为研究实例,针对算法的收敛性、学习速度以及算法对初值的鲁棒性等性能指标,分别对标准的PSO算法、改进的PSO算法以及BP算法及其带动量项的BP算法进行了比较研究.研究表明,PSO算法在前向神经网络权值的学习算法中其所有的性能指标均优于传统的BP算法,PSO算法在神经网络的应用中具有广阔的前景.     

基于控件技术的前向神经网络实现研究

在分析前向神经网络应用特点的基础上,将其与ＡｃｔｉｖｅＸ技术相结合,提出了一种基于控件技术的前向神经网络体系结构,并用ＶｉｓｕａｌＣ＋ ＋ 的ＭＦＣ给出了该体系结构的实现方案．该方案具有实现简单,使用方便,宜于扩充,移植性强,界面友好等优点     

基于混合算法的最短路径优化算法

为了解决无向网络的最短路径优化问题,本文采用的是遗传算法和模拟退火算法相结合的思想,阻止早熟现象的发生,保证种群的多样性,防止陷入局部寻优情况的出现,并且定义了无向网络中的结点结构.仿真比较实验说明,混合算法不仅比单一遗传算法运算时间缩短,而且可以找到最短路径,证实了该算法的可行性.     

造纸过程的多层BP前向神经网络PID控制

为了使造纸过程的输出(湿度和基重)最大限度地接近给定值,本文采用了基于多层前向网的PID控制,此控制由控制器网络NNC和辨识器网络NNI组成,采用BP算法进行PID参数的调整和被控对象的辨识,能较好地满足控制目的,并为造纸过程的控制提供另一种思路.     

一种新的全局优化算法——统计归纳算法

在多极值问题的优化领域 ,主要有模拟退火算法(SA) ,遗传算法 (GA) ,人工神经网络 (ANN)算法 ,它们都是基于对自然现象模仿的算法。该文从更基本的优化思想出发 ,基于概率论提出了一种新的全局优化算法——统计归纳算法 (SIA)。在一些标准测试函数以及“货郎担问题”(TSP)上的计算结果表明 ,该算法在智能性 (所需的函数计算次数 )和解的全局性方面都远远好于 SA和 GA。在中国 144个城市的 TSP问题实例中 ,它甚至很快就找到了比参考计算中给出的“目前已知的最优路径”更短的路径。从这一算法思想的角度 ,阐述了 SA和 GA为何对全局优化问题有效 ,以及SA和 GA各自固有的不足之处     

求解影响最大化问题的一种混合算法

影响最大问题定义为在社会网络中寻找K个初始节点,使得信息传播过程结束后,网络中受影响的节点个数最多。针对传统贪心算法时间复杂度太高的缺点,基于遗传算法提出了IM_GA算法。为了提高算法的运行速度,在计算种子集合的影响范围时,采用其对网络的预期影响力作为衡量指标。为了克服IM_GA算法的早熟现象,在遗传算法中周期性地加入模拟退火算法,提出IM_GA_SA算法。通过实验验证算法的有效性。     

前馈网络的一种线性化快速学习算法

针对前馈神经网络的反向传播（ＢＰ）学习算法收敛速度慢的缺点,提出了一种新的学习算法即线性化快速学习算法。这种学习算法在神经网络学习的初期,采用标准ＢＰ学习算法。而当神经网络接近最优点时,由于此时其连接权重调节幅度很小,因此采用对各层神经元的非线性作用函数进行泰勒级数展开,并取其一阶展开式近似逼近原函数,从而使其非线性作用函数转化为线性作用函数,简化了网络学习过程的计算量,加速了网络的学习速度。文中最后给出了采用线性化算法与标准ＢＰ算法对正弦函数的学习过程。     

前馈网络灵敏度：分析及降低算法

在前馈网络中，不同的权值组合可逼近同一映射。网络的灵敏度取决于权值的变化。文中提出了计算网络灵敏度的方法和一种降低网络灵敏度的学习算法。网络的灵敏度分析包括单输出、多输出及输入变化、权值变化等情况。学习算法是在网络训练过程中加入随机噪声。次种学习算法与传统学习算法相比，可降低网络的灵敏度，但学习收敛速度基本相同。     

一种多层前馈网络计量经济建模方法

介绍了4种敏感性分析方法,给出了多层前馈网络计量经济模型正规化灵敏度的解析计算方法,进而利用灵敏度来进行多层前馈网络结构优化.结果表明了对多层前馈网络计量经济模型进行敏感性分析是一种有效识别敏感因素的方法.     

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.     

学习策略与学习过程

讨论了学习者的学习技巧和策略。对学习策略基本概念、策略与技巧的区别、学习策略理论、学习策略训练和学习者学习过程的意义进行了探讨。通过对学习者学习过程的研究,使教育者能够意识到学习策略的重要性,进而在教学过程中最大程度上帮助学习者,达到事半功倍的效果。     

学习策略与学习过程

讨论了学习者的学习技巧和策略.对学习策略基本概念、策略与技巧的区别、学习策略理论、学习策略训练和学习者学习过程的意义进行了探讨.通过对学习者学习过程的研究,使教育者能够意识到学习策略的重要性,进而在教学过程中最大程度上帮助学习者,达到事半功倍的效果.     

基于多层前馈网络的卫星姿态控制器

卫星姿态动力学系统与其线性化模型之间的误差会影响姿态控制的精度。应用多层前馈网络对该误差进行建模,并基于此模型和线性系统理论设计了一种新型的卫星姿态控制器,该控制器实现了卫星三轴解耦控制,并使卫星姿态动力系统与其线性化模型的响应误差在最小二乘准则意义下最小。仿真结果表明在俯仰角、滚动角和偏航角机动量均为0.01rad情况下,控制器能够提供较高的控制精度。     

一类三层前向折线模糊神经网络的构造

为克服模糊数运算的复杂性引入了折线模糊数的概念,并应用其优良性质和折线模糊值函数的表示定理,通过插值神经网络的构造方法获得了一类三层前向折线模糊神经网络,证明了该折线模糊神经网络是连续折线模糊值函数的泛逼近器.     

前馈神经网络盲信号分离的实验研究

介绍一个实现盲信号分离的前馈式神经网络的电路结构，并给出了电路在线性混合和动态混合情况下的测试结果。