多项式前向神经网络

提出了一种新型的前向神经网络模型-多项式神经网络。该网络具有三层结构,隐层、输出层神经元激活函数分别为：f(x)=x^p和线性函数,网络隐层-输出层的权值采取最速下降法学习,输入层-隐层的权值采用遗传算法进行学习;网络学习时,其误差函数单调递减,学习算法具有较好的收敛性;该网络能逼近任意的连续函数,且具有较好的稳定性,应用实例表明该网络的性能是优良的。     

BP神经网络在麻花钻圆度误差检测中的应用研究

在麻花钻圆度误差的检测中,将BP神经网络算法引入到相应的数据处理中,以拟合出其棱边投影的椭圆表达式系数.在神经网络训练时,以钻头棱边采样点的坐标及其适当的组合作为网络的5路输入,以其输出与常数1的差值的平方为性能指标;根据梯度下降法来调整隐层神经元与输出神经元之间的连接权值,而输入层至隐层之间的连接权值不变,性能指标达到预定值时,获得一组稳定的权值,该连接权值即为钻头棱边的椭圆表达式系数;然后据此求出其较高精度的圆度误差.     

基于联邦网络的传递对准滤波补偿算法

针对空中环境各种干扰因素对空空导弹传递对准(TA)滤波的影响,提出一种基于联邦网络的补偿算法.将干扰误差考虑为量测输入纳入滤波系统,改进标准Kalman滤波结构.将补偿神经网络设计成联邦结构,两个子系统分别用于训练量测输入估计误差、输出层权值误差和隐层权值误差.推导了联邦网络的训练算法并对算法进行了稳定性证明,保证了网络在结构上计算量小,系统反馈能力强,能够对干扰误差进行有效在线预测,辅助改进Kalman滤波器对失准角进行精确估计.仿真比较实验验证了该算法能够在不需任何先验信息的条件下,及时适应对准环境,预测校正干扰误差,滤波收敛快、精度高,适合空空导弹在具体设备和环境条件下的快速精确传递对准.     

前馈神经网络的逐层优化学习算法

提出了求解前馈神经网络的逐层优化学习算法，首先对输出层权值进行优化，然后再对隐层权值进行优化，如此交替迭代直至求出最优解。在分层优化过程中，对节点激池数进行了线性，同时为防止由于线性化造成较大的误差，在目标函数中加入惩罚项。     

一种新的RBF神经网络学习算法

本文提出一种改进的RBF神经网络学习算法,它利用减聚类算法确定隐层单元的数量,并用修剪的办法删除冗余单元,避免了传统的K聚类算法对隐层单元数量确定的盲目性。利用最小二乘法确定隐层和输出层之间的权值。在对非线性函数进行逼近的仿真中,验证了该算法的有效性。     

基于代数神经网络的多元多项式不可约判定及学习算法

把感知器作为数学模型,充分利用神经元的运算特性,以二元多项式近似求根神经网络模型为基础,设计一类多元多项式不可约判定的神经网络模型,它是单输入多输出三层前向神经网络,给出神经网络学习算法,这种学习算法在ｐ－ａｄｉｃ意义下,通过调整隐层与输出层的权值Ｃｉ,ｊ完成学习,可确定出多元多项式不可约,通过算例表明,该算法有效,相比传统的判定算法,可操作性强。     

非线性时间序列建模与预测的神经网络法

简述了人工神经网络的基本概念及计算特性,提出了用神经网络方法进行非线性时序建模的基本思路,分析了传统的BP学习过程,得出了BP学习算法的改进算法.然后讨论具有一层隐层的前向式神经网络,基于预测误差分析,提出了权值估计方法,使非线性时序建模的神经网络法规范化.     

用BP网求解模糊控制器输入量的隶属函数

在模糊控制器设计中,需要对输入数据进行模糊化处理,用隶属函数描述;模糊变量隶属函数的选取对模糊推理有很大影响.利用BP网的分类性可以将采集到的清晰数据集广义地分成模糊类.选取具有一个隐层的PB网,输入层和隐层变换函数采用S函数,输出层用线性变换函数,在MATLAB环境下采用动量算法和自适应学习速率,调用trainbpx函数,对BP网进行训练,在训练时最后一层的输出越接近目标值越好.利用训练好的神经网可以对具体的输入数据求解对应于不同模糊区间的隶属值.用这种方法,速度快,误差小.     

基于Bayes理论和RBF结构的分类器

基于RBF的网络结构和贝叶斯思想,通过改变RBF的隐层输出和权值训练算法,使得网络输出为K个描述样本属于K个类中每个类的概率的值,构造出一种不确定分类器,通过比较K个值的大小从而确定样本的分类.试验结果表明这种分类器比RBF和NBC(朴素贝叶斯分类器)的准确率要高.     

多层前馈神经网络的误差特性分析

为分析人工神经网络（ＡＮＮ）的品质或性能对权值扰动及输入误差的容忍特性,文章基于输入及权值的随机模型,采用统计学的方法,得到了由ｓｉｇｍｏｉｄ型神经元构成的任意多层前馈神经网络在任意大小且具有任意相关性的输入误差与／或权值扰动下,输出误差特性的通用算法。仿真及对比理论计算结果表明了所提算法是正确的。     

比例延迟微分方程的极限学习机算法

目的 针对比例延迟微分方程,提出一种基于极限学习机(ELM)算法的单隐藏层前馈神经网络训练方法,并将该方法推广到求解双比例延迟微分系统。方法 首先,构建一个单隐藏层前馈神经网络并随机生成输入权值和隐藏层偏置;然后,通过计算系数矩阵使其满足比例延迟微分方程及其初值条件,将其转化为最小二乘问题,利用摩尔-彭罗斯广义逆解出输出权值;最后,将输出权值代入构建的神经网络便可获得具有较高精度的比例延迟微分方程数值解。结果 通过数值实验与已有方法的结果进行比较,验证了该方法对处理比例延迟微分方程与双比例延迟微分系统的有效性,且随着选取的训练点和隐藏层节点数量增多,所得到的数值解精度和收敛速度也随之增加。结论 ELM算法对处理比例延迟微分方程以及双比例延迟微分系统具有较好的效果。     

基于人工免疫的RBF神经网络在钢筋性能预报中的应用

提出了一种基于免疫识别原理的径向基函数神经网络学习算法.该算法利用人工免疫系统的识别、记忆、学习等原理,将输入数据作为抗原,抗体为抗原的压缩映射作为径向基函数神经网络模型的隐层中心,输出采用最小二乘法确定权值.通过预报热轧带肋钢筋力学性能的仿真实验结果表明,与K-均值法选择中心点比较,该算法计算量较小,精度高.     

一种基于AdaBoost的极限学习机分类方法

极限学习机是一种新型的单隐层前馈神经网络,在训练网络的过程中随机给定输入层权值和隐藏层偏差,所以训练速度非常快,但却导致了输出不稳定.提出了一种基于AdaBoost的极限学习机,把极限学习机作为AdaBoost的基本分类器,通过改变输入数据的权重,使得极限学习机的分类性能得到提升.实验结果表明了该方法与极限学习机和传统的神经网络相比,能够提高极限学习机的学习性能,并且使极限学习机输出更加稳定.     

一种多层前馈神经网络的快速学习算法

对多层前馈神经网络的学习算法及其特点做了较为详细的讨论，提出了一种基于层内优化的快速学习算法。在该算法中，输出层的连接权矩阵（V）和前一层的输出矢量（B）被作为2个变量集合，通过最小化该层样本的总平方误差函数可求得一组它们的优化解（V^*,Bp^*）；并将Bp^*作为前一层（隐层）的期望输出，用类似的方法同样可以求出隐层的连接权矩阵和输出矢量，最后通过计算机仿真证明了该算法的有效性。     

基于小波网络的永磁无刷直流电机无位置传感器控制

通过对永磁无刷直流电机的无位置传感器检测原理和小波网络特性的分析，提出了基于小波神经网络的永磁无刷直流电机无位置传感器控制新方法．该方法构建小波网络模型，采用梯度下降法对网络进行训练．网络训练分为离线训练和在线训练，由离线训练初步确定网络隐层节点的小波平移因子、尺度因子及网络输出层权值．以滤波和逻辑处理后的网络输出信号为教师对网络输出层连接权进行在线调整．从而由电机的相电流、端电压映射出电机的换相信号，取代了传统的位置传感器．最后仿真及实验结果表明，该方法能得到准确的永磁无刷直流电机的换相信号．     

一种新型前向神经网络用于汉语四声识别

提出了一种新型的前向神经网络，并研究了其在语音识别中的应用。该神经网络为只含一层非线性隐层的前向神经网络，以线性的输出层代替一般ＢＰ网络的非线性输出层，可以更准确地，范围更大地完成非线性函数估值功能。该神经网络采用了包括反向传播算法及最小均方算法的混合算法进行训练，可以减少落入局部最小点的概率以及提高收敛速度。     

多层人工神经网络合理结构的确定方法

隐层结构如何选择是多层人工神经网络应用中一个关键问题·基于多层神经网络优化算法原理和非线性方程理论,建立了多层神经网络计算输出和理想输出关系的非线性方程组,分析了权阈变量、标准样本数量和输出层单元数量的内在关系,给出隐层层数和每个隐层单元数量选取应该满足的基本条件·提出多层神经网络合理结构,即隐层层数和每个隐层单元数量选取的一般原则,给出隐层结构定量求解的直接计算方法和间接优化计算方法·对具体算例进行了合理结构分析,通过神经网络优化算法对多种结构组合比较,表明所提出的合理结构分析方法的正确性·这种方法将为多层神经网络在工程应用中如何选取合理结构提供理论依据和选取有效方法·     

基于去噪自编码器的镜像极限学习机设计

针对极限学习机在高维度、含噪声数据集中需要大量隐含层节点来保证分类性能的问题,设计了镜像极限学习机.该算法使用伪逆法确定输入权值,随机生成输出权值和偏置,在对数据进行分类时,它仅需极少的隐含层节点.为了提升镜像极限学习机的分类性能和抗噪性,将它与去噪自编码器相结合.利用去噪自编码器对输入数据进行特征提取,并将提取到的特征作为镜像极限学习机的输入数据,再进行网络训练.在无噪和含噪声的MNIST,Fashion MNIST,Rectangles和Convex数据集中,将基于去噪自编码器的镜像极限学习机与ELM,PCA-ELM,SAA-2和DAE-ELM作对比实验,结果表明,基于去噪自编码器的镜像极限学习机的综合性能最优,用于分类的网络隐含层节点数最少.     

基于去噪自编码器的镜像极限学习机设计

针对极限学习机在高维度、含噪声数据集中需要大量隐含层节点来保证分类性能的问题，设计了镜像极限学习机.该算法使用伪逆法确定输入权值，随机生成输出权值和偏置，在对数据进行分类时，它仅需极少的隐含层节点.为了提升镜像极限学习机的分类性能和抗噪性，将它与去噪自编码器相结合.利用去噪自编码器对输入数据进行特征提取，并将提取到的特征作为镜像极限学习机的输入数据，再进行网络训练.在无噪和含噪声的MNIST，Fashion MNIST，Rectangles和Convex数据集中，将基于去噪自编码器的镜像极限学习机与ELM，PCA-ELM，SAA-2和DAE-ELM作对比实验，结果表明，基于去噪自编码器的镜像极限学习机的综合性能最优，用于分类的网络隐含层节点数最少.