单层感知器在自适应均衡中的应用

本文研究了感知器在通信信道均衡中的应用。提出用单层感知器实现信道均衡,以均方对数似然函数为均衡器的性能指标函数,并给出一种新的自适应学习算法用于训练单层感知器的权系数。计算机仿真结果表明本文提出的算法比常用的线性均衡器LMS算法具有更好的收敛性能和均衡效果。     

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．     

关于Fuzzy语言的隶属度问题

讨论由Ｆｕｚｚｙ文法和Ｆｕｚｚｙ自动机生成的Ｆｕｚｚｙ语言的隶属度问题,引入了概率和乘积型Ｆｕｚｚｙ文法与自动机的概念,并证明了概率和乘积型Ｆｕｚｚｙ文法与自动机的关系。     

推广的感知器学习算法及其在模式识别中的应用

将感知器学习算法作了推广，将权向量和值的调整公式改为W(k 1)=W(k)-αW（k)Zk^TZk,其中α∈（1,2)，证明了这种算法的收敛性，且可用于凸册区域的识别中。     

Fuzzy 2型属性文法与Fuzzy属性下推自动机

讨论了２型属性文法与属性下推自动机的关系,进一步给出了Ｆｕｚｙ上下文无关属性文法与Ｆｕｚｙ属性下推自动机,并详细讨论了二者的关系,达到了自动识别Ｆｕｚｙ２型属性文法语言的目的     

一种用于多类模式识别的综合感知器网络和学习算法

提出一种由感知器神经元组合成的综合网络模型及相应的学习算法,网络由3层感知器神经元组成,中间屋到输出层的权值相应地为＋1或－1,输入层到中间层的权值通过学习获得,且中间层每个神经元的权值单独学习完成,该学习算法在有限次迭代步骤内终止。当算法终止时,对于可线性发的多类模式识别问题总是能找到正确的解,如果还有模式不能识别,则说明这是一个不可线性划分的多类模式识别问题,用阿拉伯数字识别的例子说明了网络模型和算法的有效性。     

一种基于解区域的感知器改进算法

分析了感知器算法解空间的几何特性,提出了一种基于解区域的感知器改进算法.若模式线性可分,可在解区域中求得较优解向量;若线性不可分,则指出不存在解区域.实验结果表明,该算法能很快判别模式是否线性可分,并能有效解决算法的收敛性问题,提高了计算速度.     

基于结构动态可塑原理实现的神经网络感知器

分析了人工神经网络感知器的基本性质,提出了一种新的硬件实现方法——结构动态可塑原理,即通过网络中连接路径的转换,间接实现权值系数的变化,达到学习的目的.并用一个逻辑功能感知器给出了具体的实现方法,证明该结论可推广到一般情况.     

多层感知器的加速算法

基于多层感知器(Multi-Perceptron)的反向传播(BP:Backpropagation)算法,本文提出了一种新的改进算法——加速度算法。其基本思想是交替使用负梯度方向[S~t:=—△E(W~(?))]和加速梯度方向[S~k(?)=W~k—W~(k-2)(k≥2)]作为搜索方向。理论分析与模拟实验表明,与基本BP算法比较,它有很快的收敛速度。     

基于Fuzzy语言场的Fuzzy集成算法及其实现

首先以生产装置危险等级评定为背景，提出Ｆｕｚｚｙ语言场与Ｆｕｚｚｙ语言值结构的新概念与相关性质；并将危险度语言场定为基准语言场，而将影响危险度的因素语言场统一归结到基准语言场中加以讨论，从而实现了易燃程度等状态到危险度描述的转化。其次，给出Ｆｕｚｚｙ综合集成算法，形成了Ｆｕｚｚｙ集合论、Ｆｕｚｚｙ综合评判、Ｆｕｚｚｙ聚类分析、Ｆｕｚｚｙ逻辑、Ｆｕｚｚｙ语言学、Ｆｕｚｚｙ统计学等方法的有机集成体。再     

基于图多层感知机的节点分类算法

多数图神经网络(Graph Neural Networks, GNN)通过设计复杂的节点信息传递和聚合方式,以提升节点分类等图分析任务的实验表现,而本文提出了一种无需信息传递和聚合的图多层感知机(Multi-Layer Perceptron, MLP)模型A&T-MLP,利用属性和拓扑信息引导的对比损失来增强模型表征能力。A&T-MLP首先使用属性矩阵和邻接矩阵计算节点间的属性和拓扑相似度;然后使用基于相似度信息引导的对比损失,增大特征空间中相似节点的一致性和不相似节点的差异性;最后构建多层感知机模型并引入交叉熵损失进行端到端训练。在节点分类任务中,A&T-MLP表现优于基线模型,Wikipedia数据集上的Micro-F1和Macro-F1相较GNN模型图卷积网络(Graph Convolutional Network, GCN)提升了15.86%和13.64%。实验结果表明,A&T-MLP能够通过对比损失保留丰富原始图的信息,提升模型性能。此外,A&T-MLP在处理拓扑信息不准确的图数据时具有较为明显的优势,即使在缺失80%拓扑信息的极端情况...     

基于模糊感知器的神经模糊分类器

针对一类基于模糊感知器的神经模糊分类器,分析了隶属函数限制条件对分类结果的影响。并根据模糊密度的概念,提出一种为输入特征选择合适的模糊划分的方法。仿真结果表明了该方法的有效性。     

采用BP算法的多层感知机模型的蛋白识别

采用误差反传(BP)算法的多层感知机模型,对嗜热蛋白和常温蛋白进行模式识别.通过增加训练数据及多种检验方法检验模型稳定性及泛化能力,探讨蛋白分子大小对识别效果影响.结果表明,当动态参数为0.2,学习速率为0.5,隐含层节点数为11时,该模型在自一致性检验、交叉验证和独立样本测试3种检验方法中的识别精度分别为91.5%,88.2%和92.1%,其表现优于一些常见的模式识别算法,且具有良好的稳定性及泛化能力.此外,对于较大的或者中等大小蛋白质分子,其识别的精度都较高;而对于较小的蛋白分子,其识别效果较差.     

用感知机学习算法改善MUSIC测向算法的分辨率

文中指出了通过计算机仿真了解到的影响MUSIC测向算法分辨率的一些因素 ,分析了造成MU SIC测向算法计算机仿真的分辨率较低的原因 ,并提出了一种用人工神经网络中的感知机学习算法改善MU SIC测向算法计算机仿真分辨率的方法     

关于选择函数一致性条件描述的分析

研究了选择函数的一致性条件描述问题。定义选择函数并给出理性选择函数的形式化描述；定义一致性条件并探讨了一致性条件间的相互关系。在此基础上，探讨一致性条件与理性选择函数间的相互关系，得到了选择函数为理性选择函数的充分必要条件。     

基于并行感知器的制冷系统故障诊断分析

选择热力参数集组成反映制冷系统故障状态的特征向量,提出一种并行感知器神经网络,通过模式分类来尝试联系系统故障状态与热力参数特征向量之间的映射关系.对故障模拟实验结果的应用表明,基于并行感知器网络的诊断方法可行且有效,为开发以人工神经网络为框架的制冷系统故障诊断系统提供了研究基础.     

基于模糊感知器的路面性能预测方法

利用模糊感知器人工神经元网络尝试建立一个智能型路面性能预测模型，对神经网络原理和模型结构进行了系统的理论分析，给出了详细的算法，并以平整度历年调查资料为数据基础，对该模型进行了实例分析，证明了模型的理论与实际运用的可行性。该方法利用神经网络与模糊方法各自的优点，针对不同性能指标，建立对应的神经网络预测模型，来对今后的指标值进行预测，较好地解决了路面性能预测中的模糊性和不确定性。     

基于多层感知器的异常数据实时检测方法

基于神经网络的多层感知器模型,结合滚动学习 预报机制,提出了一种异常数据实时检测方法.该方法在每个当前时刻通过最近的固定长度的历史数据训练神经网络,完成下一时刻的预报.通过神经网络模型残差,确定概率为P的置信区间.当下一时刻数据落入置信区间内,则该数据被判为正常;反之,则为异常.被判为异常的数据不再用作更新历史数据,而以相应的预报值代替.通过某300 MW燃煤火力电站实际过程数据的在线验证,结果证明了所提出方法的有效性.     

一类神经网络多层感知器的硬件实现方法

提出了一种新的神经网络多层感知器硬件实现方法——信号传播路径动态选择．给出了隐节点个数的确定规则和网络的训练算法，并从理论上给予了证明．结果表明，该算法能一次确定权值，而且所确定的权值均为逻辑值，从而可以用逻辑门电路全硬件实现多层感知器     

简单Perceptron学习算法的收敛性

当输入是无穷集或区域时,通过构造一个上鞅,本文证明了简单Perceptron学习算法的收敛性。