稳健二进前向网络的遗传训练方法

稳健二进前向网络是对逻辑知识的隐式表示和显式表示的有机统一,是性能优良的逻辑知识库、推理机和解释器,但目前还没有一种网络训练算法能够训练出稳健二进前向网络,针对这种情况,本文首先对稳健二进前向网络的神经元辅阈值范围进行了改进和有效描述,并在此基础上提出了一种对稳健二进前向网络进行有效训练的遗传训练方法。在这种训练方法中,网络参数采用三值编码方案,并运用相应的变异机制和有效的适应度函数,经这种方法训练出的网络具有结构最优、稳健性能最强和最易实现的特点。文章最后给出了实验的结果。     

基于超立方体弱连通性质的多态网络研究

针对超立方体互联网络可能出现的链路故障以及实现本地化处理的需要,分析了3类已有的子立方体弱连通性质.通过探讨由于不同的维度序列而产生的多种节点集团,提出了基于子立方体弱连通性质的多态网络及其基本特征.仿真实验表明,所提出的多态网络比基于单一维度序列的网络,更能准确地反映实际存在的满足弱连通性质的节点集团.     

Edge-Fault-Tolerant Properties of Augmented Cubes

As an enhancement on the hypercube Qn, the augmented cube AQn, pro- posed by Choudum and Sunitha [Choudum S.A., Sunitha V., Augmented cubes, Networks, 40（2）（2002）, 71-84], possesses some properties superior to the hypercube Qn. In this paper, assuming that （u, v） is an arbitrary fault-free d-link in an n-dimensional augmented cubes, 1 ≤ d ≤ n - 1, n ≥ 4. We show that there exists a fault-free Hamiltonian cycle in the augmented cube contained （u, v）, even if there are 2n - 3 link faults.     

具有混合故障的超立方体网络中的高效路由

针对容借超立方体网络中的同时具有大量节点和链路故障模式，提出了两类“局部弱连通眇：即缸维局部弱连通性和任意局部弱连通性的概念；并在基于局部弱连通性的基础上，给出了两个满足局部弱连通性条件的超立方体网络的分布式容错路由算法。同时证明了新提出的两个局部弱连通性概念分别是原有的两个局部连通性概念的扩展。     

从单一网络向《网络的网络》的转变进程——略论多层次超网络模型的探索与挑战

简要回顾单一网络的理论框架的总体概貌;概述当前令人关注的网络的网络或超网络的诸多特点、相关定义和概念,简介若干多层次超网络的理论模型研究概况,最后对于复杂网络面临的十大挑战性课题给予说明。     

稳健二进前向网络的遗传训练方法*

稳健二进前向网络是对逻辑知识的隐式表示和显式表示的有机统一,是性能优良的逻辑知识库、推理机和解释器,但目前还没有一种网络训练算法能够训练出稳健二进前向网络,针对这种情况,本文首先对稳健二进前向网络的神经元辅阈值范围进行了改进和有效描述,并在此基础上提出了一种对稳健二进前向网络进行有效训练的遗传训练方法。在这种训练方法中,网络参数采用三值编码方案,并运用相应的变异机制和有效的适应度函数,经这种方法训练出的网络具有结构最优、稳健性能最强和最易实现的特点。文章最后给出了实验的结果。     

用于前向网络的自适应模糊训练算法

在对前向网络的学习机制和寻优机制进行研究的基础上,提出了一种自适应模糊加速训练算法,可在网络学习过程中,通过模糊推理,对网络拓扑结构、学习因子、惯性因子及激励函数进行自适应调整,实例验证表明该算法具有收敛速度快、不易陷入局部极小、网络综合性能好等特点.     

多层前向网络灵敏度的分析和降低方法

本文将前向网络的输入误差看作服从加性和乘性随机噪声,进行了网络输出误差的统计分析,并依此定义网络的灵敏度。在此基础上,分析了Ｓｉｇｍｏｉｄ函数的斜度对网络灵敏度的影响,结合仿真实验,提出了一个降低前向网络灵敏度的有效方法。     

用多层前向网络设计雷达目标分类器

概略地讨论了基于高分辨力技术的雷达目标识别问题。针对雷达目标分类器的技术需要,着重研究了多层前向网络的分类性能,提出一种网络结构自适应策略。并用其设计了分类器,在转台成像的基础上,对飞机目标的类型识别问题进行了仿真研究。研究结果表明,小规模多层前向网络对基于距离像的雷达数据样本具有较好的推广识别能力,识别率在９０％上下。     

基于超图的超网络:结构及演化机制

为刻画真实数据集的多维关系,以综合视角研究复杂的现实系统,学者将研究重点逐渐从复杂网络转向超网络的研究.超网络分为两类,基于网络的超网络和基于超图的超网络.基于超图的超网络,结构简单,更适合刻画现实世界的多元结构,这种独特优势使其获得越来越多的重视.本文综述并讨论这类超网络的研究进展.首先,界定超网络的概念;其次,归纳用于刻画超网络结构的静态拓扑指标;再次,总结刻画超网络动力学过程的演化模型;并梳理其主要应用领域,最后展望超网络的若干发展方向,旨在推进超网络领域的理论和应用研究.     

有限规模多层前向网络研究(Ⅰ):基本观点

本文是关于有限规模多层前向网络研究论文的第一部分,着重阐明了有限规模网络的概念,利用动力学系统的观点对网络进行了概略性的描述,最后,提出了结构—功能—结构的研究方法。     

Global Optimization of Feedforward Neural Networks

This paper proposes the compensating methods feedforward neural networkd (FNNs)which are very difficult to train by traditional Back Propagation(BP)methods.For an FNN trappedin local minima the compensating methods can correct the wrong outputs one by one until all outputsare right,then the network is located at a global optimum point.A hidden neuron is added to     

前馈神经网络的一种连续型学习算法

本文给出前馈神经网络的一种连续型学习算法，对传统的ＢＰ算法作了改进。分析了该算法的收敛性。通过实例与传统ＢＰ算法进行比较，该算法可以明显提高网络的收敛速度，说明它是一种实用的学习算法。     

Volterra Feedforward Neural Networks:Theory and Algorithms

Ｖｏｌｔｅｒｒａ　Ｆｅｅｄｆｏｒｗａｒｄ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋｓ：　Ｔｈｅｏｒｙ　ａｎｄ　ＡｌｇｏｒｉｔｈｍｓＪｉａｏＬｉｃｈｅｎｇｌ；ＬｉｕＦａｎｇ＆ＸｉｅＱｉｎ（ＮａｔｉｏｎａｌＬａｂ．ｆｏｒＲａｄａｒＳｉｇｎａｌＰｒｏｃｅｓｓｉｎｇａｎ...     

前馈网络目的规划算法及其应用研究

提出了前馈网络目的规划算法。与通常ＢＰ算法相比,该方法进行了三个方面的改进：（１）准则函数的改进;（２）网络灵敏度的降低;（３）领域先验知识的运用。理论分析及大气中ＳＯ２浓度预测应用研究表明该方法有效地改善了前馈网络泛化性能,提高了预报精度。     

Zero Cost Function Training Algorithms for Three-Layered Feedforward Neural Networks

1.INTanDUCTIONAmulti-layeredperceptron(MLP)trainedwiththeerrorback-propagation(BP)algorithIniswidelyusedinavarietyofscientificandengineeringareassuchaspatternrecognition,adaptivecontrol,signalprocessing,modelprediction[1l,etc.ThisfactattributestotheMLP'smainfeature:athIee-layeredperceptronisanuniversalapprokimatorinthesensethatitcanaccomplishanI/OmaPpingtoanydesiredaccuracy,andtheprovidednumberofneuronsinthehiddenlayercanbechosenarbitrarilyI2,3].ontheotherhand,itisalsowell-knownthatth…     

前向神经网络学习速率的自适应算法

学习速率是控制神经网络学习过程的一个重要参数,影响神经网络的稳定性和快速性。提出了一种能够满足实时性要求的神经网络学习速率的自适应算法,并证明了在该学习速率下,神经网络的学习过程是Lyapunov意义稳定的。该方法通过为神经网络的输出增加一个输出修正量来补偿多个未知因素对学习误差的影响,从而构造使学习误差快速收敛到零的学习速率自适应算法。通过对神经网络在线逼近一个非线性对象的过程进行仿真,结果证明了该方法的有效性。