MADALINES人工神经网络及其快速学习算法研究

在研究MADALINES人工神经网络中心差梯度学习算法(CDG)的基础上,提出了一种加速中心差梯度学习算法(SCDG),给出了该算法收敛性的证明,在计算机上模拟实现了SCDG算法且分析了实验结果,理论分析与实验均表明,SCDG算法较之传统的CDG算法,收敛速度提高了二个数量级以上.     

BP人工神经元网络与汉语语音的音节切分

提出了一种基于ＢＰ人工神经元网络的汉语语音声韵母分割算法．计算机模拟结果表明，该算法只需对极少数典型音节进行简单训练，便可实现汉语语音的声韵母分割，且分割精度远大于传统算法所能获得的精度．     

常用神经网络的操作模型与算法

给出前馈神经网络（ＦＮＮ），径向基神经网络（ＲＢＦＮＮ）和子波神经网络（ＷＮＮ）的操作模型。分别导出它的识别，逼近和学习方程，并给出它的识别，逼近和训练算法。计算机模拟表明用径向基函数神经网络和子波神经网络识别入射波具有很好的频率，入射角及相位识别特性     

一种基于神经网络的LD—CELP算法

在低延时矢量激励性线预测（ＬＤ－ＣＥＬＰ）编码算法的基础上，提出了直接矢量量化的低延迟矢量激励线性预测编码方案（ＤＶＱ－ＬＤ－ＣＥＬＰ）采用误差反向传播神经网络（ＢＰＮＮ）来实现ＤＶＱ－ＬＤ－ＣＥＬＰ方法中的码本搜索算法，实现在保持原编码方法（ＬＤ－ＣＥＬＰ）生成误音的音质和码率的同时，降低码本搜索的复杂率，提高码本搜索算法的效率。     

一种新的协同模式识别学习算法

在协同模式识别中，学习可以归结为求原型向量和伴随向量．文中提出了一种基于核函数映射的学习算法，输入向量被隐式地映射到一个可分性有所提高的向量空间，然后计算变换后的原型向量．对伴随向量增加一个附加的约束以避免它的范数超过一定值，从而改善伴随向量的性能，减少误识别．通过对数字、英文字母和汉字等的训练实验表明，这种算法得到的伴随向量能更好地表示样本的特征，计算所得的初始序参量能更好地反映测试图像与训练样本之间的相似程度．     

改进的神经网络快速学习算法

提出了一种新颖的神经元模型和用于神经网络训练的推广准则，给出了多层神经网络的快速学习算法，研究了一种用于语音识别的时变多层神经网络及其相应的快速学习算法．语音识别实验表明：所给出的快速学习算法能有效地加速网络训练进程．     

神经网络在储层参数描述中的应用

神经网络是生物神经系统的一种高度简化的计算机模式，已应用于许多领域，包括模式识别、分类和信号处理。文章研究了神经网络应用于石油勘探中储层参数描述的可能性。结果表明，神经网络对储层参数的描述提供了一种简单而又很有潜力、非常有用的工具。     

模糊超球神经网络的条件重叠学习算法

模糊超球神经网络的聚类学习算法采用形状因子θ实行有指导的学习.针对θ的引入所带来的问题,提出一种新的无指导学习算法--条件重叠学习算法.算法不受模糊超球形状因子θ的影响,学习速度快,学习后的模糊超球个数更少,识别正确率更高.     

结构等价型模糊神经网络算法及其应用

提出一种结构等价型模糊神经网络的学习算法。等价型神经网络根据模糊系统的推理规则,决定等价的神经网络结构参数。     

一种新的快速收敛的反向传播算法

提出了一种新的快速的误差反向传播算法 .这种方法从神经网络的权值调节公式入手 ,通过避免过早饱和、加大权值调节的幅度等手段来加快收敛 .并通过对两个奇偶问题、一个函数逼近问题的仿真 ,验证了所提出的算法的有效性 .结果表明 ,所提出的算法在收敛速度等方面大大优于通常的BP(反向传播 )算法、带动量项的BP算法以及其他的一些改进的算法 .     

用于SOM神经网络语音识别的自适应局部搜索算法

采用一种基于自组织特征映射（ＳＯＭ）神经网络和隐马尔柯夫模型（ＨＭＭ）法结合的语音识别方法．根据语音信号的相关性，提出了一种自适应局部搜索算法．结果表明，该算法相对于全搜索算法而言，计算量小而又不降低识别率     

模糊边界训练样本输入网络及其学习能力

研究了具有模糊边界样本的网络学习能力，提出了与之相应的ＴｙｐｉｃａｌＩｎｐｕｔＳａｍｐｌｅｓＴｒａｉｎｉｎｇＡｌ－ｇｏｒｉｔｈｍ（ＴＩＳＴＡ）算法并将它与自然时序训练算法进行比较．数学分析和计算机仿真实验结果均证明，ＴＩＳＴＡ算法有效地避免了传统算法的不足，提高了网络的分类性能．     

极大熵聚类算法的收敛性定理

讨论了极大熵聚类算法的收敛性,构造了极大熵聚类算法的收敛点集,并证明了极大熵聚类算法的收敛性定理.结果表明,极大熵聚类算法不一定收敛到局部极小点,有时收敛到鞍点.同时,也给出了如何判断极大熵聚类算法的收敛点是局部极小点还是鞍点的方法.     

基于覆盖的神经网络集成在语音识别中的应用

神经网络集成通过训练多个神经网络并将各网络的结论进行合成,从而得到最终结果.集成可以显著的提高学习系统的泛化能力.讨论了基于覆盖思想而设计的神经网络集成方法,并将其应用于汉语孤立数码语音识别系统中,通过在集成过程中加入基于覆盖思想的控制算法降低系统的泛化误差,从而使系统的识别效果有了进一步的提高.     

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。