神经网络自适应学习研究

本文讨论了网络拓扑结构、网络的学习参数以及神经元的激活函数等多方面的人工神经网络学习问题，提出了具体实现方法。实验表明这些方法对于加快网络的收敛速度，优化网络的拓扑结构等方面有显著成效。     

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。     

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。     

BP小波神经网络快速学习算法研究

讨论了BP小波神经网络在训练过程中减小误差函数时最优方向的确定和自适应调整学习率的方法.首先论证了小波神经网络的数学基础,然后讨论了BP小波神经网络的学习过程,重点讨论了减小误差函数最优方向的确定方法,即如何保证步长方向与负梯度方向一致,由此得出了自适应调整学习率的简便方法.该方法具有普遍性,有广泛的应用价值.仿真结果表明,采用最优梯度下降方向可以大幅度提高BP小波神经网络的学习速度.     

多层前馈神经网络的快速学习算法及其仿真研究

本文主要研究多层前馈神经网络的快速学习问题。文中首先概述了多层前馈神经网络的B—P学习算法,并分析了这种算法的主要缺陷,在此基础上提出了若干克服和缓解这些缺陷的技术方法,由此构造了一种新的多层前馈神经网络的快速B—P学习算法即FB—P算法。通过对FB—P算法学习过程进行较详细的分析,本文还建立了一种改进的FB—P学习算法即MFB—P算法。最后本文以三层前馈神经网络识别五类地面目标图像为例,对文中提出的FB—P和MFB—P学习算法的性能(即学习速度与推广特性)进行了计算机仿真实验,同时与B—P学习算法的性能作比较,理论分析与仿真实验表明:MFB—P与FB—P学习算法比B—P学习算法具有更快的收敛速度,且MFB—P算法收敛最快;MFB—P算法比FB—P和B—P学习算法具有更好的推广特性,而后两者的推广特性则大致相同。     

基于混合自适应Memetic算法的贝叶斯网络结构学习

Memetic算法是一种基于种群的全局搜索和基于个体的局部启发式搜索的结合体,具有较高的全局搜索能力,将其成功应用于贝叶斯网络的结构学习。该算法在基本的遗传算法操作算子中,引入粒子群算法的基本思想,同时利用混沌的遍历性和云自适应的快速收敛性,提出了一种云自适应的混沌变异搜索进行局部搜索,实现全局优化,跳出局部最优。实验证明该算法在贝叶斯网络结构学习中具有很好的效果。     

基于泛函网络的多维函数逼近理论及学习算法

提出一种多维函数逼近的泛函网络逼近方法,设计了一类用于函数逼近的可分离泛函网络,给出了基于泛函网络的函数逼近学习算法。而泛函网络的参数通过解方程组得到,它们能逼近给定函数到预定的精度。仿真结果表明,这种逼近方法简单可行,具有较快的收敛速度和良好的逼近性能。     

一类自适应算法及其应用

在许多优化问题中,寻找最优解并不是唯一目的,更重要的是目标往往是“进步”,算法的优化作用更在于维持一个稳定的改进过程,本文从这一角度出发进行了对传统遗传算法的改进,强化了其渐进收敛和进化能力,并考虑与反向传播学习算法的有机结合以提高训练精度及优化能力,以一类解析型模糊系统的建模过程为例进行的仿真研究表明,新算法更适用于这类优化问题,能够在更短的时间内有效地改善系统性能;同时,具有很强的自适应性,应用简便也是它的主要优点之一。     

神经网络学习算法的研究

本文论述了神经网络学习算法的研究现状和存在的问题,并根据状态空间混合法,推出了一种自适应调整学习步长的公式。     

模糊逻辑系统的一种自适应参数学习算法

根据自适应模糊逻辑理论以及基于导数的参数优化方法,分析了模糊逻辑系统常规参数优化算法存在的不足,从改善模糊系统的参数训练步长的角度着手,对其常规的最速下降算法进行了改进,提出了一种新的自适应模糊逻辑系统参数学习算法,并对该算法的推导过程进行了具体的分析和描述。最后,针对一非线性函数逼近问题,对该算法进行了验证,仿真的逼近精度和收敛速度都获得了提高,表明本文提出的模糊逻辑系统自适应参数学习算法是可行和有效性的,且能够克服常规参数优化算法中存在的某些不足。     

基于自适应噪声的鲁棒BP算法及前馈网的鲁棒性分析

本文首先从几何和物理的角度分析了网络带噪声训练后的鲁棒性,再据此提出了一种自适应的训练方法,并通过仿真实验,证实了该方法的有效性;文中还从数学的角度定量分析了前馈网络对于噪声模式的鲁棒性,给出了设计鲁棒性网络的一般性原则。     

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。     

一种前馈过程神经元网络初始化方法及改进学习算法

分析了前馈过程神经元网络初始化对其训练速度的影响.提出了一种前馈过程神经元网络初始化方法,该方法将阈值初始化为时间积分运算的均值,可消除网络初始化不当的影响.提出了改进的网络学习算法,采用与初始化相似的方法修正阈值,可加快前馈过程神经元网络的训练速度.以时变信号分类为例,仿真验证了初始化方法及改进学习算法的正确性和有效性.     

全局稳定广义预测自校正控制算法与模型参考适应控制算法

本文为时滞未知的确定性线性系统建立了全局稳定广义预测自校正控制算法。同时推出一种新型稳定离散模型参考适应控制算法，把广义预测自校正控制和模型参考适应控制融为一体。     

一种模糊神经系统的修正学习算法

本文在深入分析模糊神经系统的基本结构和学习算法的基础上,指出基于梯度下降的学习算法的不足,并提出一种模糊神经系统的修正学习算法。分析表明,该算法具有能够确保模糊语义和模糊空间一致划分的优点。     

带一类自适应非线性特性的变步长BP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、易陷入局部最小等缺点,本文提出了在BP搜索进入误差代价函数曲率较小、收敛速度较慢处时,在变步长BP学习算法的基础上,引入一个非线性特性项,并将该特性项的强度系数构造为具有升温、降温策略控制的自适应非线性函数.仿真结果表明,该算法的收敛稳定、快速,具有较好的效果.     

一种改进的RBF神经网络学习算法

提出了一种改进的RBF神经网络学习算法 ,分别通过减聚类和监督学习算法对网络参数和权值进行训练 ,既可以根据样本合理地聚类、确定RBF径向基函数的个数和相应参数 ,又具有较强的网络映射能力 ,从而不仅使RBF神经网络结构得以优化 ,性能也得到了提高。仿真结果表明了该学习算法的实用性和有效性