多层前馈二阶神经网络模型

本文首先建立多层前馈二阶神经网络模型，继而给出该模型的二阶Ｂ－Ｐ学习算法，在此基础上构造了二阶快速Ｂ－Ｐ（即ＦＢ－Ｐ）和改进的二阶ＦＢ－Ｐ（即ＭＦＢ－Ｐ）学习算法，在计算机上以两类飞机图像目标识别为例，对本文提出的多层前馈二阶神经网络模型及其三种二阶学习算法的性能进行仿真实验，并与传统的多层前馈一阶神经网络及其相应学习算法的性能作比较，从而获得若干有意义的结果。     

一种复前馈神经网络的新算法

提出了一种复三层前馈网络的新型学习算法。该算法采用的是分层优化方法 ,将隐层的非线性神经元线性化 ,线性化产生的误差通过罚项受到限制。分层优化使得每一层权值整体优化 ,而与另一层无关 ,这样使得整个优化过程更有效。     

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。     

前馈神经网络的一个新的自适应学习算法

本文在文献［８］的工作基础上,给出前馈神经网络的一个改进的自适应学习算法。对几个经典的算例和Ｆｉｓｈｅｒ植物分类问题的计算表明,本文算法取得了良好的效果。     

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。     

关于前馈神经网络的激活函数与认知能力

讨论了目前前馈神经网络研究中存在的一些问题 ,给出了前馈神经网络的一种数学框架。在这种框架下 ,提出了网络神经元激活函数的选取原则 ,给出了前馈神经网络认知能力的概念 ,证明了静态前馈神经网络的认知能力是有限的。指出了网络的认知能力与激活函数、隐层神经元个数的选取都有关 ,并提出了隐层神经元个数的选取原则。最后 ,给出了前馈神经网络泛化能力的概念 ,指出前馈网络的泛化能力是有条件的。     

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。     

基于加速进化规划的模糊神经网络学习算法

提出了一种训练模糊神经网络的加速进化规划算法。该算法是进化规划算法的一种改进 ,适合于多维高精度的数值优化。经仿真实例验证 ,其收敛速度有了明显的改善 ,且不易陷入局部极小。     

一种非线性的BP学习算法

提出了一种非线性学习规则,以非线性函数th(x)取代传统学习算法中的线性函数x,来调整BP网络的连接权值和阈值。与传统的BP学习算法相比,其连接权值与阈值的调整量不仅与误差函数对连接权与阈值梯度的一次幂有关,而且也与梯度的高次幂有关。因此,克服了传统的BP学习算法过程中难以跳出局部极小值与收敛速度慢的缺点。模拟实验表明,该算法比传统的BP网络学习算法在学习时间和迭代次数方面都具有显著优势。     

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.     

基于Kalman滤波的神经网络快速学习算法及应用

本文提出一种基于Kalman滤波算法的神经网络快速学习算法(EKL).经图像边缘检测应用结果表明,该算法对于加快网络学习的收敛性有着显著成效.     

一种小波神经网络结构及其学习算法研究

基于仿射小波神经网络的逼近原理和结构设计问题 ,本文提出了一种新型小波神经网络结构 ,研究了其结构化设计方法和相应的学习算法 ,优化组合小波基元激励函数 ,实现了小波神经网络权系数的二次学习 ,避免了“维数灾”问题 ,改善了网络学习特性。计算机仿真结果表明 ,研究的小波神经网络结构及其学习算法简单有效 ,函数逼近更精确     

人工神经网络的一种改进的B-P学习算法及其应用

本文首先简要地介绍了人工神经网络(以下简称神经网络)的B—P学习算法,继而分析了B—P算法收敛速度慢的内在原因,讨论一些加速B—P算法收敛的措施,提出了一种改进的B—P学习算法(MB—P)。将这种算法应用于两类含噪飞机图象目标识别系统,并进行了仿真实验。实验结果表明,MB—P学习算法的收敛速度比B—P算法的收敛速度快许多,而且分别用这两种学习算法训练的神经网络对目标具有大致相同的识别率。     

双机格斗仿真系统中的实时决策方法

在双机格斗仿真系统中，数字仿真收音机的智能决策采用模糊逻辑与神经网络相结合的方法。为了把神经网络的规模限制在易于工程实现的程度，把战术规则适当分类，每一类战术存储在一个神经网络中，用模糊逻辑进行战术分类识别，确定在哪一类战术中搜索，然后用存储该类战术的神经网络进行了战术决策。     

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。     

神经元的集聚原理与智能子波神经网络

在对神经元机能空间分布结构和状态转换深入研究的基础上,提出了神经元的集聚原理,并通过构造一种基于广义子波基函数的神经元积聚模型,讨论了由此实现的智能子波神经网络所具有的广义结构可调和广义信息记忆等智能化特性。最后,通过两个仿真实验验证了新网络模型在有关实际问题解决上的可行性和高效性。     

神经网的自适应学习准则及其算法

无教师学习网络具有较强的自适应学习能力。本文讨论神经网的自适应学习准则，包括误差平方和准则，相关准则和模糊熵准则，同时给出相应的学习算法。     

模糊神经网络自学习控制器及其应用

本文提出了一种模糊神经网络自学习控制方法，并介绍了采用多层神经网络表达模糊控制的知识规则、模糊推理和学习算法。经实验仿真结果表明这种控制方案可改善具有时变及大纯滞后系统的控制品质，其性能优于一般模糊控制。