神经网络用于模式识别分类的改进算法

用ＢＰ神经网络算法进行模式识别分类,即使对一个训练比较好的网络也极有可能出现样本的导师模式（真实模式）与网络判定模式不符的情况,即会出现误判样本。当待判样本与某一误判训练样本比较接近时,网络很可能对其造成模式误判。为此,本文通过引入训练样本的正、误判子集及定义在其上的待判样本的距离,将距离算法和ＢＰ算法相结合,提出了解决这一问题的新方法。     

多层神经网络的一种有效算法

提出了一种新的训练多层神经网络的适应性共轭梯度学习算法。理论分析和仿真结果证明，它在模式识别领域里是一种可行和有效的算法，而且其识别能力优于传统的BP算法，收敛速度也比BP算法快。     

多层神经网络的一种有效算法

提出了一种新的训练多层神经网络的适应性共轭梯度学习算法。理论分析和仿真结果证明 ,它在模式识别领域里是—种可行和有效的算法 ,而且其识别能力优于传统的BP算法 ,收敛速度也比BP算法快     

一种新型的前馈多层神经网络学习算法

利用矩阵Ｍｏｏｒｅ－Ｐｅｎｒｏｓｅ逆的方法,提出了一种新型的前馈多层神经网络学习算法－ＭＢＰ算法。该算法采用了群体搜索的策略,打破了ＢＰ算法一次一点的搜索方式,一次可搜索权空间中的一个超平面,仿真结果表明,该算法在提高收敛速度和避免陷入局部极小点方面都有一定的进展。     

一种用于快速分类问题的神经网络学习算法

对传统的ＢＰ算法进行了改进，提出了基于二阶导数的ＢＰ算法，大大减少了样本训练的迭代数，从而提高了网络运算速度，对异或问题和蜢虫分类问题的计算，取得了满意的效果。     

一种改进的神经网络BP算法

提出同时对神经元温度常数Ｔ、位置常数θ、联接权值Ｗ进行调整的观点,并推导出相应的学习算法公式。对比试验表明：所给出的改进算法能有效地减少节点数、加速训练进程认识精度。     

一种局部回归神经网络的在线学习算法

针对目前局部回归神经网络误差函数在线计算复杂的缺陷,利用信号流图(SFG)基本理论,通过分析信号流图(SFG)和转置信号流图(ASFG),将神经网络的误差导数的信号流图(SFG)和转置信号流图(ASFG)分别级联在原始信号流图(SFG)和转置信号流图(ASFG)上,构成单输出自回归神经网络．依据因果非线性时变系统流图计算仅仅与网络拓扑结构有关的理论,推导了一种与网络结构无关的在线后向BP学习算法,较好地解决了对任意结构的局部回归神经网络的在线学习问题．仿真结果表明了本算法的有效性．     

一种采用神经网络的智能控制算法

本文基于Ａｄａｌｉｎｅ神经网络，讨论了一种采用神经网络的智能控制法，该算法用了一个二层网络代替传统控制器或专家控制器，用改进的ＢＰ算法求网络的参数。仿真结果表明，采用该控制算法的控制系统具有良好的响应特性。     

一种基于扩展Kalman滤波器的神经网络学习算法

为了解决前馈神经网络BP算法在处理非线性对象时，收敛速度慢，易陷入局部极值，需调节参数多等的缺陷，提出将扩展卡尔曼滤波(EKF)算法引入神经网络的学习中．把前馈网络的所有权值、阈值作为EKF算法的状态，网络输出作为EKF的观测．同时为了防止滤波发散，对算法做了改进．仿真结果表明，该算法比BP算法在收敛速度、抗噪能力方面都有明显提高，同时还保证了一定的泛化能力．     

一种改进的可变学习速率的BP神经网络算法

针对可变学习速率反向传播算法(VLBP)对误差曲面变化不敏感而且收敛慢等不利因素,提出一种改进的可变学习速率反向传播算法(IVLBP),通过引入均方误差增加量和减小量两个阈值参数,使得学习算法对误差曲面变化敏感且收敛速度快.最后,通过对VLBP和IVLBP算法的仿真比较证明了IVLBP算法的有效性.     

一种局部回归神经网络的快速算法

针对目前局部回归神经网络动态ＢＰ算法的误差导数计算复杂、收敛速度慢的缺陷,提出了一种新的快速算法、该算法是将信号流图引入动态ＢＰ算法,较好地解决了求导数的复杂性,同时采用ＢＦＧＳ算法另快了网络的收敛速度仿真结果表明了本算法的有效性。     

多层神经网络BP算法的改进

多层神经网络ＢＰ算法的改进姚瑞波孙国雄汤崇熙（东南大学机械工程系，南京２１００１８）目前，前馈型多层神经网络模型已广泛应用于模式识别、语音识别、数据压缩等领域．ＢＰ算法作为其学习方式有效地解决了ＸＯＲ、Ｔ－Ｃ匹配问题，但ＢＰ网络的学习过程是对一个高...     

一种新的单层神经网络学习算法分析模型

提出了适用于单层神经网络快速学习算法分析的一种新模型——广义系统辨识模型，分析了Ｋａｒａｙｉａｎｎｉｓ的快速ＢＰ算法．研究结果表明：利用所提出的新模型，能有效地进行单层神经网络学习算法的性能分析     

一种神经网络模型算法控制的研究

本文提出了一种利用人工神经网络来实现的模型算法控制，通过神经网络的离线学习和在线修正产生预测作用，并由智能控制单元实施控制作用。仿真表明，该控制方法具有良好的控制特性和鲁棒性，且适用于非线性系统。     

一种新型神经网络学习算法

前馈神经元网络已经被广泛应用到很多领域,但是,神经元网络欠缺更快的学习算法,传统的学习算法远远满足不了需求,因此介绍一种单隐层前馈神经网络（SLFNs）学习算法,即极限学习机——ELM．与BP算法相比,ELM神经网络学习算法具有更快的学习速度和更好的泛化性能．根据成批学习思想,给出在线学习算法OS—ELM．最后,用Matlab软件分别对BP算法和OS—ELM算法在导盘转速的建模中进行仿真,并给出仿真结果．     

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．     

一种基于扩展Kalman滤波器的神经网络学习算法

为了解决前馈神经网络BP算法在处理非线性对象时 ,收敛速度慢 ,易陷入局部极值 ,需调节参数多等的缺陷 ,提出将扩展卡尔曼滤波 (EKF)算法引入神经网络的学习中 .把前馈网络的所有权值、阈值作为EKF算法的状态 ,网络输出作为EKF的观测 .同时为了防止滤波发散 ,对算法做了改进 .仿真结果表明 ,该算法比BP算法在收敛速度、抗噪能力方面都有明显提高 ,同时还保证了一定的泛化能力     

一种用于快速分类问题的神经网络学习算法

对传统的ＢＰ算法进行了改进,提出了基于二阶导数的ＢＰ算法,大大减少了样本训练的迭代次数,从而提高了网络运算速度．对异或问题和蜢虫分类问题的计算,取得了满意的效果．     

一种改进的多记忆BP神经网络算法

本文针对目前标准BP神经网络的缺点,提出基于高阶导数的多记忆BP算法,将能量函数的n阶导数与最速下降方向相结合,构造出一个新的最速下降方向,从而提高了神经网络的学习速度。首先证明了该算法相对于传统梯度算法的快速性,然后给出了该算法的实现方法,并进行了算例仿真。结果证明,该算法便捷、实用、有效。