神经网络权值和阈值的优化方法

为确定多层神经网络权值和阈值建立了真实的最优化求解方法,即将网络总体平均误差建立为目标函数,以权值和阈值作为设计变量,采用梯度法和共轭梯度法对网络权值和阈值进行优化计算·通过ＢＰ算法、梯度法和共轭梯度法对相同实例网络权值和阈值计算,验证了所提出的优化方法的有效性,实现了权值和阈值的快速准确计算·     

神经网络权值和阈值的优化方法

为确定多层神经网络权值和阈值建立了真实的最优化求解方法,即将网络总体平均误差建立为目标函数,以权值和阈值作为设计变量,采用梯度法和共轭梯度法对网络权值和阈值进行优化计算·通过 Ｂ Ｐ 算法、梯度法和共轭梯度法对相同实例网络权值和阈值计算,验证了所提出的优化方法的有效性,实现了权值和阈值的快速准确计算·     

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。     

优化二次函数与共轭梯度算法

本文提出构造二次函数作为目标函数。无约束条件下优化这个函数,导出本征方程 AX=λX,一般矩阵方程 AX=Y 和齐次方程 AX=0的自适应和递推解。计算机模拟表明这种算法稳定,能获得精确解和具有快速收敛特性。     

一种新的基于梯度动力学的协同神经网络学习算法

在研究协同神经网络梯度动力学过程的基础上，针对学习过程收敛速度缓慢的缺点，介绍了一种改进的基于梯度动力学的协同神经网络学习算法。该算法分析了非平衡注意参数对学习过程的影响，简化了初始伴随向量的选取；并引入最优化理论，将该问题归结为求解非线性最优化问题，提出了适时地用共轭梯度法代替梯度下降法的算法，加快了学习过程的收敛。通过对标准人脸图像库的图像识别实验表明该算法较之其他学习算法有较高的识别率，并能较快地收敛到极小值。     

基于神经网络控制的共轭梯度法

共轭梯度法中搜索步长是通过某种搜索策略得到,许多情况下的收敛速度较慢.为了加快其收敛速度,提出了通过引入具有“先验知识“的神经网络对共轭梯度算法中的搜索步长进行控制.实验结果表明,该模型实现的共轭梯度法对于加快收敛速度有效.     

多层神经网络在手写体数字识别中的应用

手写体数字识别是模式识别中的研究课题之一，本文对多层神经网络用于手写体数字识别进行了探讨。文中所采用的特征输入神经网络方法，通过模拟实验，取得了良好的效果。     

在Wolfe步长搜索下的一类新的共轭梯度算法

研究利用共轭梯度法求解无约束最优化问题.为了保证共轭梯度方向是目标函数的充分下降方向,对共轭梯度算法中的共轭梯度方向参数确定了一个取值范围并与Wolfe步长搜索相结合,提出了新的共轭梯度算法,使算法具有更好的收敛速度,特别是在求解大规模无约束最优化问题时,此算法只需要较小的存储.     

一类共轭梯度算法的收敛性

对无约束最优化问题minfx∈R^n（x）,提出了一类与βk^HS相关的共轭梯度算法,采用强Wolfe搜索,在较弱的条件下,证明了其充分下降性和全局收敛性．     

一类混合共轭梯度算法

改进了戴志锋,陈兰平提出的HS-DY混合共轭梯度法,扩大了参数凤的取值范围,基于同样的考虑,给出了DY与PRP算法相结合的混合共轭梯度法,在Wolfe线搜索下不需给定下降条件即证明了它们的全局收敛性,数值实验表明这类的算法十分有效。     

二维PSD非线性修正共轭梯度算法

根据光电位置敏感器件的原理和光点位置方程分析了PSD的非线性成因,并根据PSD的非线性特点,提出用神经网络的共轭梯度算法对PSD的非线性进行补偿·利用神经网络共轭梯度算法具有逼近任意非线性函数的特点,通过神经网络建立PSD实际输出与其理想值之间的非线性映射关系,实现光电位置敏感器件非线性补偿·计算机仿真表明,该方法不仅能有效地消除非线性的影响,而且在神经网络的输出端得到期望的线性输出·从而使PSD的B区获得了与A区近似的线性度,故在不增加成本,不改变测量设备复杂度的情况下,扩大了测量范围,提高了B区的测量准确度及数据的置信度·     

LM算法在神经网络语音识别中的应用

输入语音信号中声音的特征提取和分类识别可以通过多层前馈神经网络大量学习实现,但基于误差反向传播的前馈神经网络(BP神经网络)标准算法收敛速度慢,在训练中效率不高。采用一种快速稳定的Levenberg-Marquardt算法进行语音识别,通过对语音信号的预处理、特征提取和网络结果优化,建立了网络训练样本集,用MATLAB进行了仿真,仿真结果表明,该算法优于传统的BP算法,具有更好的收敛性。     

基于遗传算法的神经网络在局部放电模式识别中的应用

针对ＢＰ神经网络（ＮＮ） 在大型发电机局部放电模式识别中存在的收敛速度慢、容易陷入局部极小点的问题,提出采用遗传算法（ＧＡ） 作为神经网络的学习算法．并且根据神经网络结构的特点,构造了新的遗传算子．结果表明,与ＢＰ神经网络相比,ＧＡ 神经网络的收敛性能和推广能力都有了明显提高     

模式识别及人工神经网络算法在16Mn钢生产中应用

介绍了模式识别与人工神经网络算法应用于１６Ｍｎ微合金化钢的生产工艺优化，并给出了各目标的最佳工艺参数供生产时参考。     

基于遗传优化的粗糙神经网络模式识别器及应用

通过粗糙集获取知识表达系统的分类规则，用产生的规则对神经网络进行编码，并利用遗传算法对初步学习后的神经网络的权值进行优化，最终得到一个神经网络模式识别器。举例说明了采用这种方法得到模式识别器的过程及其对待识别对象的学习和分类效果。结果表明：采用粗糙规则对神经网络编码可以缩短神经网络的训练过程，遗传算化对神经网络权值的优化可在一定程度上提高模式识别的精度。     

BP神经网络算法在字符识别中的应用

介绍了BP学习算法的基本原理及其优缺点,并针对其不足,引入了动量项进行改进,并对BP网络的算法实现作了探讨。     

基于GA-PID神经网络的板形模式识别方法

针对传统板形模式识别方法存在抗干扰能力差和识别精度有限等缺点,提出了基于遗传算法(GA)优化的PID神经网络板形模式识别方法.PID神经网络不仅具备传统多层前向网络的特点,而且其隐含层具有动态特性,可以直接用于动态系统辨识.GA具备良好的并行设计结构,具有全局优化的特点,利用GA对网络权值进行优化,克服了传统BP算法易陷于局部极小的不足.仿真结果表明:GA-PID神经网络的板形模式识别方法能够识别出常见的板形缺陷,提高了板形模式识别精度,可以满足板带轧机高精度的板形控制要求.     

彩色模式识别中的神经网络

提出实拍标准彩色集、建立纠偏数据库的方案，以减轻偏色的影响；构造一个两级人工神经网络系统，分别为纠偏数据库的快速匹配、色彩集的快速变换提供了保证。     

用文化算法改进的RBF神经网络在语音识别中的应用

针对传统的RBF网络求取隐层基函数中心的K-均值聚类算法的缺点,利用文化算法的全局搜索性能,将文化算法用于语音识别系统的RBF网络的训练过程中,基于实验数据,指出该方法的识别结果较k-均值聚类算法有了明显的改善。