第二类Chebyshev前向神经网络权值直接确定及结构自适应确定

为克服BP神经网络模型及其学习算法中的固有缺陷,构造了第二类Chebyshev前向神经网络模型,提出该神经网络模型权值直接确定法和结构自适应确定法.理论分析及仿真实验均表明,该系统弥补了BP神经网络的某些固有缺陷.相比同构型BP神经网络,其计算速度和工作精度均有大幅提高.     

基于磨光函数的权值直接确定双输入BP神经网络

利用磨光函数与采样数据建立了双输入单输出的权值直接确定的BP神经网络。改进后的网络依据训练数据重要性,选择以数据为中心的磨光函数作为激励函数,同时网络结构可以根据数据多少得到相应的调整。根据误差反向传播学习算法得到了改进后网络的权值直接确定算法。在仿真中,利用2个不同的目标函数验证了改进算法的有效性与建模精度。实验结果表明,三次磨光函数建立的网络性能优于二次磨光函数建立的网络。     

前馈神经网络权值和拓扑结构的一个学习算法

从三层前馈神经网络作为样本分类器时隐结点常常起着聚类作用的想法出发，提出一种在权值学习过程中调整网络拓扑结构的学习算法．实验结果表明，该法能在网络的权值学习过程中比较有效地选择网络的拓扑结构，同时又具有较快的学习收敛速度     

前馈神经网络权值学习综合算法

目前基于高斯牛顿法及其衍生算法的前馈神经网络虽然可以达到局部二阶收敛速度,但只对小残量或零残量问题有效,对大残量问题则收敛很慢甚至不收敛.为了实时解决神经网络学习过程中可能遇到的小残量问题和大残量问题,引入NL2SOL优化算法与GaussNewton法相结合,并引入熵误差函数,构建基于GaussNewton NL2SOL法的前馈神经网络.仿真实例表明,该神经网络较好地解决了残量问题,具有良好的收敛性和稳定性.     

一种权值预学习BP算法的研究

采用无监督学习中的主元分析算法的０ｊａ规则对前馈网络的权值进行预学习,以此来加速前馈网络的学习速度。通过奇偶校验和非线性系统辨识两个应用,验证了该算法在学习速度与性能上都优于传统的ＢＰ算法。     

遗传算法在神经网络权值优化中的应用

讨论了基于遗传算法的神经网络权值优化问题.并通过实验仿真将该算法与BP算法进行比校,从而验证了该算法的可行性与有效性.     

前馈神经网络复值盲均衡算法的研究

提出了一种新的前馈神经网络(N-FNN)复值盲均衡算法。新算法改变了传统均衡技术大量发送训练序列而降低系统传输的有效信息率,有效地消除码间干扰,提高了通信质量。笔者设计出新的传递函数和代价函数,利用最陡梯度下降法推导出输出层和隐层单元权值的迭代公式。通过对QAM信号进行计算机仿真,笔者提出的新算法与同类算法相比,具有均方误差收敛速度加快、误码率降低、稳态剩余误差减小等优点     

权值直接确定的三角型模糊前向神经网络

为了确定前向神经网络的网络结构,提出了一种基于采样数据的含单隐层神经元的模糊前向神经网络,反映了构造数据所蕴含的系统信息,其隐层神经元激励函数选择为三角型隶属函数和构造数据相应输出的乘积。该网络模型可以随采样数据的多少自主选择构造数据,自主设定隐层神经元,利用权值直接确定法得到网络最优权值。数值仿真实验表明,相比于现有文献的已有网络模型,模糊前向神经网络具有逼近精度高、网络结构可调、较好的预测性和实时性高的优点。     

B样条网络学习算法

提出B样条网络的一种改进的学习算法。在这种算法中,非零B样条基函数对应的内结点位置和连接权通过梯度下降法调整。计算机模拟结果表明该算法比现有的B样条网络学习算法更加有效和实用。     

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·     

基于权值直接确定的任意基函数神经网络建模

以生物学和逼近论为理论基础,将任意一组线性无关的基函数作为各隐含神经元的激励函数,结合网络权值直接确定法建立了一个新的神经网络模型.仿真实验表明,该网络权值一步确定,收敛速度快,非线性逼近效果好.     

样条函数与样条小波

介绍了多项式样条函数及样条小波的统一表达式 ,并给出了几种具有特殊性质的样条函数及小波 ,同时根据 L2空间多分辨分析的定义推导出样条的分解 /综合快速塔式算法。     

样条小波

利用样条函数和多尺度分析构造出了一类新的样条小波．该构造方法简单易于操作，而构造出的小波有许多优良性质，如短支集、高阶的消失矩、对称性和反对称性、半正交性及正则性等．     

前向神经元网络的子波表示

基于函数逼近，对前向神经元网络中非线函数与子波变换中母函数的关系进行了分析，推出了前向神经元网络的子波表示，指出两种方法应用于Ｌ＾２（Ｒ）空间函数逼近时是一致性，最后给出了两个前向神经元网络的子波表示，函数逼近实例验证了本结论的正确性。     

样条矩阵法

建立了新的样条坐标矩阵，据此重新定义了一组结点广义位移参数，提出了样条矩阵法。本方法直接采用Ｂ样条函数构造形函数，从而避免了由于Ｂ样条函数的重新组合而造成的种种不便。同时，又能方便地引入边界条件，且易于进行子域间的搭接。样条矩阵法与以往样条函数方法相比，具有格式简单，编程方便，计算简捷等优点。     

二次样条元

利用二次Ｂ样条函数构造样条元的位移场函数，建立了弹性直梁样条元和薄板的半解析样条元，并计算了等截面、变截面梁和板．结果表明，二次样条元具有未知量少、精度高、占用计算机内存少等优点。