多项式前向神经网络

提出了一种新型的前向神经网络模型-多项式神经网络。该网络具有三层结构,隐层、输出层神经元激活函数分别为：f(x)=x^p和线性函数,网络隐层-输出层的权值采取最速下降法学习,输入层-隐层的权值采用遗传算法进行学习;网络学习时,其误差函数单调递减,学习算法具有较好的收敛性;该网络能逼近任意的连续函数,且具有较好的稳定性,应用实例表明该网络的性能是优良的。     

前向神经网络实现的插值算法

Matlab提供的调用函数在实现函数插值时,其思路是定义目标指数并用其负梯度方向作为网络权值和偏置的调整依据。网络在使用前需输入大量样本数据,占用相当多的时间来训练之。提出以前向神经网络(FNN)结构构建一种定权值的网络,其网络层间权值依据插值函数的特点可预先设定,隐层数及隐层神经元节点个数则根据问题的要求予以确定。该网络无需训练,通过一次运算得出结果。仿真结果显示:该网络实现的插值函数可得到比较满意的结果。     

基于控件技术的前向神经网络实现研究

在分析前向神经网络应用特点的基础上，将其与ＡｃｔｉｖｅＸ技术相结合，提出了一种基于控件技术的前向神经网络体系结构，并用Ｖｉｓｕａｌ Ｃ＾＋＋的ＭＦＣ给出了该系统结构的实现方案。该方案具有实现简单，使用方便，宜于扩充，移植性强，界面友好等优点。     

关于前向神经网络的设计问题

前向神经网络的设计问题,一直是神经网络的理论研究中的难点和热点,虽经许多学者的潜心研究,但到目前为止并未得到满意的解决．本文利用Ｍ－Ｐ神经元模型的几何意义,将前向神经网络的设计问题化为“复盖问题”求解,从而为前向神经网络的设计提供了一个比较满意的解决方法．最后给出几个模拟的例子,以资证方法的有效性．     

前向神经网络的故障性能

首先详细分析了固定型连接故障和错误输入信号对单个神经元的影响，然后研究了具有硬限幅作用函数的前向神经网络在存在固定型故障情况下的性能变化，并给出了性能与连接故障数之间的关系式及故障性能的分析方法。经用ＭｏｎｔｅＣａｒｌｏ方法仿真表明，文中提出的方法是正确的。最后还对分析的结果进行了讨论，说明这类网络的规模越小，对提高其容错性能越有利。     

基于控件技术的前向神经网络实现研究

在分析前向神经网络应用特点的基础上,将其与ＡｃｔｉｖｅＸ技术相结合,提出了一种基于控件技术的前向神经网络体系结构,并用ＶｉｓｕａｌＣ＋ ＋ 的ＭＦＣ给出了该体系结构的实现方案．该方案具有实现简单,使用方便,宜于扩充,移植性强,界面友好等优点     

基于前向神经网络的知识获取

以前向神经网络为工具，以“Tic-Tac-Toe”为研究对象，探索了人工神经网络在认知科学中的应用.计算机仿真实验表明，用神经网络的方法来获取知识是可行的.     

一种新型前向神经网络用于汉语四声识别

提出了一种新型的前向神经网络，并研究了其在语音识别中的应用。该神经网络为只含一层非线性隐层的前向神经网络，以线性的输出层代替一般ＢＰ网络的非线性输出层，可以更准确地，范围更大地完成非线性函数估值功能。该神经网络采用了包括反向传播算法及最小均方算法的混合算法进行训练，可以减少落入局部最小点的概率以及提高收敛速度。     

前向神经网络拓扑结构和权值的进化

基于进化规则（Bvolutionary Programmin)的方法，提出一种进化前向神经网络的新算法。该算法能同时进化网络的拓扑结构和连接权值（包括阈值），产生非常紧凑的网络结构，并且由于其全局搜索能力能够避免结构的局部。仿真结果证明了该算法的有效性。     

利用前馈神经网络计算Lyapunov指数

Ｌｙａｐｕｎｏｖ指数是混沌动力学系统的重要不变量．用基于前馈神经网络的自适应快速学习算法计算混沌动力学系统的全部Ｌｙａｐｕｎｏｖ指数．结果表明，本算法在有限的样本点及出现外部噪声的情况下，是非常可靠的．     

基于子空间分析的前馈神经网络隐层评测方法

针对最佳平方逼近3层前馈神经网络模型,采用子空间分析方法,讨论了隐单元的误差补偿性能,提出了隐层评测方法.研究结果表明隐单元选取策略应遵循其输出向量有效分量位于误差空间、回避耗损空间和尽可能靠近某一能量空间的原则,这一结果与隐单元采用什么激发函数无关,也允许各隐单元采用不同激发函数.网络的隐层性能评价可以通过隐层品质因子、隐层有效系数、隐单元剩余度来进行,而总体结果可采用隐层评价因子进行评测.评测实验表明,所提出的隐层评测方法是合理有效的.图1,表1,参11.     

前向神经网络容错性分析的切比雪夫不等式法

目前 ANN的分析中缺乏对硬故障容错性能的分析 ,针对这一问题利用切比雪夫不等式给出了一种容错性分析的估算方法。利用切比雪夫不等式 ,分析了具有可微作用函数的前向神经网络容错性 ,建立了前向神经网络随机故障模型 ,讨论了固定型连接故障和错误输入故障对单个神经元的影响 ,通过分析这种前向神经网络故障传播特点 ,结合神经元容错分析的结论 ,得出了前向神经网络容错性分析的算法和相应公式。通过仿真实验 ,验证了上述结论的正确性。     

一般有界Sigmoidal函数神经网络的插值与逼近

研究了一维欧氏空间中神经网络的插值问题.首先,对于一组插值样本和定义在R上的一般有界Sig-moidal激活函数,给出了精确插值的单隐层前向神经网络存在的条件;然后,构造了近似插值网络,给出了估计精确和近似插值网络之间的误差;最后,利用连续模作为度量,分别估计了两类网络对连续函数的逼近误差.     

基于单隐层前馈神经网络的优化算法

前馈神经网络是神经网络中最常用的函数近似技术。根据普适定理,单隐层前馈神经网络(a single-hidden layer feedforward neural network,SFNN)可以任意接近相应的期望输出。一些研究人员使用遗传算法(genetic algorithms,GAs)探索FNN结构的全局最优解。然而,使用GAs来训练SFNN是相当费时。提出了一种新的SFNN优化算法。该方法是基于凸组合算法(convex combination algorithm,CCA)在隐含层上分析信息数据。事实上,该技术是将分类遗传演算法结合交叉策略的GAs算法。改进方法比GAs算法性能更优,但在进行学习和遗传演算前需要大量预处理工作如将数据分解为二进制代码。同时设置一个新的误差函数量化SFNN性能、获得连接权值最优选项以直接解决非线性优化问题。采用几个计算实验验证改进算法,结果表明改进方法更适合寻找单隐含层SFNN的最优权重。     

一类三层前向折线模糊神经网络的构造

为克服模糊数运算的复杂性引入了折线模糊数的概念,并应用其优良性质和折线模糊值函数的表示定理,通过插值神经网络的构造方法获得了一类三层前向折线模糊神经网络,证明了该折线模糊神经网络是连续折线模糊值函数的泛逼近器.     

Output-back fuzzy logic systems and equivalence with feedback neural networks

A new idea, output-back fuzzy logic systems, is proposed. It is proved that outputback fuzzy logic systems must be equivalent to feedback neural networks. After the notion of generalized fuzzy logic systems is defined, which contains at least a typical fuzzy logic system and an output-back fuzzy logic system, one important conclusion is drawn that generalized fuzzy logic systems are almost equivalent to neural networks.     

神经网络动态集成技术及其应用

针对当前神经网络集成方法在提高泛化能力方面的不足,提出了神经网络动态集成技术。该技术首先对神经网络集成中的个体之间进行负相关处理提高个体的差异度,然后选择训练误差较小的个体来提高个体的精确度。最后,以广东省某市的宏观经济数据为例,证明了该技术的有效性。     

一类基于概率神经网络的语音识别模型

介绍了采用人工神经网络,特别是概率神经网络(PNN)技术进行语音识别的原理．提出了一类基于概率神经网络的解决元音识别问题的模型,并且通过一个试验,研究了用于语音识别的PNN模型中的参数设置．试验表明,该模型对于元音的识别具有较好的识别率．