一类神经网络多层感知器的全硬件实现

针对模式分类问题，给出了一种神经网络多层感知器数字电路硬件实现方法，该方法在硬件电路中不含有数字乘法器，从而有助于克服目前神经网络数字器件难以单片集成的缺限，采用该方法研制出具体的硬件线路板，应用于一实际的分类问题，取得了良好的效果。     

一类神经网络多层感知器的全硬件实现

针对模式分类问题，给出了一种神经网络多层感知器数字电路硬件实现方法，该方法在硬件电路中不含有数字乘法器，从而有助于克服目前神经网络数字器件难以单片集成的缺限．采用该方法研制出了具体的硬件线路板，应用于一实际的分类问题，取得了良好的效果     

多层感知器神经网络在机械故障诊断中的应用

针对ＢＰ网络用于复杂机械故障诊断时学习收敛慢，易陷于局部极小点等不足，提出了改进－－较大误差相关修正法，并对各系数进行了研究，结果表明，改进算法拓宽了各系数的取值范围、使网络性能更加平稳，且缩短了训练时间，适用于解决多输出节点的复杂故障诊断问题。     

多层感知器信用评价模型研究

建立多层感知器(MLP)神经网络信用评价模型，用来对我国2000年96家上市公司进行信用评级。按照各上市公司的经营状况分为“好”、“中”、“差”三类，每一类由32家上市公司构成数据样本。对于每一家上市公司，主要考虑其经营状况的四个主要财务指标：每股收益，每股净资产，净资产收益率和每股现金流量，所有数据都来自于2000年上市公司年报。对于MLP网络结构，隐层结点的个数是采用试验的方法来确定的。先从1个开始，然后逐个逐个地增加，一直增加到不能再改善网络性能为止。仿真结果表明，多层感知器信用评价模型分类的准确率达到79．17％。此外，还详细给出MLP网络模型的学习算法和步骤。     

多层感知器的加速算法

基于多层感知器(Multi-Perceptron)的反向传播(BP:Backpropagation)算法,本文提出了一种新的改进算法——加速度算法。其基本思想是交替使用负梯度方向[S~t:=—△E(W~(?))]和加速梯度方向[S~k(?)=W~k—W~(k-2)(k≥2)]作为搜索方向。理论分析与模拟实验表明,与基本BP算法比较,它有很快的收敛速度。     

基于结构动态可塑原理实现的神经网络感知器

分析了人工神经网络感知器的基本性质,提出了一种新的硬件实现方法——结构动态可塑原理,即通过网络中连接路径的转换,间接实现权值系数的变化,达到学习的目的.并用一个逻辑功能感知器给出了具体的实现方法,证明该结论可推广到一般情况.     

RBF神经网络与多层感知器区分与替代问题的研究

本文着重从模型、工作特性以及应用上对比了RBF神经网络与多层感知器网络的不同之处,又用模式分类具体实例指出,在一定条件下RBF神经网络与多层感知器网络可以相互替代。多层感知器网络通常用来解决非线性问题,而RBF神经网络则主要用于函数逼近,能够逼近任意非线性函数。因此,在非线性问题上,一个可以被另一个代替。     

多层感知器学习算法研究

多层感知器是一种单向传播的多层前馈网络模型,由于具有高度的非线性映射能力,是目前神经网络研究与应用中最基本的网络模型之一．BP算法是多层前向神经网络中应用最重要的算法,但是由于BP算法实质是一种梯度下降的搜索算法,它存在着其固有的不足,如收敛速度较慢,易于陷入误差函数的局部极值．本文基于权值外推和三项因子的思想,提出了一种改进算法,能够有效的提高网络收敛的速度和精度,计算机仿真结果也有力的证实了这一点．     

基于多层感知器的异常数据实时检测方法

基于神经网络的多层感知器模型,结合滚动学习 预报机制,提出了一种异常数据实时检测方法.该方法在每个当前时刻通过最近的固定长度的历史数据训练神经网络,完成下一时刻的预报.通过神经网络模型残差,确定概率为P的置信区间.当下一时刻数据落入置信区间内,则该数据被判为正常;反之,则为异常.被判为异常的数据不再用作更新历史数据,而以相应的预报值代替.通过某300 MW燃煤火力电站实际过程数据的在线验证,结果证明了所提出方法的有效性.     

用粗糙集构造基于知识的模糊多层感知器

提出了用粗糙集理论构造模糊多层感知器的方法。使用粗糙集从样本信息表中抽出关于领域的规则以及规则的精确度和覆盖度。网络的结构由已经抽取的规则映射而成,初始连接权由规则的精确度和覆盖度确定。论文给出了基于信息熵的知识的简算法。运用于水稻虫害分类的试验结果表明：这种基于知识的模糊多层感知器与传统感知器相比,具有较少的隐层节点,并能做出正确的特征分类。     

多层感知器自监督在线学习非结构化道路识别

针对智能车辆非结构化道路识别中存在的环境自适应性和在线学习算法实时性问题,提出了一种结合多线程技术和多层感知器自监督在线学习技术的道路识别算法. 通过识别结果在线自动更新训练集,并利用评估函数判断是否触发重训分类器,确保当前分类器对行驶道路环境的有效识别. 同时,算法中道路图像采集、分类器训练、训练集更新、分类器识别等计算操作分别在各自线程中实现,利用信号量对数据流进行同步互斥,优化计算资源,充分利用了多层感知器分类计算快的特点,并克服其训练耗时问题. 实际道路检测实验结果表明,算法具有较好的自适应性及实时性,能够满足智能车辆非结构化道路导航需求.      

用感知机学习算法改善MUSIC测向算法的分辨率

文中指出了通过计算机仿真了解到的影响MUSIC测向算法分辨率的一些因素 ,分析了造成MU SIC测向算法计算机仿真的分辨率较低的原因 ,并提出了一种用人工神经网络中的感知机学习算法改善MU SIC测向算法计算机仿真分辨率的方法     

基于硬件实现具有动态范围判断功能的线性拉伸算法

针对红外焦平面阵列(IRFPA)输出图像固有的对比度差、视觉效果不佳的问题进行增强算法研究,考虑到直方图均衡算法易造成细节损失和画质下降,其改进算法也依赖于经验阈值,根据红外图像像素灰度值分布集中的特点,提出了一种可以针对每一帧图像动态判断拉伸范围的线性拉伸算法,并设计完成相应功能模块的硬件实时实现结构和方式.实验显示算法充分发挥了硬件运算速度优势,处理后的红外图像视觉效果明显改善.     

用于函数逼近的多层感知器的一种新构架

通过构造一种名为“选择激活网络”的特殊的三层前馈神经网络,作者提出了一种新的用于逼近定义在紧集上的有限维欧氏空间之间的连续映射的多层感知器的架构方法.并进一步指出了具有这种构架的神经网络能够逼近此类特定的函数到任意的精度,而且在受训于新的模式时,这种网络先前所学得的知识的可能不会丢失或被毁坏.     

基于图多层感知机的节点分类算法

多数图神经网络(Graph Neural Networks, GNN)通过设计复杂的节点信息传递和聚合方式,以提升节点分类等图分析任务的实验表现,而本文提出了一种无需信息传递和聚合的图多层感知机(Multi-Layer Perceptron, MLP)模型A&T-MLP,利用属性和拓扑信息引导的对比损失来增强模型表征能力。A&T-MLP首先使用属性矩阵和邻接矩阵计算节点间的属性和拓扑相似度;然后使用基于相似度信息引导的对比损失,增大特征空间中相似节点的一致性和不相似节点的差异性;最后构建多层感知机模型并引入交叉熵损失进行端到端训练。在节点分类任务中,A&T-MLP表现优于基线模型,Wikipedia数据集上的Micro-F1和Macro-F1相较GNN模型图卷积网络(Graph Convolutional Network, GCN)提升了15.86%和13.64%。实验结果表明,A&T-MLP能够通过对比损失保留丰富原始图的信息,提升模型性能。此外,A&T-MLP在处理拓扑信息不准确的图数据时具有较为明显的优势,即使在缺失80%拓扑信息的极端情况...