关于二层感知器的几个定理

本文考察了二层感知器的识别能力，给出几个关于二层感器器判别域的定理。根据这些结果，可以判别某些区域是否是二层感知器的判别域。本文还给出了几个应用这些定理的例子。     

一种改进的数字信号自动识别方法

现有数字信号自动调制识别方法大多只适用于无记忆信号,如PSK、ASK、FSK信号等。将有记忆信号(MSK信号)和无记忆信号一起考虑,提出了一种改进的数字信号自动识别方法。该方法采用信号的瞬时统计量作为特征参数,采用多层神经网络作为分类器。计算机仿真表明:当噪声采用高斯白噪声,并且信噪比大于15dB时,识别率高于96%;当信噪比不低于10dB时,识别率不低于90%。     

神经网络在图象复原中的应用

介绍了传统图象复原方法的一些缺陷和神经网络的优良特性，讨论了神经网络在图象复原中的应用，并对基于Hopfield神经网络和多层感知器的两类图象复原方法进行了较深入的探索。     

一种基于MLP-ELM的GaN HEMT小信号特性的建模方法

本文提出了一种基于MLP-ELM的GaN HEMT小信号特性的建模方法, 首先基于GWO建立了一种混合参数提取法, 解决20元等效电路参数提取不精确的问题; 然后利用等效电路模型获得的S参数结合MLP-ELM建立了一种精确的经验模型, 有效解决等效电路模型无法在多偏置范围内表征小信号特性的问题; 最后利用MLP-ELM建立了一种基于经验的小信号模型. 经过仿真分析得出, 本文所建模型精度高, 在整个偏置范围内有效且具备等效电路模型不具有的泛化能力.     

一类神经网络多层感知器的硬件实现方法

提出了一种新的神经网络多层感知器硬件实现方法——信号传播路径动态选择．给出了隐节点个数的确定规则和网络的训练算法，并从理论上给予了证明．结果表明，该算法能一次确定权值，而且所确定的权值均为逻辑值，从而可以用逻辑门电路全硬件实现多层感知器     

基于MLP传感器的非线性校正

电涡流传感器在测量工作时,容易受环境温度等非目标参量的影响,使得测量精度大大降低.采用多层感知器网络算法进行数据融合消除温度对测量精度影响,研究结果证明该方法的有效性和可行性.     

基于变异田口算法的多层吸波材料优化设计

针对田口算法(Taguchi method,TM)处理复杂优化问题时易早熟收敛的缺点,引入遗传算法中的变异思想,提出了一种基于变异机制的田口算法(mutation-based Taguchi method,MTM).在基本田口算法的基础上,利用变异算子生成参数的水平值,提高算法跳出局部极值的能力.同时,采用自适应内循环机制,多样化算法搜索空间.将改进后的田口算法应用到多层吸波材料的优化设计中.实验结果表明,变异田口算法能够有效跳出局部极值,寻找到全局最优值,综合考虑各个变异方式的寻优效率、寻优精度及稳定性,参数的2水平值高斯变异性能最佳.优化后的多层吸波材料能够达到低反射系数、薄厚度的设计要求.     

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...     

公司治理对外部审计结果的预测能力研究

为检验公司治理对外部审计结果的预测能力,使用神经网络中的多层感知器方法,以2000~2007年所有A股上市公司为样本进行研究.结果发现,公司治理指标对外部审计结果有预测能力,而且在公司治理对外部审计的预测能力中,流通股比例和第一大股东持股比例较为重要,国有股比例比较不重要.其中,公司治理指标对审计意见类型和审计意见变更的预测能力较强,公司治理指标对审计进程预测能力较弱.     

简单Perceptron学习算法的收敛性

当输入是无穷集或区域时,通过构造一个上鞅,本文证明了简单Perceptron学习算法的收敛性。