BP网络学习参数模糊自适应算法的实现

前馈神经网络ＢＰ算法的改进方案中，对网络训练（学习）过程率和惯性系数进行模糊自适应调节，以提高收敛速度，晃一项很有效的措施。文中具体分析了如何根据设计者的先验知识确定模糊规则和录属函数，并以三比特异或函数（或称奇偶分类）的实现为例，验证了这种算法的改进、加速了ＢＰ网络的学习过程。     

新的组合激活函数BP网络模型研究

作者提出了一种新的BP神经网络模型，其隐层激活函数采用中心参数可调的Gaussian函数，输出层采用斜度可调的Sigmoid函数，从而神经元具有了更强的信息存储、处理能力。由于采用组合函数，将Gaussian函数良好的局部性和Sigmoid函数良好的全局性相结合，提高了神经网络的收敛速度。几个典型实验的结果表明，与传统BP网络模型相比，新网络模型在学习能力和泛化推广能力方面都有明显提高。     

基于二维模式的PDM与MRPⅡ无缝衔接可行性分析

ＣＩＭＳ工程的重要思想是企业全部生产经营活动视为有机整体,可以集成与优化、但是,目前我国ＣＩＭＳ工程中ＰＤＭＧ与ＭＲＰⅡ分系统并未真正实现紧密结合与集成,甚至是彼此分离,无直接衔接,在实践经验的基础上,作者探讨了基于二维模式的ＰＤＭ与ＭＲＰⅡ紧密衔接可行性,提出了实现这一衔接的初步设想。     

一种基于BP算法学习的小波神经网络

为发展Szu的基于信号表示的小波神经网络,提出一种多输出的小波网络模型,网络隐层采用框架小波函数、输出层采用Sigmoid激励函数,并选用“熵误差函数”以加速网络的学习速度。奇偶判别和混沌时间序列预测例子的实验结果表明了它具有良好的函数逼近能力和推广能力,收敛速度和均方误差均优于相同结构的多层感知器模型。     

多层感知机分类器行为延拓线性分析及其应用

严谨的线性判别函数与判别面的理论，适用于线性阈值（MP模型）神经元分类行为分析。本将此理论扩展到非线性sigmoid神经元，分析了用来解决模式分类问题的、由sigmoid神经元构成的单隐层MLP（多层感知机）的内部行为；并通过一系列近似推理与实验验证，提出了将隐层权重矢量初始值均匀地分布在权重空间的一个圆（超球面）上的方法。针对几个困难的分类问题的实验表明，该方法抓住了MLP分类器内部行为的重要特征，它使MLP分类器跨越了可能存在的学习难点，把学习起点放在达到目标较简便的路径上。此方法在理论上简单直接，应用上方便有效，具有一定的普遍性。     

从受训神经—模糊模型中提取知识

本对用于模式分类、函数逼近、参数估计的多层感知器（MLPs)给出1个清晰的关于内部行为的解释。作以单隐层的MLP为例，论述了关于MLP的内部行为的半线性分析理论。对受训的MLP，将隐层单元的输出分别定义为网络输出的正、负“内部分量”；定义内部分量的连接权重集为给定问题的“内部判别模式”；建立了MLP和模糊集相结合的新模型；分析了MLP的结构为N－2－1和N－H－1，给出权重初始化的方法；提出了1种从受训神经－模糊模型（NFMs)中提取知识的全新的具有实用价值的方法。     

一种神经网络计算器VLSI实现可行性研究

本文以一种新型激光扫描３－Ｄ视觉传播系统中快速求解３－Ｄ坐标值等为例子,展示ＢＰ神经网络的并行分布处理在本质上具有高速度优化及硬件容错能力;以及如何实现基于模拟神经网络的二进制数字映射的无误差操作;进而阐明用模拟ＶＬＳＩ技术实现训练后神经网络芯片的可行性和推广意义。     

小波神经网络研究进展及展望

关于步波分析与人工神经网络结合的研究,近些年来已成为信号处理学科的热点之一,已有大量的研究成果见诸各种学术刊物和会议论文。小波变换具有良好的时频局部性质,神经网络则有自学习功能和良好的容错能力,小波神经网络（ＷＮＮ）由于较好地结合了两者的优点而具有强大的优势。作者较系统地综述了小波神经网络的研究进展,讨论了小波神经网络的主要模型和算法,并就其存在的一些问题,应用与发展趋势进行了探讨。