一种混合型机器学习模型

本文运用多概念获取算法ＨＭＣＡＰ，结合神经网络算法ＦＴＡＲＴ提出了一种新的混合型学习模型ＨＬＭ。在ＨＬＭ中，符号学习与神经网络学习具有结合紧密和转换灵活等特点，并采用了新的竞争学习机制，以样本在实例空间中出现的概率为启发信息修改学习中生成的分类。     

混合型学习系统HMCAP的设计与实现

本文介绍混合型学习系统ＨＭＣＡＰ的设计与实现，该系统将符号学习ＣＡＰ算法的主要思想和ＢＰ神经网络有机结合，以状态在实例空间出现的概念为启发信息，以提供的混合实例集为分类依据，根据用户的要求得到不同精度的结合ＢＰ网的二叉多分类判定树，并具有增量学习能力。本文还给出ＨＭＣＡＰ的实现技术与应用实例。     

一种混合型多概念获取算法HMCAP及其应用

本文提出了一处混合型多概念获取算法的ＨＭＣＡＰ,它将符号学习ＣＡＰ算法的主要和ＢＰ神经网络有机结合,以状态在实例空间出现的概率为启发信息,以提供的混合实例集为分类依据,并具有增量学习能力。ＨＭＣＡＰ所依据的实例集既可具有离散属性又可有连续属性,并且能根据用户的要求得晃同精度的结合ＢＰ网的二叉多分类判定树。     

混合型学习模型HLM中的增量学习算法

混合型学习模型HLM将概念获取算法HMCAP和神经网络算法FTART有机结合，能学习多概念和连续属性，其增量学习算法建立在二叉混合判定树结构和FTART网络的基础上，在给系统增加新的实例时，只需进行一遍增量学习调整原结构，不用重新生成判定树和神经网络，即可提高学习精度，速度快、效率高．本文主要介绍该模型中的增量学习算法．     

混合型多概念获取系统的设计与实现

本文主要描述了一个增量式混合型多概念获取系统ＨＭＣＡＳ，它提出了一个基于概率论的符号学习与神经网络学习相结合的学习算法，能从隶属于某个概念集的实例集中归纳出满足用户精度要求的，以浊合型判定树表示的概念描述。在ＨＭＣＡＳ中，符号学习与神经网络学习具有结合紧密的转换灵活等特点，具有较高的学习效率和较强的归纳能力以及增量学习能力。ＨＭＣＡＳ的神经网络学习可选择ＢＰ网络或ＦＴＡＲＴ网络，其推理机制提供了混     

增量式IHMCAP算法的研究及其应用

增量式ＩＨＭＣＡＰ算法采用适用于混合型学习的ＦＴＡＲＴ神经网络，成功解决了符号学习与神经网络学习精度之间的均衡性问题。该算法还具有较强的增量学习能力，在给系统增加新的示例时，不用重新生成已有判定树和神经网络，只需进行一遍增量学习即可调整原结构以提高学习精度，效率高，速度快。     

一种混合学习算法的研究

提出一种基于模糊逻辑和神经网络的自学习网络模型。该模型通过特定的学习算法训练样本，能自动生成模糊逻辑规则，调节输入、输出变量的隶属函数。同时，提出了一种结合自组织学习和ＢＰ学习的混合学习算法──ＢＰＳＯＭ，这种算法比通常的ＢＰ机学习算法收敛性好，速度快。     

模糊神经网络在时间序列预测中的应用

文中提出了将模糊聚类与梯度算法相结合的一种改进的训练模糊神经网络的混合型算法。模拟结果表明，模糊神经网络可以成功地用于时间序列的预测，模糊神经网络的训练速度与模拟精度都优于传统多层ＢＰ网络。     

前馈神经网络权值学习的复合形法

本文介绍一种新的前馈神经网络的随机学习方法，着重讨论该算法的实现，并讨论了将它和ＢＰ算法相结合，从而得到一种非常实用的神经网络学习算法。     

基于模型逼近度和接受概率的一个变步长快速BP学习算法

本文给出模型逼近度的概念。在此基础上并利用模拟退火法的思想，提出了一个改进的变步长快速ＢＰ学习算法。数据结果表明该算法不仅明显地提高ＢＰ网络的学习收敛速度，而且在一定程度上还能避免陷和局部极小。     

一种混合型多概念获取系统

文章实现混合型多概念获取系统HMCAS(hybrid multi-concept acquisition system).无论在离散值或连续值输入下,HMCAS系统都可以实现增量式教师学习.HMCAS的核心算法HMCAP基于事例空间的概率分布,结合了符号学习和神经网络学习,能够以混合型判定树形式产生概念描述.HMCAS的原型系统已经成功应用于台风预测领域.     

人工神经网络基本原理（1）

本文从神经元的解剖学到种经网络理论的研究作了一个简要的概述，介绍了几种重要的典型网络的模型结构和学习算法。对误差反向传播学习算法进行了详细的推导，给出了采用Ｓ型作用函数的ＢＰ网络具体学习算法，说明了ＢＰ网络学习算法存在的问题。     

基于U－D分解推广卡尔曼滤波的神经网络学习算法

本文针对前馈神经网络ＢＰ算法所存在的收敛速度慢区常遇局部极小值等缺陷，提出一种基于Ｕ－Ｄ分解的渐消记忆推广卡尔曼滤波学习新算法．与ＢＰ和ＥＫＦ学习算法相比，新算法不仅大大加快了学习收敛速度、数值稳定性好，而且需较少的学习次数和隐节点数即可达到更好的学习效果，对初始权值，初始方差阵等参数的选取不敏感，便于工程应用．非线性系统建模与辨识的仿真计算表明，该算法是提高网络学习速度、改善学习效果的一种非常有效的方法．     

混合型神经网络模型算法和应用研究

本文基于实际工业过程的特点，提出了一种带有复杂前馈和反馈的多层混合型反馈型神经网络模型，并具体研究了其学习算法。其有效性得到了说明。     

基于圆形窗口的简单多边形裁剪算法

提出了一种新颖而实用的圆形窗口Ｖ对多边形Ｐ的裁剪算法。它将多边形Ｐ的边视为有向线段，通过引入多边形顶点的入边和出边交点的概念，深入研究了Ｐ被Ｖ裁剪后的区域确定问题，给出了作出Ｐ在Ｖ内部分的定理     

一种模糊规则动态调整BP算法中参数的方法

文中首先对标准的ＢＰ算法进行了分析。然后在此基础上提出了通过模糊规则推理动态调整学习率和动量因子的改进的方法，并通过模糊推理系统实现了ＢＰ算法的模糊控制。最后通过实例将该算法与标准ＢＰ算法和Ｖｏｇｌ改进的算法进行了比较，实验结果表明通过模糊推理来改善神经网络的ＢＰ算法性能是一种很有前途的方法。     

一种基于规则和学习算法设计的电力系统智能PID控制器

提出了一种基于规则和学习算法设计的电力系统智能ＰＩＤ控制器的设计方法。通过对固定参数电力系统ＰＩＤ控制器性能的研究，验证并获得了一些关于电力系统电压和稳定性控制协调与鲁棒性的结论。在此基础上，研制出一种智能ＰＩＤ控制器，它由基于规则的开关控制和基于学习控制的算法组成。在单机无穷大电力系统中应用的非线性仿真表明，这种智能ＰＩＤ控制器满足电力系统电压和稳定性协调控制的要求，且具有较强的鲁棒性。     

基于U－D分解推广卡尔曼滤波的神经网络学习算法

本文针对前馈神经网络ＢＰ算法所存在的收敛速度慢且常遇局部极小值等缺陷，提出一种基于Ｕ－Ｄ分解的渐消记忆推广卡尔曼滤波学习新处法，与ＰＢ和ＥＫＦ学习算法相比，新算法不仅大大加快了学习收敛速度、数据稳定性好，而且需较少的学习次数和隐节点数即可达到更好的学习效果，对初始权值，初始方差阵等参数的选取不敏感，便于工程应用。     

关于BP算法的初步研究

本文提出了两种改进ＢＰ学习算法的方法：常系数法和变系数法，加快了网络的收敛速度，增强了ＢＰ算法的可用性与实用性。     

单机实时系统中的一种混合型实时容错调度算法

目前研究单机实时系统的调度算法文章大多只能调度单一类型的任务。本文在PKSA算法的基础上，建立了一种混合型实时容错模型，提出一种调度算法不仅可以调度有容错需求的周期任务，同时也能够调度无容错需求的周期任务和非周期非实时任务，实现了调度混合型任务的目的。