一种激励函数可调的快速BP算法

本文通过分析激励函数在传统BP算法中的作用，在激励函数中引入了可调参数，在力求保持传统BP算法简洁性的基础上，使其参数动态可调，有效的加快了网络学习的收敛速度。     

BP模型中的激励函数和改进的网络训练法

本文研究了ＢＰ算法激励函数ｆ对收敛速度的影响，得出了陡峭函数收敛快的结论。其次，给出一个逐步增加训练数据以避免局部极小的方法。     

采用变参数激励函数的人工神经网络

隐层神经元采用相同的激励函数会限制网络的非线性表达能力,因此,提出变参数激励函数,在学习中同时调整网络权值和激励函数的参数,增强网络的表达能力。并使用遗传算法与MBP结合的学习算法训练网络,此方法具有全局收敛能力和很高的精度。     

具有混沌激励函数的BP网络算法

该文讨论了BP网络学习过程中的假饱和现象,并给出了一种改进的算法,有效地解决了假饱和的问题。仿真结果表明,该方法不但可以提高网络学习的快速性,而且具有一定的避免权值落入局部极小点的能力,从而提高了网络的收敛精度,同时,该算法还能提高网络的泛化能力。     

多输入Sigmoid激励函数神经网络权值与结构确定法

结合伪逆直接计算得到神经元之间最优权值的方法,提出了一种双阶段自动搜索与确定最优网络结构的算法,克服了原有BP神经网络模型及其学习算法的固有缺陷。以函数逼近为例,计算机数值实验结果显示了算法有效且耗时短,证实了由该算法得到的网络对于多输入函数具有较优良的逼近(学习与校验)性能。     

人工神经网络典型模型的比较研究

人工神经网络是近年来发展起来的一门新兴学科，具有较高的研究价值。介绍了人工神经网络的基本概念，针对人工神经网络在不同的应用领域如何选取问题，对感知器、BP网络、Hopfield网络和ART网络四种人工神经网络模型在优缺点、有无教师方式、学习规则、正反向传播、应用领域等方面进行了比较研究。可利用其特点有针对性地将人工神经网络应用于计算机视觉、图像处理、模式识别、信号处理、智能监控、机器人等不同领域。     

人工神经网络典型模型的比较研究

人工神经网络是近年来发展起来的一门新兴学科,具有较高的研究价值。介绍了人工神经网络的基本概念,针对人工神经网络在不同的应用领域如何选取问题,对感知器、BP网络、Hopfield网络和ART网络四种人工神经网络模型在优缺点、有无教师方式、学习规则、正反向传播、应用领域等方面进行了比较研究。可利用其特点有针对性地将人工神经网络应用于计算机视觉、图像处理、模式识别、信号处理、智能监控、机器人等不同领域。     

基于多层激励函数量子神经网络的字符识别算法

针对不同样本之间存在交叉数据的模式识别问题,将多层激励函数的量子神经网络引入模式识别之中,提出一种基于量子神经网络的模式识别算法。量子神经网络是将神经元与模糊理论相结合的模糊神经系统,由于自身固有的模糊性,它能将决策的不确定性数据合理地分配到各模式中,从而减少模式识别的不确定度,提高模式识别的准确性。本文以英文字母为例,应用量子神经网络模型进行字符识别,通过比较发现量子神经网络除了可以克服BP网络的诸多缺点外,对具有不确定性、两类模式之间存在交叉数据的模式识别问题,有极好的分类效果。仿真结果证明该方法的正确性和有效性。     

基于J、K激励函数最小化方法及电路的设计

提出了一种基于触发器行为的J、K激励函数的最小化方法,并通过同步时序逻辑电路的设计来体现该方法的优越性.     

权值初始化与激励函数调整相结合的学习算法

提出了一种基于独立元分析(ICA)方法的权值初始化方法和动态调整S型激励函数的斜率相结合的神经网络学习算法。该方法利用ICA从输入数据中提取显著的特征信息来初始化输入层到隐含层权值。而且通过使神经网络的输出位于激励函数的活动区域,对隐含层到输出层的权值进行初始化。在学习过程中,再对每个隐单元和输出单元的激励函数的斜率进行自动调整。最后通过计算机仿真实际的基准问题,验证了论文提出的方法的有效性。实验结果表明,所提出的方法能有效地加快多层前向神经网络的训练过程。     

新激活函数下前馈型神经网络及其在天气预报中的应用

本文为提高基于ＢＰ算法的人工神经元网络的学习速度，提出新组合激活函数并取得了显著效果的基础上，又应用于天气预报中，并与基于ＢＰ算法的神经网络（标准和带动量项）以及多自适应性单元的神经元网络进行仿真比较，在预报准确纺和学习速度方面获得了令人比较温度的结果，本模拟程序在Ｔｕｒｂｏ－Ｐａｓｃａｌ／６．０环境下编制，在ＩＢＭ ＰＣ３８６和４８６机器上调试通过并运行。     

基于遗传程序设计优化神经网络激励函数问题研究

近年来数据建模问题在数据挖掘、预测等领域得到广泛应用;神经网络由于其固有的许多优点,已成为解决很多问题的得力工具,对更深入探索非线性等现象起到了重大作用.如何根据问题建立一个好的神经网络是摆在我们面前最棘手的问题.利用遗传程序设计对神经网络激励函数进行优化,实验验证,通过此方法能更快学习到更适合问题解的神经网络.     

基于BP和统计的混合法前馈型神经网络及其应用

为避免ＢＰ算法本身易陷入局部极小值的缺陷，本文将具有新组合激活函数的ＢＰ法与传统的ＢＰ方法（标准和带动量项）分别与统计最优化方法相结合组成混合算法，将他们分别应用于天气预报和贷款之中，并进行了仿真比较，在预报准确率和学习速度方面获得了比较满意的结果．本模拟程序在Ｔｕｒｂｏ－Ｐａｓｃａ／６．０环境下编制，在ＩＢＭＰＣ３８６和４８６机器上调试通过并运行．     

基于组合神经网络模型的函数逼近方法

在通用函数逼近定理基础上,介绍了一种将反向传播神经网络和径向基神经网络模型相接合的组合神经网络模型,并将该模型应用于上海证券指数的预测.仿真实验结果表明,该模型很好地减小了预测值和实际值之间的误差,预测效果也优于普通的反向传播神经网络模型.     

基于范例的神经网络模型

引言 无论采用何种学习算法,神经网络一旦投入使用其性能主要体现在泛化能力上,泛化能力是指训练过的神经网络对测试样本或工作样本作出正确反应的能力,或推广应用能力.没有泛化能力的网络是没有实用价值的,如何将其有效地提高已成为神经网络领域最受关注的问题之一为此,国内外学者开展了大量的研究工作,并提出了诸多方法或措施,     

边坡位移LMD-BP神经网络模型研究

结合局部均值分解LMD(Local mean decomposition)算法和BP神经网络算法,提出一种全新的局部均值分解——BP神经网络位移时序预测模型。通过把实际监测的位移值作为训练样本,利用局部均值分解算法对其进行高度的自适应分解,得到多个生产函数PF(Product function)分量;而后通过BP神经网络模型对每一个PF分量进行预测,再把各个PF分量预测值进行重构累加,即可得到位移的预测值。通过BP神经网络对相关参数进行优化,达到了对于预测精度的改善。将该模型应用到永久船闸高边坡的三个监测点上进行位移时序预测中,结果表明,预测精度较高,具有一定的科学依据,在边坡体位移时序预测领域中具有极大的潜在价值。     

一种优化的RBF神经网络模型用于网络流量预测

采用径向基RBF神经网络对网络流量数据的时间序列进行建模与预测。采用传统的学习算法对RBF网络训练时,对网络流量数据容易出现过拟合现象,提出了自适应量子粒子群优化AQPSO算法,用于训练RBF神经网络的基函数中心和宽度,并结合最小二乘法计算网络权值,改善了RBF神经网络的泛化能力。实验结果表明,采用AQPSO算法获得的RBF神经网络模型具有泛化能力强、稳定性良好的特点,在网络流量预测中有一定的实用价值。     

基于混沌映射的非径向对称基函数的神经网络模型

为提高神经网络模型的预测精度,构建了非径向对称基函数神经网络模型结构。为确定非径向对称基函数神经网络模型参数,采用Ulam-von Neumann映射规则确定混沌变量,利用混沌变量的遍历性获得不同网络结构参数下的最优网络输出,以减少所构建网络模型的实际输出与期望输出的差值,并利用模型输出的误差变化率以决定是否增加新的隐层节点。给出基于混沌映射的非径向对称基函数的网络模型构建步骤。采用基于Mackey-Glass时滞微分方程的混沌时间序列预测问题验证该模型的预测精度,并同其他文献对该序列预测的精度以及所需隐层节点数作对比。比较结果表明,采用该设计模型具有对时间序列预测精度高且所需网络结构规模小等优点。     

基于神经网络的股市预测

本文讨论了有关神经网络用于股市预测方面的问题，包括股市原始数据的预处理、训练样本的确定。提出了适合于描述股市动态特性和时序特性的网络模型及学习算法，并对上海股市作了实际的预测。实验结果表明本文提出的方法是可行的和有效的。     

基于ＨＦＬＡＮＮ自组织多项式网络学习算法

首先提出一种双曲函数型神经网络HFLANN,设计出一类基于HFLANN网络的层次双曲型函数网络HHFLANN,给出了HHFLANN的网络学习算法,使其在用于非线性的拟合中体现了较强的优越性,对于任意的Volterra级数使用HHFLANN网络来逼近是完全可行的,该算法较GMDH算法和SOP算法,具有快速简单的特性,它优于GMDH算法,有规律地选取部分多项式;优于SOP算法,在构造SOP网络不需要太多的中间隐层,从而加快了学习过程,提高了网络的逼近性能,更适合于具有层次结构的应用领域。