基于神经网络的范例推理

目前对于基于范例推理的研究越来越受到人们的重视。本文探讨用神经网络来实现范例推理系统,用此方法建造一个高效的范例推理系统,并给出了一些算法。     

基于神经网络的专家系统可视化研究

文章介绍了神经网络专家系统的基本概念及其特点，进而提出了基于神经网络技术的专家系统的可视化方案。     

一种用于视觉模式识别并能自学习和推理的神经网络

本文提出一种用于模式识别，并具有逻辑推理及自学习能力的神经网络模型。该模型是自适应揄网络（ＡＩＮＥＴ）属于一种前馈式神经网络，它由两种类型的连接组成，可通过反向传播算法进行训练。该模型有四个主要特征；逻辑推进能力、通过自学习采集知识、利用专家知识改善用结果解释能力。本文首先描述网络的结构和性能、自学习的方法和其它特征，然后再介绍使用该神经网络的一种复合型图象识别模型。该模型由两个阶段组成；特征抽取     

用神经网络来实现基于范例的推理系统

范例推理与神经网络有一种自然的联系，神经网络有许多优点，利用神经网络来实现范例推理可以取得非常好的效果。文章首先详细探讨了在范你推理中使用的神经网络模型与技术，并给出了其上的搜索与学习算法以及数据挖掘算法，旨在提高范例推理系统的鲁棒性和知识获取的自动化程度。     

基于神经网络的范例推理

目前对于基于范例推理的研究越来越受到人们的重视.本文探讨用神经网络来实现范例推理系统,用此方法建造一个高效的范例推理系统,并给出了一些算法.     

可视化推理工具的运用——"公路安全"课程案例

本文通过介绍以色列一节小学六年级名为"公路安全"的课,简要介绍了可视化推理工具的使用,并在这个基础上探讨如何更好地将技术与教学整合,改变学习氛围,促使学生进行自我探究的学习。     

自适应神经网络学习方法研究

本文从连接权值、网络的拓扑结构、网络的学习参数以及神经元的激活特性等不同方面分别讨论了人工神经网络的学习问题，并就当前流行的ＢＰ模型提出了具体实现方法。实验表明，这些方法对于加快网络的收敛速度，优化网络的拓扑结构等方面有着显著成效，本文所述内容为ＡＮＮ学习算法的改进与设计提供了示例，途径和思想总结。     

神经网络自适应学习系统

本文简要介绍人工神经网络自适应学习系统（ANNALS)的结构。在ANNALS的支撑下，既能自动获取网络参数，又可以方便自如地对各种作本数据进行聚类分析。     

BP神经网络中自适应学习率的研究

l引言~[1] 图1是一个典型的三层神经网络BP算铸示意图.Z是输入向量,Y是隐层输出向量0是网络输出向量,V及W分别为层间权向量。逆传播(Backprop-     

二进制神经网络分类问题的几何学习算法

分类问题在前向神经网络研究中占有重要位置.本文利用几何方法给出一个二进制神经网络K（≥2）分类问题的新学习算法.算法通过训练点的几何位置与类别分析，建立一个四层前向神经网络，实现网络输入向量分类.本文算法的优点在于:保证学习收敛且收敛速度快于BP算法及已有的其他一些前向网络学习算法;算法可以确定神经网络的结构且能实现精确的向量分类.另外，算法所建神经网络由线性阀值单元组成，神经元突触权值和阀值均为整数，特别适合于集成电路实现.     

二进制映射神经网络的几何学习算法及其应用

提出一种一般二进制映射问题的前馈网络学习算法.给出一种求解超平面以几何分割训练点的新方法,不仅相应地构造了隐层神经网络,而且使得只需再构造一个输出层网络便可实现训练样本所描述的映射.该算法在学习收敛速度方面优于BP算法和SC算法,对样本数据的分布和密集程度变化适应性强,具有较好的容错能力.     

神经网络的规划学习算法

本文利用二次规划方法，讨论对神经网络训练样本的吸引半径的优化问题，并借用二交规划中的ＲＰＡ算法求该优化解，得到一种新的神经网络基于规划的学习算法，其次，将规划学习算法与现有的几种常见算法进行比较，指出该算法的特点。     

一种神经网络的快速学习算法及其在图象边缘检测中的应用

本文提出一和中基于Ｋａｌｍａｎ滤波算法的神经网络快速学习算法，经图象边缘检测应用结果表明，该算法对于加快网络学习的收敛性有着显著的成效。     

利用神经网络发现分类规则

神经网络是目前公认的高精度分类器,但它的分类过程却令人难以理解,被称为“黑箱”,从而降低了它的可信度,且使其结果不易应用到其它相关领域。本文提出应用决策树模拟神经网络的隐节点和输出节点的决策过程的思想,在分类精度基本不变的前提下,将训练后的前馈神经网络利用遗传算法进行剪枝,再将其转换为含有若干棵树的森林结构,然后将每棵树看作一个分类器,利用决策树模拟每个分类器的分类过程,最后将决策树结构转化为若干     

网络故障交叉撕裂的神经元网络诊断法

本文介绍一种子网络级故障交叉撕裂的搜索的神经元网络诊断方法,文中首先介绍了交叉撕裂准则,然后探讨如何和神经元网络进行子网络级故障诊断 ,最后给出诊断示例。     

神经网络BP学习算法动力学分析

研究神经网络BP学习算法与微分动力系统的关系.指出BP学习算法的迭代式与相应的微分动力系统数值解Euler方法在一定条件下等价,且二者在解的渐近性方面是一致的.给出了神经网络BP学习算法与相应的微分动力系统解的存在性、唯一性定理和微分动力系统的零解稳定性定理.从理论上证明了神经网络的学习在一定条件下与微分动力系统的数值方法所得的数值解在渐近意义下是等价的,从而借助于微分动力系统的数值方法可以解决神经网络的学习问题.最后给出了用改进Euler方法训练BP网的例子.     

基于粒子群优化的BP网络学习算法

本文提出一种新颖的基于粒子群优化的BP网络学习算法，该算法是一种全局随机优化算法。用Iris分类问题，将所提出的算法与BP算法作了对比实验。实验结果表明：所提出的算法性能优于BP算法，而且具有良好的收敛性。     

一种神经网络学习过程的数学描述

本文试图用神经网络学习的数学理论，以一个统一的方式看待，处理不同神经网络结构的学习过程。根据该理论，学习过程就是由随机信息源产生的输入信号驱动神经网络参数不断修改的过程，神经系统的自适应和自组织就是神经系统不断修改其行为以适应外部环境的变化。     

基于梯度动力学的协同神经网络学习算法的改进

本文在研究协同神经网络梯度动力学过程的基础上,针对学习过程收敛速度缓慢的缺点,提出了一种改进的基于梯度动力学的协同神经网络学习算法。该算法分析了非平衡注意参数对学习过程的影响,简化了初始伴随向量的选取;并引入最优化理论,将该问题归结为求解非线性最优化问题,用共轭梯度法代替梯度下降法,加快了学习过程的收敛。通过对汉字图像库和人脸图像库的图像识别实验,表明该算法较之其他学习算法有较高的识别率,并能较快的收敛到极小值。