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。     

基于量子神经网络的电网故障诊断算法

传统的人工智能方法处理电网故障诊断中交叉数据模式识别问题的效果不甚理想。为此,作者提出运用量子神经网络进行故障诊断的算法,借鉴量子力学的相关概念,不断更新各层神经元的连接权以及隐含层各神经元的量子间隔,以达到提高故障诊断容错性的目的。仿真结果表明,在保护动作信息不完备的情况下,该算法的故障判断准确性明显优于传统神经网络。另外,该算法对存在一定错误数据的故障信息也具有良好的识别能力。     

BP神经网络在地下水水质评价中的应用

地下水污染是当前较为严峻的现实问题,地下水水质评价是开发和保护地下水资源的前提,将BP神经网络应用到地下水水质评价中,解决了以往评价方法人为性较大和隶属函数构建不合理等问题。应用实例表明,BP神经网络法训练速度快、精度高,能如实地评价地下水质情况。     

关于激励函数可调的人工神经网络模型的注记

讨论了激励函数可调的人工神经网络模型中激励函数数选择方面存在的问题。     

基于新型智能算法ELM的滑坡变形位移预测

针对采用经典智能算法进行滑坡变形预测时存在学习速度慢、网络结构参数选取复杂等问题,构建了基于新型智能算法ELM(Extreme Learning Machine)的滑坡位移预测模型,采用二值区间搜索算法选定最佳隐层神经元个数和激励函数,并融入数据滚动建模思想,以期提高网络泛化能力和预测精度。以链子崖、古树屋两滑坡体为例,将ELM与经典智能算法LMBP、RBF的预测效果进行对比,算例结果表明:ELM算法具有较高的预测精度,且在网络学习速度等方面优势明显。     

基于深度神经向量机自回归的协同过滤算法

为发掘卷积神经网络在协同过滤预测中的潜力,针对神经自回归模型方法和支持向量机在深度学习中的优势,提出基于深度神经向量机自回归的协同过滤方法。通过将神经网络最后一层的激发函数替换为线性支持向量回归函数的方式,学习基于最小边缘的对数损失。在多个公开数据集上的实验结果表明,该算法在深度神经自回归对协同过滤问题实现较好预测的基础上,线性向量回归函数的使用能更好地提升预测效果。     

基于FPGA的卷积神经网络浮点激励函数实现北大核心CSCD

卷积神经网络因深度学习概念的提出再一次被研究人员所重视.激励函数是卷积神经网络的一个重要组成部分,选取了sigmoid函数作为实验对象.讨论了当前几种可行的逼近方法,最终采用分段四阶多项式拟合sigmoid函数.在FPGA上使用Verilog硬件描述语言设计了并行电路,并采集了数据集进行FPGA与CPU版本caffe库进行运算效率对比.实验结果表明,此种方法误差小效率高,FPGA在深度学习领域有着广阔的应用前景.     

基于Tanh多层函数的量子神经网络算法及其应用的研究

该文提出一种新的改进激励函数的量子神经网络模型。首先为了提高学习速率,在网络权值训练过程中引入了动量项。然后为了有效实现相邻类之间具有覆盖和不确定边界的分类问题,新网络采用区分度更大的双曲正切函数的叠加作为其隐层激励函数。最后将该算法用于字符识别,将双曲正切激励函数的量子神经网络应用于数字、字母和汉字样本的多次实验,并且与原多层激励函数量子神经网络和BP网络的实验效果进行比较,发现改进后量子神经网络不仅具有较高的识别率,而且在样本训练次数上相对原多层激励函数量子神经网络有明显减少。仿真结果证明该方法的优越性。     

基于Neurosystems的蔗糖结晶过程控制系统

神经元网络控制系统在许多领域都有应用,其有多种网络结构和激励函数;根据不同的应用选用不同的网络结构与激励函数.不同的应用实现的软件及硬件平台也各有不同.详细阐述了基于Neurosystems的蔗糖结晶过程控制系统.     

一种定点数权值神经网络的优化方法及其应用

为了使得神经网络的应用符合嵌入式系统快速计算、存储量精简的要求,提出了一种定点数权值神经网络的优化方法。采用精度可调的比例数格式定点数表示神经网络的权值和阈值,用遗传算法对神经网络进行训练,并用最小二乘法对网络的非线性连续节点激励函数进行了线性离散化。将这种优化的神经网络应用于触摸屏校准。实验表明,采用该方法进行触摸屏校准比传统的校准方法具有更高的准确率。