神经网的自适应学习准则及其算法

无教师学习的网络具有较强强的自适应学习能力。本文讨论神经网络的自适应学习准则，包括误差平方和准则、相关准则和模糊熵准则，同时给出相应的学习算法。     

神经网的遗传学习算法

遗传算法来自于遗传学和达尔文学说，主要应用于优化问题和规则的获取。它也是一种模拟进化的程序设计方法。在本文提出了神经网的遗传学习算法，通过一个种群进化的例子来说明遗传学习算法的有效性并获得了一些有意义的结果。     

神经网络主动学习的进化算法

1 引言近年来,神经网络的研究取得了很大进展,特别是,为了克服传统的BP学习算法的缺陷,即学习速度慢和人为给定的拓扑结构对特定学习任务的不适应性,而发展的自适应神经网络的增长策略,它通过不断地增长隐节点或子网来满足给定学习任务的复杂性要求。这种神经网络的增长算法不仅克服了人为指定的拓扑结构的困难,而且由于其结构过程所固有的模块化训练特性,也缓解了传统的BP算法训练速度慢的突出问题。由于神经网络训练程度很难把握,许多算法往往过分强调训练结果而牺牲泛化结果,致使网络的过拟合问题严重。为了克服过拟合问题,研究者们采用了多网络合作模型,由于多个网络的平均效应,可以避免单个     

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。     

神经网的提示学习

本文提出了一种新的多层神经网的学习方法。这种学习方法借助提示信息加速学习过程。其次也讨论了如何获取提示信息和如何将提示信息并入学习算法。     

多层神经网络学习算法的研究

本文对多层神经网络的反向传播算法作了简要的分析和讨论,据此提出了一种新的学习算法用以消除多层网络的“迟钝状态”。实验结果表明,这种新算法能够加速学习收敛速度并避免陷入局部极小。     

自反馈神经网络的椭球学习算法

本文讨论自反馈神经网络的学习问题，指出联想记忆的神经网络的学习可以化为某种规划（优化）的问题来解，于是可借用规划数学中发展得成熟的优化技术来解自反馈神经网络的学习问题，文中给出一种称为椭球算法的学习方法，其计算复杂性是多项式型。     

神经网的遗传学习算法

遗传算法（ＧｅｎｅｔｉｃＡｌｇｏｒｉｔｈｍ）来自于遗传学和达尔文学说，主要应用于优化问题和规则的获取。它也是一种模拟进化的程序设计方法。在本文提出了神经网的遗传学习算法，通过一个种群进化的例子来说明遗传学习算法的有效性并获得了一些有意义的结果。     

基于元学习思想的算法选择问题综述

算法选择实际上可视为一种学习任务.鉴于此,首先分析基于元学习思想的算法选择框架;然后从数据集特征和元算法两个角度对基于元学习思想的算法选择方法进行归纳总结;最后分析基于元学习思想的算法选择存在的问题,并指出未来发展方向.     

前馈神经网隐层节点的动态删除法

本文首先针对ＢＰ算法中存在的缺陷对误差函数作了简单的修改，使网络的收敛速度比原来的大大提高，此外本文提提出了一种基于线性回归分析算法来确定隐层节点数。当已训练好的网络具有过多的隐层单元，可以用这种算法来计算隐层节点输出之间的线性相关性，并估计多余隐层单元数目，然后删除这部分多余的节点，就能获得一个合适的网络结构。     

前馈神经网络WAFS学习算法

1.引言前馈神经网络是目前应用最广的一种神经网络,其学习算法是由Rumelhart等人于1986年提出的反向传播(Back Propagation,BP)算法,故这种神经网络也常被称为BP神经网络。人们对前馈神经网络学习算法的研究,以前主要着重对各层之间联接权值优化的研究,如BP算法以     

一种新的神经网络学习算法

通过对人类学习机理和机制的研究,以及对现有ＢＰ神经网络学习算法及其改进的深入分析,本文提出了一种新的学习算法。该学习算法使神经网络学习由纯数学推导向智能化（启发式）学习发展,获取解决问题的最佳结构中神经元数及神经元间的联接数随问题的变化而动态变化,克服了目前神经网络学习算法普遍存在的学习时间长、局部极小小等问题。     

提高BP神经网络学习速度的算法研究

本文在深入分析ＢＰ人工神经网络学习算法的基础上，研究了采用增加动量项，成批训练及综合法来提高ＢＰ网络的学习速度，取得了显著效果。     

RBF网学习的进化优选算法

讨论了用正交最小二乘算法训练ＲＢＦ网的不足之处,然后引入了选择路径的概念,在此基础上,提出了ＲＢＦ网隐层节点选取的进化优选算法,仿真结果表明,在不同的精度要求下,用进化优选算法均能设计出比正交最小二乘算法更小的ＲＢＦ网。     

离散时间细胞神经网络的学习算法

细胞神经网络的应用主要取决于其模板的设计。文章针对离散时间细胞神经网络的应用，通过利用一个随「机并行算法来优化一个目标函数，进而完成了ＤＴＣＮＮ模板的设计，为ＤＴＣＮＮ的设计提供了理论根据。在连通片检测应用中的模拟表明了算地的有效性和正确性。     

人工神经网络的学习算法（1）

人工神经网络可以看作是一种具有学习和自我组织能力的智能机器。最近几年,由于出现了一些强有力的学习算法,大大推动了有关神经网络的理论和应用研究。本文介绍并分析其中几个有代表性的学习算法。     

面向算法选择的元学习研究综述

随着人工智能的快速发展,从可行的算法中选择满足应用需求的算法已经成为各领域亟待解决的关键问题,即算法选择问题。基于元学习的方法是解决算法选择问题的重要途径,被广泛应用于算法选择研究并取得了良好成果。方法通过构建问题特征到候选算法性能的映射模型来选择合适的算法,主要包括提取元特征、计算候选算法性能、构建元数据集以及训练元模型等步骤。首先,阐述基于元学习的算法选择概念和框架,回顾简述相关综述工作;其次,从元特征、元算法和元模型性能指标三方面总结研究进展,对其中典型的方法进行介绍并比较不同类型方法的优缺点和适用范围;然后,概述基于元学习的算法选择在不同学习任务中的应用情况;继而,使用140个分类数据集、9种候选分类算法和5种性能指标开展算法选择实验,对比不同算法选择方法的性能;最后,分析目前存在的挑战和问题,探讨未来的发展方向。     

基于多层学习克隆选择的改进式增量型超限学习机算法

针对增量型超限学习机(incremental extreme learning machine,I-ELM)中大量冗余节点可导致算法学习效率降低,网络结构复杂化等问题,提出基于多层学习(multi-learning)优化克隆选择算法(clone selection algorithm,CSA)的改进式I-ELM.利用Baldwinian learning操作改变抗体信息的搜索范围,结合Lamarckian learning操作提高CSA的搜索能力.改进后的算法能够有效控制I-ELM的隐含层节点数,使网络结构更加紧凑,提高算法精度.仿真结果表明,所提出的基于多层学习克隆选择的增量型核超限学习机(multi-learning clonal selection I-ELMK,MLCSIELMK)算法能够有效简化网络结构,并保持较好的泛化能力,较强的学习能力和在线预测能力.     

基于神经网络的强化学习算法研究

BP神经网络在非线性控制系统中被广泛运用，但作为有导师监督的学习算法，要求批量提供输入输出对神经网络训练，而在一些并不知道最优策略的系统中，这样的输入输出对事先并无法得到，另一方面，强化学习从实际系统学习经验来调整策略，并且是一个逼近最优策略的过程，学习过程并不需要导师的监督。提出了将强化学习与BP神经网络结合的学习算法-RBP模型。该模型的基本思想是通过强化学习控制策略，经过一定周期的学习后再用学到的知识训练神经网络，以使网络逐步收敛到最优状态。最后通过实验验证了该方法的有效性及收敛性。