一种基于前馈式神经网络的数据挖掘方法

神经网络是目前公认的高精度分类器，尽管其具有结构复杂，网络训练时间长，分类过程难以理解等不足，但其较高的正确率是其他方法所不及的，本文介绍了一种基于前馈式神经网络的数据挖掘的分类方法，并给出了一个例子说明。     

一种前馈神经网络的整体进化方法

一、前言最近十多年来,人工神经网络,尤其是前馈神经网络和BP算法获得了极其广泛的应用。BP(Back Propagation Error)算法是由Werbos在1974年首先提出的,它有效地克服了多层网络无法解决非线性分类问题的缺陷,但在当时并没有引起重视。直到1986年,Rumelhart和McClelland等人对Werbos的算法进行了总结和分析,提出了PDP(并行分布处理)理论,并进一     

前馈神经网络的混沌BP 混合学习算法

简要分析由Logistic映射产生的混沌数以及不同混沌序列之间的概率统计特性，为混沌全局性搜索提供了依据．将一种快速BP算法与混沌优化相结合，提出了混沌BP混合算法，由于混沌Logistic映射的遍历性、随机性，使得混合算法收敛速度快，且具有全局性，采用混合算法对XOR问题和非线性函数进行仿真，结果表明该算法明显优于标准BP算法和快速BP算法。     

用改进的非监督学习方法加速前馈神经网络的训练

本语文对非学习方法和前馈神经网络的结构进行了一些简单的改进,用改进后的结构和学习方法寝化前馈神经网络的权值,使前馈神经网络的训练速度和逼近精度显著提高。最后本语文通过仿真实例验证了该方法。     

前馈多层神经网络的一种高效加速算法

前馈多层神经网络是应用最广泛的一种人工神经网络，在各门学科领域中都具有很重要的实用价值，其学习能力和容错能力对不确定性模式识别问题的求解具有独到之处。前馈多层神经网络所使用的BP算法虽然简单且易于实现,但收敛速度缓慢。因此基于收敛速度及存储空间的考虑，文中着重探讨了一种较实用的BP网络优化算法－向量序列的ε－加速算法，并对相关的收敛性和稳定性作了理论上的分析和研究。实验结果表明这种方法有很好的效果。     

多层前馈神经网络改进算法及其应用

从前馈神经网络原理分析出发，提出一种速率适应因子方法用于对多层前馈神经网络中BP算法的改进，并将改进的算法用于XOR问题的学习及多重XOR分类器问题的学习。仿真结果表明，改进后BP的算法可显著加速网络的学习速度，并且学习过程具有良好的收敛性及较强的鲁棒性。     

前馈神经网络的一种新的学习算法

本文将变尺度法引入到神经网络的学习中。在修改权值时，引入串行修正权值的思想。基于以上两点提出的算法具有收敛速度快、实习精度高等特点。     

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     

前馈神经网络的一种快速学习算法

提出的算法是利用凸函数共轭性质中的Young不等式构造优化目标函数,这个优化目标函数对于权值和隐层输出来说为凸函数,不存在局部最小。首先把隐层输出作为变量进行优化更新,然后快速计算出隐层前后的权值。数值实验表明：此算法简单,收敛速度快,泛化能力强,并大大降低了学习误差。     

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．     

前馈网络的一种超线性收敛BP学习算法

分析传统BP算法存在的缺点,并针对这些缺点提出一种改进的BP学习算法.证明该算法在一定 条件下是超线性收敛的,并且该算法能够克服传统BP算法的某些弊端,算法的计算复杂度与简 单BP算法是同阶的.实验结果说明这种改进的BP算法是高效的、可行的.     

前馈神经网络的一种BP-阿当姆斯学习算法

针对神经网络学习问题,研究将微分方程数值解法--阿当姆斯法用于神经网络的权值修正.考虑BP算法在网络学习初始阶段误差函数下降速度较快,而阿当姆斯算法在网络学习后期具有较高学习精度的特点,给出了前馈神经网络一种BP与Adamas方法相融合的BP-Adamas结合算法.文中对BP算法、Adamas算法和BP-Adamas结合算法的性质进行了对比分析,并以随机模式识别和旋转机械故障自动诊断问题为例验证了算法的有效性.     

前馈神经网络的新算法及其收敛性

从一般前馈神经网络模型出发，构造出一组关于权重的非线性方程组，给出不同于传统ＢＰ算法的新型神经元算法。理论证明了该算法的收敛性，从而避免了ＢＰ算法的局限性。     

前馈神经网络的混沌学习方法研究

采用混沌优化策略，提出一种前馈神经网络权参数的最优学习方案．由于BP算法优化神经网络权参数时存在收敛速度慢、自身参数选取困难、易陷入局部极小等缺陷．采用混沌变量优化神经网络权参数，具有全局性、快速性、并行性的特点．仿真实验表明采用该方案对强非线性问题的逼近具有精度较高、学习较快的优点．     

一种前馈神经网络改进的新型分层算法

本文提出了实三层前馈网络的一种新型学习算法.该算法采用的是分层优化方法,将隐层的非线性神经元线性化,线性化产生的误差通过罚项而受到限制.分层优化使得每一层权值整体优化,而与另一层无关,这样使得整个优化过程更为有效.     

一种训练前馈神经网络的局部线性化最小二乘算法

提出了一种新的训练前馈神经网络的局部线性化最小二乘算法。新算法将整个网络的权值训练看作非线性系统的参数识别，并将非线性系统的全局参数识别转化为一系列局部子系统的参数识别，最终将局部子系统的参数识别转化为线性化的最小二乘问题。     

前馈神经网络BP算法在环保神经网络系统的应用

文章探讨应用反向传播算法建立一个能预测、推理、诊断、分析并确定污染源的生态系统环保神经网络，这种网络是一个具有自适应学习能力的模式识别系统，能从经验中学习适合不同需要的判别函数，是一种有指导的训练。     

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。     

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。     

基于Metropolis准则的BP神经网络学习算法研究

本文针对BP神经网络训练学习过程中，连接权在调整时容易陷入局部极小使得进一步调整失去作用的问题，提出了一种有助于提高BP神经网络逼近精度的方法——基于M!缸。酬逸准则的神经网络学习算法。该算法整体采用传统的BP算法，但在一定条件下依据概率进行连接权的调整，使权值以一定的概率跳跃，跳出局部极小区，最终达到全局极小。仿真结果表明了这一算法的有效性。