提高前馈神经网络泛化能力的新算法

利用神经网络撮以合噪数据的特征时，如何提高泛化能力是亟需解决的重要问题。通常的解决方法是通过结构优化和正则化来控网络的复杂性。本文从熵函数的概念出发，提出一项新的加性征罚因子消除过训练现象，从而有效的提高网络的泛化能力。     

前馈型神经网络容错性研究的现状和展望

本文首先明确具体地给出了前馈型神经网络容错性的基本概念及其研究内容，进而系统地对前馈网络容错性研究的各种分析和设计方法进行了简要的介绍和评述，最后提出了前馈网络容错性有待进一步研究的若干主要问题。     

关于前馈多层神经网络多维函数逼近能力的一个定理

本文首次证明了前馈神经网络多维函数逼近能力的一个重要定理，当隐层神经数目足够多时，其多维函数逼近能力与维数无关，也就是说我们只需研究其一维函数逼近能力，所得的结论完全适合于多维情形，该定量大大简化了前馈多层神经网络函数逼近问题的分析难度，本文还给出了该定理的一个应用。     

前馈神经网络的代价函数全局最小值分析

本文首次从理论上给出了三层前馈神经网络代价函数全局最小值的计算公式.这一计算公式在网络训练之前就可根据已知的目标样本和隐层神经元个数来确定网络代价函数的全局最小值.并指出代价函数全局最小值髓隐层神经元个数的增加而单调减小.当隐层神经元个数不小于样本个数时,网络的代价函数全局最小值将等于零.     

一种前馈神经网络的快速学习算法

本文提出一种前馈神经网络的快速学习算法。与传统的BP方法相比,本算法有两个改进之处,一是同时将网络的非线性输出误差与线性输出误差作为待优化的目标函数,二是改进了学习过程中误差的反向传播因子。仿真结果表明,使用本文的算法训练前馈神经网络,计算复杂度略高于BP算法,但学习速度却有显著的提高。     

前馈神经网络的一种有效学习算法

本文提出了基于混合ＧＮ－ＢＦＧＳ法进行前馈神经网络学习的新算法，该算法结合ＧＮ法与ＢＦＧＳ法的特点，既利用了问题本身的特殊结构，又能取得超线性甚至二次渐近收敛率。与ＢＰ算法相比，这种算法可取得更快和更可靠的学习特性，在学习过程中利用该方法能够区分非零残量和零残量问题的特点，提出了自动调整隐单元数的方法，从而可以保证网络学习与归纳能力，示例系统的结果表明了所提方法的有效性。     

前馈神经网络的股票实证分析

本文采用金融时间序列分析中著名的非参数方法——前馈神经网络(feed-forward nnet)对沪市的中国联通(600050)和美国通用电气股票(GE)的收益率数据进行分析,建立模型,作预测,并给出GARCH此著名的条件异方差模型的估计结果作为参照。由分析结果来看神经网络的应用可行性。     

前馈型神经网络中隐藏层神经元的研究

本文采用前馈型神经网络及BP算法对3种飞机模型的复合畸变不变性识别进行了研究。结合以前用级联神经网络及聚类编码方法对同一问题的研究结果,对神经网络的隐藏层神经元的个数及其对识别率及权重训练的影响进行了研究,提出了减少隐藏层神经元的一种方法,以简化识别网络的结构。     

前馈型神经网络容错性研究的现状和展望

本文首先明确具体地给出了前馈型神经网络(以下简称前馈网络)容错性的基本概念及其研究内容,进而系统地对前馈网络容错性研究的各种分析和设计方法进行了简要的介绍和评述。最后提出了前馈网络容错性有待进一步研究的若干主要问题。     

关于前馈多层神经网络多维函数逼近能力的一个定理

本文首次证明了前馈神经网络多维函数逼近能力的一个重要定理:当隐层神经元数目足够多时,其多维函数逼近能力与维数无关.也就是说我们只需研究其一维函数逼近能力,所得的结论完全适合于多维情形,该定理大大简化了前馈多层神经网络函数逼近问题的分析难度。本文还给出了该定理的一个应用。     

具有神经网络前馈控制器的污水处理模糊控制系统设计

为解决污水处理过程中非线性、大时滞及干扰严重的问题,提出一种将模糊控制器和前馈控制器相接合的控制方法。其中在建立前馈控制器时,提出了使用神经网络建立前馈控制器的新方法。使用这种方法建立前馈控制器无需建立控制系统控制通道和干扰通道的数学模型,也不要求干扰是可以测量的。在MATLAB环境下对控制系统进行仿真,结果表明,将模糊控制和前馈控制结合可以有效克服干扰,提高系统的稳态精度;基于神经网络的前馈控制器可以有效补偿污水处理过程中的干扰,具有实际意义。     

前馈神经网络隐层结构点设计的一个学习算法

考虑三层前馈神经网络隐结点学习问题。在分析同类民不同类训练样本在隐层输出上体现的差异的基础上，提出了一种在权值学习过程中动态地删除网络隐结点数的学习算法。数值结果表明本文算法法可行的。     

基于神经网络的雷达抗干扰方法综述

针对目前雷达抗干扰方法存在的局限性,提出了将神经网络技术应用于雷达抗干扰的研究思路。首先介绍了在雷达抗干扰领域应用比较成功的3种神经网络模型:BP网络、RBF网络和Kohonen网络;然后概括了神经网络应用于雷达抗干扰的3种主要途径:神经网络用于建模、用于特征提取和用于分类;最后对下一步的研究进行了总结与展望,分析了神经网络与其他技术相结合在雷达抗干扰中的应用前景。     

静态前馈型网络的监督学习方法研究进展

本文从四个方面综述近年来用于前馈型网络的监督学习方法,即:1.对经典反向传播法的改进和变型;2.用于训练多层感知器的其它学习方法;3.其它前馈型网络模型和监督学习模型;4.具有复杂结构的各种模型.     

一种提高神经网络集成系统泛化能力的方法

为了充分利用神经网络的原始训练数据,提高神经网络集成系统的泛化能力,提出了一种有效的神经网络集成方法.通过在训练样本上加入一定量的噪声,增大训练样本集,使得不同的个体网络在不同的训练样本上训练,在提高个体网络精度的同时,增加了集成中个体网络的差异度.实验结果表明,该方法能有效的提高神经网络集成系统的泛化能力与计算精度.     

能量匹配准则下的前馈神经网络盲均衡

针对前馈神经网络盲均衡权系数随机初始化对接收信号能量的影响,利用能量匹配准则对前馈神经网络盲均衡算法的代价函数进行了修正,使算法在收敛过程中保证输入输出信号能量趋于一致,满足盲均衡实现的充要条件的前提成立,同时在修正代价函数下的前馈神经网络盲均衡算法具有更快的收敛速度,加强了算法的稳健性.计算机仿真证明修正代价函数的利用有效提高了前馈神经网络盲均衡的均衡性能.     

改进的非线性最小二乘算法训练多层前馈神经网络

本文通过在普通非线性最小二乘算法的准则函数中加一个正则项，推导出一种改进的非线性最小二乘算法，包括地的批处理形式和递推形式，使用该算法的递推形式训练多层前馈神经网络能克服病态，减少计算量和内存占用量，文中给出的仿真结果说明该算法具有比常的ＢＰ算法更好的收敛性能。     

用前馈神经网络进行带噪声信号的去噪声建模

本文提出了一种用前馈神经网络对带噪声样本的去噪声建模的实验方法,能获得合适的网络模型,并具有较好的去噪声能力。实验对比ＢＰ网络和ＲＢＦ网络去噪声能力上的差别,结果表明,ＲＢＦ网络去噪声能力优于ＢＰ网络。这一结论已被用于为半导体生产工艺控制参数优化的去噪声建模中。     

基于正交小波变换的前馈神经网络盲均衡算法

针对前馈神经网络（FNN）盲均衡算法收敛速度慢、均方误差大的缺点,在分析FNN盲均衡算法和正交小波变换（OWT）理论的基础上,提出了基于正交小波变换的FNN盲均衡算法。该算法利用正交小波变换良好的去相关性,对FNN均衡器输入信号进行预处理后,降低了输入信号的自相关性,从而加快了收敛速度和减小了均方误差。水声信道盲均衡的仿真结果表明,该算法在收敛速度与均方误差方面的性能比FNN盲均衡算法优越。