自寻优OBP学习算法

本文针对多层前馈神经网络中反向误差传播ＢＰ算法的固有缺点，提出了一种新的十分有效的自寻优ＯＢＰ学习算法。ＯＢＰ在每次迭代中都自动选择一个使目标函数函数全局最小的步长，从而极大地改善了网络的收敛速度和收敛稳定性。．     

等离子喷涂过程的BP神经网络自适应控制*

分析了ＢＰ网络辨识器和控制器的常规训练方法存在的不足之处及其限制，提出了一种通过网格辨识器的灵敏度网络反传对象的误差来训练ＢＰ网络控制器的新方法，根据ＢＰ网络放自适应控制的相容性，提出了一种新的ＢＰ网络自适应控制结构，并利用ＢＰ网络辩识器的灵敏度网络训练ＢＰ网络控制器的思想，来调整ＢＰ网络控制器的参数，等离子喷涂过程控制模型的训练研究表明其效果良好。     

一种实用的克服局部极小的BP算法研究

ＢＰ算法由于基神经元输出函数为Ｓｉｇｍｏｉｄ函数，因此是一个非线性优化问题，不可避免地会出现局部极小。本文提供了一种改进的学习算法，提出判断局部极小的规则，然后引入冲量函数，使ＢＰ网络能够通过判断输出节点的输出误差来修改学习率，使误差函数在其梯度方向上出现大的跳跃，从而跳出局部极小。     

人工神经网络基本原理（1）

本文从神经元的解剖学到种经网络理论的研究作了一个简要的概述，介绍了几种重要的典型网络的模型结构和学习算法。对误差反向传播学习算法进行了详细的推导，给出了采用Ｓ型作用函数的ＢＰ网络具体学习算法，说明了ＢＰ网络学习算法存在的问题。     

前馈神经网络以概率1全局收敛的新型混合学习算法NHLA

首先提出变形的ＢＰ算法ＩＢＰ，然后将它与Ｓｏｌｉａ和Ｗｅｔｓ的随机优化算法相结合，提出了新型混合学习算法ＮＨＬＡ。算法具有能以概率１全局收敛于误差函数最小值的性质，从而有效地克服了ＢＰ算法不能保证全局收敛于误差函数最小值的缺点。     

调和的复合BP网络及学习算法

BP算法，本质上是以误差平方和为目标函数，用梯度法求其最小值的算法，除非误差平方和的函数是正定的，否则必然产生局部最小值点，现在的调节方法一种是找到恰当的初始值点，从而跳过局部最小值点，另一种方法是找到能迅速脱离局部最小值点的学习算法,而本文拟从改造BP网络开始，给出了一种更有效的BP网络结构，并提供相应的学习算法。     

多层神经网络BP算法的研究

影响多层神经网络ＢＰ算法学习效率的因素不少。但ＢＰ算法中误差函数不能有效地表征样本学习精度是其中主要的因素之一。本文对ＢＰ算法中的误差函数进行了修正。计算机模拟结果表明这种修正有助于提高学习精度和学习效率。     

BP网络用于心电数据压缩的算法的改进

本文针对ＢＰ网络进行心电数据压缩学习速度慢的问题提出了几项改进措施，形成了新的ＴＰ－ＩＢＰ数据压缩算法，有效改善了ＢＰ网络用于压缩学习速度慢的问题。     

多层前传神经网的广义误差反传训练与模式分类

本文以天然留兰香的组分构成与其品质的关系为例，讨论人工神经元方法用于复杂信息模式分类的问题，提出一种广义的误差反传训练策略，将网络的训练范围从联接权扩大到神经元模型，这种新的训练方法（ＧＢＰ）能提高多层前传网络的学习效率，加快收敛的速率。实际运行的结果表明，所需训练时间仅为普通误差反传（ＢＰ）训练方法的１／１５，并能达到较高的预报精度。     

基于曲面形状误差的多层前向神经网络快速训练

如何显著提高多层前向神经网络训练速度一直是国内外共同关注的一个问题,而解决这个问题的关键在于充分了解导致现有网络训练算法训练效率低的根本原因．文中首先提出了网络输出函数的曲面形状误差和偏移误差的概念,并将指导网络训练的平方和误差分解为这两种误差,进而分析了这两种误差的主要特性,给出了导致现有算法网络训练效率低的主要原因,最后提出了新的网络训练误差模型和具体的网络训练算法．典型实例计算结果表明,与目前常用的网络训练算法相比,该文所提出的算法可显著减少网络训练时间。     

动态过程辨识的一种BP鲁棒算法

针对ＢＰ算法在进行系统辨识时存在着速度慢、非平滑内插、受噪声影响很大、逼近精度不高，特别是对强干扰不具有鲁棒性等问题，提出一种ＢＰ网络的鲁棒算法，该算法直接利用样本点对样本点的分布特征进行估计，并采用带有损失因子的与误差分布有关的二次型能量函数，并用于动态系统辨识。仿真结果表明了算法不仅对白噪声具有鲁棒性，而且对强干扰也具有鲁棒性。     

一种基于回归分析的空间划分方法

针对子空间连通性约束情况下空间对象的局部回归分析问题,本文提出基于最小拟合误差平方和准则的空间划分方法,从一个空间的初始划分开始,按照拟合误差平方和下降的原则调整子空间边界,获得新的空间划分和对应的回归模型,不断迭代直到准则函数收敛。     

径向基网络光度法用于多组分分析

对神经网络在多组分光度法中的应用进行了研究。应用么薇基函数网络和ＢＰ网络，采用紫外光度法同时分析了色氨酸、酷氨酸和苯丙氨酸三元组分；采用速差动力学光度法同时分析了铜、锌、铁混合组分。实验证明，径向基函数网络在所需神经元和、训练时间、预测准确度等方面均明显优于ＢＰ网络算法。该技术和光度法结合有望成为多组分分析的有效选择方法之一。     

一种鲁棒BP算法及其在非线性动态系统辨识中的应用

利用多层前馈神经网络的非线性建模特性，基于动态ＢＰ网络的串并联和并联模型，提出了一种高鲁棒性ＢＰ算法，与传统的ＢＰ算法相比，鲁棒ＢＰ算法有５个优点：（１）适合于非线性动态系统辨识，（２）辨识精度高；（３）不必内插所有训练样本；（４）具有高鲁棒性，能抵制过失误差和量测误差；（５）收敛速度得到了改进，因为错误差样本的影响得到了适度的抑制，把该算法用于非线性动态系统辨识，仿真结果表明此方法是有效的。     

BP网络学习参数的自调整技术及其应用

本文针对ＢＰ网络的局限性,给出一种改进的ＢＰ算法,此处强调在ＢＰ网络的学习过程中,尽量减少必须由ＢＰ学习算法确定的参数个数,同时又不过分地降低网络的计算能力。主要根据样本对在训练过程中误差曲面的情况,动态、系统地调整参数,尽量减少依赖人工干预,提高合理通用?..     

Chebyshev神经网络辨识器

基于逼近论，将一组Ｃｈｅｂｙｓｈｅｖ正交多项式取代ＢＰ网络中的Ｓ型函数，构成一种新的神经网络模型。理论分析和仿真实验表明，该网络可逼近任意非线性系统，且建模容易，收敛速度快，学习次数远远少于ＢＰ网络。     

一种混合学习算法的研究

提出一种基于模糊逻辑和神经网络的自学习网络模型。该模型通过特定的学习算法训练样本，能自动生成模糊逻辑规则，调节输入、输出变量的隶属函数。同时，提出了一种结合自组织学习和ＢＰ学习的混合学习算法──ＢＰＳＯＭ，这种算法比通常的ＢＰ机学习算法收敛性好，速度快。     

采用同伦BP算法进行多层前向网络的训练

本文把同伦论中零点路径跟踪的概念推广到多层前向网络能量函数极小点路径的跟踪，从而提出多层前向网络一种新的训练方法－同伦ＢＰ算法（包括教师同伦和输入同伦），并且分析了其收敛性性质。结合异或问题和由部分信息重建完整信号所作仿真计算，证明此方法在收速度和避免陷入局部极小的能力上均明显地优于常规ＢＰ算法，体现了人类认识事物时所遵循的由简到繁、循序渐进的原则。     

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。     

神经网络分类器的快速构造算法

使用ＢＰ算法训练多层网络的速度很慢而且事先难于确定隐节点和隐层的适当数目。本文提出一个有效的算法，先构造决策树，然后将构造的决策树转换为神经网。文中使用一个全局准则函数控制决策树的增长，它较好地匹配了树的复杂性和训练样本量及错分率界。实验结果，本文的算法比用ＢＰ算法训练多层网络要快，而其分类精度不低于用ＢＰ算法训练的多层神经网。