环结构神经网络及其互联想性能

本文提出了一种称为环结构神经网络(LANN)模型及其学习算法。它能像Hopfield网络,双向联想记忆(BAM)网络和其它类似网络一样工作,特别是它能执行多类样本之间的互联想记忆。理论分析和计算机模拟都证明LANN具有很好的收敛性,是一种有效的网络结构。最后本文给出了计算机模拟结果。     

有限环计算的数字式神经网络方法

本文提出一种用于有限环算术的数字式神比网络方法。它采用非对称的数字式神经网络结构，在整个矢量空间上具有唯一的平衡点，因而不存在计算误差。这种方法保持了神经网络的高度并行结构，能够实时完成有限环上的模运算。它还被应用于中国余数定理的实现。     

结构优化的RBF神经网络学习算法

文章提出了一种自动“删减”隐层神经元的ＲＢＦ神经网络学习算法。模拟结果表明，该算法训练的ＲＢＦ网络不仅结构得以优化，同时性能良好，可能成功地应用于模式分类和时间序列预测问题中。     

一种模糊神经网络智能控制器及其应用

本文提出了一种模拟推理神经网络模型，并用于实现模糊控制，在此基础上提出了基于模糊神经网络的自组织控制器和有效的快速Ｋａｌｍａｎ学习算法，经仿真结果和实际温度控制表明，这种新型的自组织控制器性能优于一般Ｆｕｚｚｙ自组织控制器。     

一类学习联想神经网络的动态特性研究

本文讨论了一类联想神经网络在学习过程中结构变化引起网络平衡点状态变化的动态特性；研究了网络的指数稳定性质；分析了联想过程输入激励在噪声干扰情况下，网络的滤波能力；得到了一些对于研究联想神经网络学习性质有用的结论。     

一种序贯学习神经网络及其应用

本语文提出了一种序贯学习神经网络,它主要由有界权值调整规则和网络结构自适应调整规则所组成。该网络具有在保持旧知识的前提下有效地序贯学习新输入样本知识人优点。文中给出这种网络的一种序贯学习算法,详细分析了其学习特性和识别性能。大量的理论分析和实验都证明了网络的有效性。     

BP神经网络的改进算法及其研究

通过分析标准BP算法的原理,可以发现BP标准算法存在着易形成局部极小而非全局最优;训练次数多使得学习效率低,收敛速度慢;隐节点的选取缺乏理论指导;通过在标准BP算法中引入加动量项法来优化BP算法。实验结果表明,该有效地提高了BP算法的迭代次数,减少误差。     

具有非线性突触的BP神经网络模型及其性能分析

本文提出了一种新的ＢＰ网络模型及其相应的算法。这种模型采用具有非线性特性的自适应查表单元来模拟神经元的突触，从而为网络的学习提供了全局最优的收敛特性以及省时的迭代和快速收敛等优点。     

一种改进的Elman神经网络的模型

本文首先详细地阐述了Ｅｌｍａｎ神经网络的结构、原理和学习算法。为了进一步提高Ｅｌｍａｎ神经网络的逼近能力和动态特性，我们提出了一种改进的Ｅｌｍａｎ神经网络模型。这种新的Ｅｌｍａｎ神经网络在关联节点与输出节点之间又增加了一组可调权值，利用误差回馈原理推导出了其相应的学习算法。仿真实验结果表明，改进的Ｅｌｍａｎ神经网络比原来的网络具有更好的动态性能，对于贯序输入输出数据的逼近收敛速度更快。     

一种序贯学习神经网络及其应用

本文提出了一种序贯学习神经网络,它主要由有界权值调整规则和网络结构自适应调整规则所组成。该网络具有在保持旧知识的前提下有效地序贯学习新输入样本知识的优点。文中给出了这种网络的一种序贯学习算法,详细分析了其学习特性和识别性能。大量的理论分析和实验都证明了网络的有效性。     

一个符号神经网络的学习算法

本文首先根据神经科学和认知科学的研究，提出了一种符号神经网络结构，该结构溶符号机制和神经网络于一体，然后在此基础上研究了其学习算法，该算法结合神经网络ＢＰ学习算法和符号机制中学习算法的特点；最后通过实验，证实该算法的可行性和先进性。     

多层前馈神经网络快速学习算法的实现

本文评述优化学习率BP(Back Propagation)算法,给出应用研究中几种常用网络结构的优化学习率的计算公式,讨论与算法实现相关的一些问题.模拟实验结果进一步揭示算法的快速性质.     

ATM-PON自愈环保护结构及其性能分析

随着APON在接入网市场占有率的不断上升,人们对APON接入网的可靠性和灵活性也提出了更高的要求。基于此,在简单比较了现有的几种APON自愈保护机制的基础上,根据ITU-T G983.5建议,探讨了一种类似于SDH自愈环的高可靠性APON网络拓扑结构,详细分析了其APS协议操作过程及实现方案,最后给出了这种方案的性能评价。     

一种基于高维粒子群算法的神经网络结构优化研究

为克服传统BP神经网络在运算过程的不足,提出一种基于高维粒子群算法的神经网络优化方法。通过在高维PSO算法中引入随机变化的加速常数来获得最优权值,对BP神经网络进行优化和训练,再将优化好的高维BP神经网络运用到交通事件自动检测中,通过检测训练算法,并对训练后的数据进行分类测试,把分类测试的结果与传统BP神经网络和经典事件检测算法比较。结果显示,经过优化后的高维粒子群BP神经网络的检测率、算法性能均优于BP神经网络算法和经典算法,其中97,50个测试样本中仅有2个测试样本与应该达到的数值不一致,其他样本都满足测试要求,并且平均优化测试时间是传统BP神经网络检测时间的一半,因此,优化后的BP神经网络算法的性能十分优越。     

BP神经网络学习算法的联合优化

针对ＢＰ网络学习速度的缓慢性,本文提出了一种联合优化后的快速学习算法。其改进具体表现在以下方面：（１）采用Ｃａｕｃｈｙ误差估计器代替传统的ＬＭＳ误差估计器,（２）对常规的Ｓｉｇｍｏｉｄ函数引入形态因子;（２）采用非单调线性搜索法实现学习步长的自适应变化。最后,本文以模式分类,函数逼近和数据压缩的典型应用为例分别与标准ＢＰ常规改进算法进行比较,验证了该算法的优越性。     

一种新的特征结构提取方法及其神经网络实现

本文首先建立了特征结构问题的代价函数表示,通过对代价函数求极小可以求得原始数据协方差矩阵的最大特征向量。为了求得其他特征向量,特构造了一个协方差矩阵序列。为实现对代价函数求极小,可把高阶神经网络引入特征结构提取中。这种方法比较直观,它将网络稳定时的输出与所求协方差矩阵的主特征向量的各个分量相对应。理论分析和计算机仿真均验证了这种方法的正确性。     

一种新的特征结构提取方法及其神经网络实现

本文首先建立了特征结构问题的代价函数表示，通过对代价函数求极小可以求得原始数据协方差矩阵的最大特征向量。为了求得其他特征向量，特构造了一个协方差矩阵序列。为实现对代价函数求极小，可把高阶神经网络引入特征结构提取中。这种方法比较直观，它将网络稳定时的输出与所求协方差矩阵的主特征向量的各个分量相对应。理论分析和计算机仿真均验证了这种方法的正确性。     

一类学习联想神经网络的动态特性研究

本文讨论了一类联想神经网络在学习过程中结构变化引起网络平衡点状态变化的动态特性;研究了网络的指数稳定性质;分析了联想过程中输入激励在噪声干扰情况下,网络的滤波能力;得到了一些对于研究联想神经网络学习性质有用的结论。