关于多层感知器的函数逼近能力

给出一个关于多层感知器（ＭＬＰ）连续函数逼近能力更为普遍的新结论，表明ＭＬＰ的函数逼近能力与隐层数目及隐层神经元特性函数的选以关系不大，而主要是决定于ＭＬＰ的支神经元数目。     

讲座:人工神经网络──第二讲 早期的人工神经网络─—感知器(续)

4采用线性函数的前向多层网络感知器在人工神经网络发展的历程中起了不可低估的作用，它为我们指明了前向多层网络的强大功能，然而，它也存在着严重的缺点，最主要的是缺乏一种有效的学习算法。可以说，没有有效学习算法的神经网络，是没有实用的价值。下面讨论的问题的核心是，如何使前向多层网络既保持强大的分类功能，又有一种有效的学习算法。解决的方法是，神经元的功能函数改为连续可微函数：线性函数或非线性函数。这一节讨论，采用线性函数作为功能函数，这时可方便地导出有效的最小二乘学习算法。第三讲将讨论采用非线性函数的前…     

应用感知器进行模式分类

感知器是一种有用的神经网络模型,可以对线性可分的模式进行正确分类。试验结果表明,该网络模型适用于简单的模式分类问题,具有较好的实用性。     

爽层感知器的灵敏度分析

灵敏度分析对于神经网络结构设计具有指导意义,已有的灵敏度分析方法往往针对特定的激活函数,并且对网络输入和权值扰动有严格的限制,该文采用另一种以1-ed^-λx/1_e^-λx型激活函数的倾斜度作为参数的函数形式逼近激活函数,得到一类神经元的统一的灵敏度解析表达式和网络灵敏度计算算法,该方法取消了对输入和权值扰动的限制,可以研究激活函数倾斜度对网络灵敏度的影响。计算机模拟试验证明了此方法的正确性,并且提出了网络结构设计的几条准则。     

讲座：人工神经网络──第二讲 早期的人工种经网络─感知器

讲座：人工神经网络──第二讲　早期的人工种经网络─感知器四川联合大学黄家英成都大学葛一楠ｌｇｌ它神经生理学家的研究表明，人脑的实际神经网络通常具有层次结构，而且神经元间的联接大多属于前因联接。１９５７年心理学家罗森布拉特（Ｆ．Ｒｏｓｅｎｂｌａｔｔ）及...     

单层感知器实现显示译码器

本文在介绍单层感知器基本模型和七段数码显示管显示原理的基础上,介绍了用单层感知器代替七段数码显示管中的显示译码器的方法,并用matlab模拟了整个网络权值的训练过程.     

一种基于神经网络感知器的双足行走机器人稳定性控制方法

本文利用神经网络感知器和安装在机器人脚底的力传感器，测知机器人重心的位置，控制机器人重心在双脚的支撑面内，以使机器人稳定。本文提出的双足行走机器人稳定性控制方案是简单易行的。     

线性分类中基于感知器的子网分析法研究

为解决一层感知器对线性不可分矢量分类的限制,提出了一种基于一隐层感知器神经网络模型的子网分析方法。子网分析法网络构造严格精确但预处理较复杂,适合于低维矢量的分类,不会产生错分。用三维线性不可分矢量验证了这种方法的可行性。     

基于单层感知器的数据挖掘分类的设计和实现

数据挖掘是指从大型数据库或数据仓库中提取人们感兴趣的知识,这些知识是潜在有用信息。分类是数据挖掘重要研究方向之一,其目的就是分析输入数据,通过分析在训练集中的数据表现出来的特性,为每一个类找到一种准确的描述或者模型。怎样用科学合适的方式来解决分类问题,是数据挖掘研究领域的一个热点和难点。通过构造一种单层感知器神经网络的分类方法,对其进行设计分析和仿真实验,用图文并貌的界面形象直观地展示了分类效果,实验表明单层感知器神经网络可有效地进行数据挖掘分类。     

多层感知器的一种快速网络训练法及其应用

从多层感知器原理分析出发,提出一种自适应学习速率因子方法,用于对多层感知器中ＢＰ算法的改进,并将改进算法用于ＸＯＲ问题的学习及某分类器实例样本的学习。仿真结果表明,改进的ＢＰ算法可显著加速网络训练速度,学习过程具有较好的收敛性和较强的鲁棒性。     

基于感知器模型的布尔函数实现

通过对感知器模型的研究,结合数字电路知识,实现了基本逻辑运算,并通过MATLAB验证了感知器能够实现逻辑运算,并能进行正确分类。     

基于感知器模型的布尔函数实现

通过对感知器模型的研究,结合数字电路知识实现了基本逻辑运算,同时用MATLAB验证了感知器能够实现逻辑运算,并能进行正确分类.     

模式线性可分时的一种单层感知器算法

在模式识别时常常需要对模式进行分类,线性可分模式的分类是其中最基本的一种.常用的线性分类算法是LMSE算法,它们在本质上都属于几何分类法,当模式线性可分时,一般都能达到令人满意的效果.然而考虑到LMSE算法并非是最简单和有效的线性分类算法,本文基于神经网络中单层感知器的概念,利用单层感知器可以把输入空间划分成两个区域来进行输入向量分类的特点,提出了在模式线性可分时用神经网络中单层感知器进行模式划分的一种新算法.然后对该线性分类算法的原理和算法过程进行了阐述,最后用MATLAB实现了这种分类算法,并解决了两个不同类型的线性模式的划分问题.     

人工神经网络模型发展及应用综述

人工神经网络与其他学科领域联系日益紧密,人们通过对人工神经网络层结构的探索和改进来解决各个领域的问题.根据人工神经网络相关文献进行分析,综述了人工神经网络算法以及网络模型结构的发展史,根据神经网络的发展介绍了人工神经网络相关概念,其中主要涉及到多层感知器、反向传播神经网络、卷积神经网络以及递归神经网络,描述了卷积神经网...     

递归多层感知器的稳定性分析——LMI方法

递归多层感知器(RMLP)在工程上应用比较多,但对其稳定性的研究还比较少.本文提出一种新的神经网络模型———标准神经网络模型(SNNM),通过状态空间扩展法,将RMLP转化为SNNM,而SNNM的稳定性分析可转化为一组线性矩阵不等式(LMI)的求解,利用Matlab/LMIToolbox求解LMI,从而判定RMLP的Lyapunov稳定性,并考虑非零阈值对稳定性的影响.该方法也适用于其他类型的递归神经网络(RNN)的稳定性分析.     

基于人工神经网络的参数灵敏度分析模型*

通过人工神经网络算法与参数灵敏度分析的结合,找到了一种新的工程系统功能模拟和变化分析方法。神经网络可以有效地解决复杂、非线性系统的功能模拟问题,其传递函数的可微性为参数灵敏度矩阵的求解提供了保证,从而方便寻找系统输入属性与输出属性之间的影响因子。同时,该模型具有良好的扩展性,可以更加全面地考虑系统影响因素。经实例仿真分析表明：该方法在工程分析方面,能够快速找到属性之间的关联程度,得到准确、稳定的分析结果,满足工程分析需求。     

融合卷积神经网络与多层感知器的鞍部识别方法

针对传统鞍部识别方法中特征选择困难及未考虑鞍部与其它地形要素的共生关系等问题,利用深度卷积神经网络的特征自学习性能,提出了一种卷积神经网络与多层感知器相结合的混合模型实现DEM数据中的鞍部要素识别.首先设计改进的卷积神经网络模型自动提取鞍部的深度特征,经过Softmax分类器得到候选鞍部点,再运用多层感知器对候选鞍部点...     

组合神经网络与感知器的合成对数字串中手写体数字序列的识别

本文提出了一种利用信息设计和试验神经网络的结构和作用原理的方法，它包含了字符串中许多正确的识别方法。文中介绍了两个神经网络，它们组合成相连的识别系统。一个是组合的神经网络，另一个是感知器类型的神经网络，由计算机系统模拟来实现。在数字串中，组合系统解决了MNIST数据库提供的数字序列中手写体数字识别问题。对于输入数字串的识别程序，组合神经网络执行中间的数字识别过程。在网络中，基于感知器类型的网络执行最终经选择存储的有限数字串。实验显示，组合系统可以采用MNIST数据库许多正确的数字识别方法，包括数字串的信息。另外，实验还显示，在每个数据库中，组合系统用于MNIST数据库识别方法的无差错率超过5个连续的数字。     

用Scilab实现基于人工神经网络的数据分类

运用人工神经网络中的简单感知器模型和Widrow-Hoff学习法则，借助Scilab具体实现数据分类。通过对数据挖掘中数据分类的一个重要分类方法——人工神经网络方法的研究，证明了人工神经网络在数据分类中具有很大的潜力和优越性。