快速和高精度的前馈网络学习算法

本文针对三层前馈网络提出一种全新的学习算法,该法克服了传统ＢＰ算法因用梯度下降和误差逆向传播而拖慢收敛速度及易陷于局部极小的缺点。所提出的算法是代数型的,计算复杂度为多项式阶。文中给出的一个非线笥时间序列训练算例表明：新算法较ＢＰ算法在计算精度和速度方面均有大幅度提高,在网络规模变大时此算法的优点尤为明显。     

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。     

高速多层神经网络硬件实现与限定精度的学习算法研究

本文利用两片神经网络处理芯片ＮＬＸ４２０实现了多层感知机的硬件设计，并针对已实现的硬件环境中进行了限定精度的学习算法研究，给出相应的实验测试结果。     

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。     

有隐层指导的多层前馈网络学习算法研究

采用基于知识的方法对隐层训练加以指导，有效地改善了训练算法的效果，并使隐层节点数可以明确地确定．在增加新模式时，训练不必完全重新开始，使训练时间大为缩减．     

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。     

复数前馈神经网络的全局最优和快速学习算法

提出了一种新型复数前馈神经网络的学习算法。当输入层和隐层之间的权值计算出来后，就可以通过求解线性方程组得到隐层和输出层之间的权值。这些权值是全局最小点。另一方面，本文算法很容易确定全局最小点时隐层神经元的个数。本文算法具有很高的训练精度和学习速度。     

前馈神经网络隐层结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．在分析同类与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用除网络隐结点数的学习算法．数值结果表明本文算法是可行的．     

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。     

函数逼近神经网络的一种快速学习算法

通过分析特学习参数的不同特性，提出一种快速收敛方法，使网络的收敛速度大大提高。通过对多种函数的实验，与不同的网络结构对比，表明此方法具有很强的普遍性。     

神经网比例式学习算法

本文提出一种适用于训练大型BP神经网的学习算法,即比例式学习算法。通过理论分析和计算机模拟结果表明,比例式学习算法学习速度快,是一种可行的学习算法。     

多层前向神经网络的权值平衡算法

对前向多层神经网络BP算法的改进方法作了分析,提出了一种新的改进方法——权值平衡算法,充分发挥各权值对网络训练的作用.仿真结果表明,新算法与基本的BP算法相比明显地提高了网络收敛速度和精度,对适合运用本算法的神经网络结构作了探讨.     

前向多层神经网络模糊自适应算法

本文将模糊集理论与人工神经网络的研究相结合，提出一种模糊自适应ＢＰ算法，用典型异或问题与规模更大的打印机磁泄漏信息识别问题进行计算机模拟表明，该算法可使ＢＰ算法的收敛速度明显提高。此项工作为神经网络与模糊系统相结合探索了一条新的途径。     

Analog VLSI Implementation of Artificial Neural Networks with Supervised On-Chip Learning

Analog VLSI on-chip learning Neural Networks represent a mature technology for a large number of applications involving industrial as well as consumer appliances. This is particularly the case when low power consumption, small size and/or very high speed are required. This approach exploits the computational features of Neural Networks, the implementation efficiency of analog VLSI circuits and the adaptation capabilities of the on-chip learning feedback schema.Many experimental chips and microelectronic implementations have been reported in the literature based on the research carried out over the last few years by several research groups. The author presents and discusses the motivations, the system and circuit issues, the design methodology as well as the limitations of this kind of approach. Attention is focused on supervised learning algorithms because of their reliability and popularity within the neural network research community. In particular, the Back Propagation and Weight Perturbation learning algorithms are introduced and reviewed with respect to their analog VLSI implementation.Finally, the author also reviews and compares the main results reported in the literature, highlighting the efficiency and the reliability of the on-chip implementation of these algorithms.     

RBF神经网络的梯度下降训练方法中的学习步长优化

梯度下降法是训练ＲＢＦ神经网络的一种有效方法。和其他基于下降法的算法一样,ＲＢＦ神经网络的梯度下降训练方法中也存在学习步长的取值问题。本文基于误差能量函数对学习步长的二阶Ｔａｙｌｏｒ展开,构造了一种优化学习步长的方法,进行了较详细的推导：实验表明,本方法可有效地加速梯度下降法的收敛速度、提高其性能。该方法的思想可以用于其他基于下降法的学习步长的优化中。     

基于LabWindows/CVI的人工神经网络BP算法的实现

提出了一种BP学习算法的改进算法，与传统BP算法相比，本算法针对传统BP算法收敛速度较慢的缺点，提出了两点改进：一是选用奇函数作为激励函数；二是改进了学习过程中不随误差变化的误差反向传播因子，并给出了该算法在LabWindows／CVI环境下的实现方法。程序运行表明，本算法使学习速度有了较显著的提高。     

一种动态筛选样本的前向神经网络快速学习算法

从理论上讨论了一类隐含层激励函数满足Mercer条件的前向神经网络学习问题,分析了提高网络学习速度的途径,提出了一种动态筛选样本的前向神经网络快速学习算法。它大大提高了网络学习速度,克服了传统的基于梯度下降的网络学习方法存在的诸多弊端。算法还具有动态确定隐含层神经元数的自构性优点。文中通过具体数值试验验证了上述算法的可行性和优越性。     

基于遗传神经网络的入侵检测方法研究

首先介绍了人工神经网络和遗传算法的基本原理，进行分析后将这两种方法相结合提出一种GABP遗传神经网络算法及其实现过程，并将其应用于入侵检测中，和传统的BP神经网络相比具有较好的效果。