一种前馈神经网络基于U－D分解渐消记忆滤波的学习方法

针对前馈网络ＢＰ算法所存在的收敛速度慢且常遇局部极小值等缺陷，提出一种基于Ｕ－Ｄ分解的渐消记忆推广卡尔曼滤波学习新方法，与ＥＫＦ相比，不仅大大加快了学习收敛速度、数值稳定性好，而且比ＢＰ算法需较少的学习次数和隐节点数仍可达到更好的学习效果。仿真计算表明，该方法是提高网络学习速度、改善学习效果的一种有效方法，可有效解决非线性系统建模、辨识与控制问题。     

基于前馈式神经网络的化工设备维修决策

基于前馈式神经网络模型，提出了一种新的化工设备维修决策方法，根据设备的各种状态因素，判断出设备应用属维修等级，制定相应维修策略，数值模拟表明，此法具有高效性，准确性和智能性。     

基于渐消滤波的神经网络优化算法及其应用

针对BP神经网络在训练过程中易陷入局部极小值的问题,提出一种新的基于渐消滤波的神经网络学习算法。该算法采用渐消卡尔曼滤波对神经网络的权值进行更新,有效避免了梯度下降算法产生的局部极小问题;与卡尔曼滤波相比,在渐消滤波中充分考虑了最新量测值的影响,能更合理地利用新的有效信息,从而提高了学习算法的收敛速度。学习后的网络不仅具有普通神经网络的自主学习能力,而且具有渐消滤波的最优估计性能。将提出的神经网络算法应用于SINS/BDS组合导航系统进行仿真验证。结果表明,提出的算法在逼近精度方面优于BP算法和卡尔曼滤波算法,可以有效提高神经网络的泛化能力。     

前馈神经网络的一个新的快速学习方法

通过分析前馈神经网络中各层权系数与误差能量之间的关系,在服从最小扰动原理下,本文提出了一个新的学习方法。该方法将网络训练问题变换为一系列的凸规划子问题,而这些子问题都可以在较短时间内获得全局最优解。文中给出的计算结果表明该方法很有发展前景。     

前馈式神经网络的最小二乘学习算法

通过对Sigmoid函数求逆，把非线性极值问题转化为线性方程组来处理，巧妙地避开了梯度，从而可以克服BP算法的一些缺点，提高了算法的收敛速度．同时采用最小二乘法来求解方程组，进一步提高了收敛速度．算法的计算过程为每次处理一个节点的所有前一层连接权，轮换处理，直到收敛到最小点．     

基于遗传LM算法的前馈神经网络优化训练

本文采用遗传学习算法和LM（Levenberg-Decquardt)算法相结合的混合算法来训练前馈人工神经网络(Feed Forward Network)，即先用遗传学习算法进行全局寻优，再用LM算法进行精确训练，使网络避免局部极小并加快网络的收敛速度。     

一种快速有效的神经网络新算法

基于输出层函数为线性函数的层前馈神经网络,结合自适应步长和动量解耦的伪牛顿算法及迭代最小二乘法导出了一种混合算法。伪真证明该混合算法自适应能力强,计算量小,收敛速度快,是一种有效的工程实用算法。     

一种高效二进前馈神经网络学习算法

为解决二进前馈神经网络(BFNN)缺乏高效实用学习算法的问题,提出一种新的融合自适应调节结构和权值的BFNN学习算法.该算法借鉴并改进了极限学习机(ELM)方法,可以高效地训练单隐层的BFNN来解决分类问题.为了满足网络的训练精度,算法可以自动增加隐层神经元个数和调节网络隐层及输出层神经元权值;同时为了提高网络的泛化精度,算法通过建立二进神经元敏感性作为度量隐层神经元重要性的尺度,自动地裁剪重要性小的神经元,并对裁剪损失的信息进行补偿.实验结果验证了该算法在处理离散分类问题时的可行性和有效性.     

一种U—D分解自适应推广卡尔曼滤波及应用

为了改善自适应卡尔曼滤波的数值稳定性和计算效率,防止滤波发散,本文在自适应推广卡尔曼滤波的基础上,利用U-D分解滤波,提出一种U-D分解自适应推广卡尔曼滤波新算法,并把该算法应用于飞行状态估计问題,仿真及实际飞行数据计算结果证明了本文方法的有效性.     

一种基于神经网络的学习控制方法

提出一种新的基于神经网络的增强式学习控制方法．学习控制器包括系统性能的评估部分及由性能评估提供的增强信号引导下进行学习的神经网络部分．模拟及物理实验结果表明，此方法具有学习速度快，适应性强，通用性好等特点．     

提高前馈神经网络学习效率的学习算法探讨

简要分析了最速下降法（Ｓｔｅｅｐｅｓｔ Ｄｅｓｃｅｎｔ Ａｌｇｏｒｉｔｈｍ ,即ＳＤＡ 法）和正交校正共轭梯度法（ＣＧＭ－ＯＣ法）的优缺点,提出了一种进行多层前馈神经网络学习的新算法,即ＳＤ－ＣＧＭ－ＯＣ算法．该算法结合最速下降法与正交校正共轭梯度法的特点,在文中所述实际问题构造模型的基础上,论证了ＳＤ－ＣＧＭ－ＯＣ算法比传统的ＢＰ算法具有更高的学习效率和二次收敛率．实验结果验证了该学习算法的有效性．     

一种组合式异联想记忆神经网络

提出了一种用于异联想记忆的人工神经网络模型—组合式异联想记忆神经网络,给出了相应的算法．计算机实验结果表明,该模型总连接权重数目较少,易于实现内外存交换,具有较好的应用前景．     

一种新型的混沌BP混合学习算法

将一种新的快速BP(FBP)算法和混沌优化相结合，提出了混沌BP算法(CBP算法)．FBP算法吸收了误差函数的非线性信息，大大加快了BP算法的收敛速度，但它仍然采用梯度下降法，不可避免地存在局部极小的缺陷．混沌动力学具有遍历性、随机性的特点．能在一定范围内按其自身规律不重复地遍历所有状态，将混沌优化搜索引入FBP算法中，形成一种新型的混沌BP算法．它既能较快地局部收敛，又能全局收敛，避免了陷入局部极小的可能性．CBP算法为多层前馈网络的全局性收敛学习提供了一种有效的方法．     

一种BP神经网络的学习算法及其改进

本文详细推导了典型ＢＰ神经网络学习算法,并给出了一种基于动量和学习速率自适应调整的虎法。仿真结果表明,改进算法的学习速度和收敛性得到了明显的提高。     

非线性多元回归分析的神经网络方法

提出了利用前馈神经网络进行非线性多元回归分析的方法,该方法能有效解决传统多元回归分析难以解决的非线性多元回归问题;并提出了进行非线性多元回归分析的BP改进算法,通过实例验证了其有效性.     

前馈式神经网络的最小二乘学习算法

通过对 Sigmoid 函数求逆,把非线性极值问题转化为线性方程组来处理,巧妙地避开了梯度,从而可以克服 BP 算法的一些缺点,提高了算法的收敛速度.同时采用最小二乘法来求解方程组,进一步提高了收敛速度.算法的计算过程为每次处理一个节点的所有前一层连接权,轮换处理,直到收敛到最小点.     

一种用于模式识别的新型神经网络模型

双向联想记忆（BAM）网络和BP网络是两种重要的神经网络模型，研究结果表明将BAM网络的输入用40％的噪声污染，这种网络仍然可以实现正确联想，另一方面BAM网络有一个严重的缺点就是它无法实现数据压缩，而BP网络却恰恰能够很好地实现数据压缩，但它的容错性不好。本文同时从识别率和节省存储空间两方面出发，提出了一种BAM-BP神经网络模型。该模型具有容错性好、识别率高、简单等优点。     

基于前馈神经网络的人工嗅觉系统

从分析气体传感器的“交叉敏”行性出发,提出了将气体传感器阵列与前馈神经网络的相结合,形成人工嗅觉系统,用于气体的定性、定量分析;构造了前馈神经网络的结构和基于递推预报误差（RPE）的网络训练算法;优选了用于识别CO、H2、CH4三种气体的传感器阵列;建立了用于气体分析的实验条件,并通过实验验证了前馈神经网络用于气体识别的可行性。     

基于粒子滤波的神经网络学习算法

为了克服一般神经网络学习方法易陷入局部极小值的缺陷,提出一种新的基于粒子滤波的神经网络学习算法.采用无迹卡尔曼滤波(Unscented Kalman Filter,UKF)产生粒子,以较少的粒子逼近状态的后验概率分布,搜索到经验风险函数的最小值.此方法适用于在线的、非线性的、非高斯的神经网络学习.仿真结果表明,该学习方法与同类方法相比,性能明显提高.     

一种采用神经网络的智能控制算法

本文基于Ａｄａｌｉｎｅ神经网络，讨论了一种采用神经网络的智能控制法，该算法用了一个二层网络代替传统控制器或专家控制器，用改进的ＢＰ算法求网络的参数，仿真结果表明，采用该控制算法的控制系统具有良好的响应特性。