二进制神经网络分类问题的几何学习算法

分类问题在前向神经网络研究中占有重要位置.本文利用几何方法给出一个二进制神经网络K（≥2）分类问题的新学习算法.算法通过训练点的几何位置与类别分析，建立一个四层前向神经网络，实现网络输入向量分类.本文算法的优点在于:保证学习收敛且收敛速度快于BP算法及已有的其他一些前向网络学习算法;算法可以确定神经网络的结构且能实现精确的向量分类.另外，算法所建神经网络由线性阀值单元组成，神经元突触权值和阀值均为整数，特别适合于集成电路实现.     

神经网络的新型二阶学习算法及其应用

针对BP算法和Karayiannis的二阶学习算法存在的不足,提出多层前向网络的新型二阶学习算法。该算法具有二阶收敛速度,其计算量与通常的递推量小二乘法相当。算法性能分析和仿真应用表明新算法是有效的。     

快速神经网络分类学习算法的研究及其应用

提出了一种快速神经网络分类学习算法FTART2,该算法结合了自适应谐振理论和域理论的优点,学习速度快、归纳能力强、效率高,用UCI机器学习数据库中的两个数据集对FTART2与目前最流行的BP进行比较测试,实验结果表明前者的分类精度与学习速度均优于后者,还将FTART2算法应用于石油地质储层分析领域,取得了很好的效果。     

神经网络的规划学习算法

本文利用二次规划方法，讨论对神经网络训练样本的吸引半径的优化问题，并借用二交规划中的ＲＰＡ算法求该优化解，得到一种新的神经网络基于规划的学习算法，其次，将规划学习算法与现有的几种常见算法进行比较，指出该算法的特点。     

神经网络主动学习的进化算法

1 引言近年来,神经网络的研究取得了很大进展,特别是,为了克服传统的BP学习算法的缺陷,即学习速度慢和人为给定的拓扑结构对特定学习任务的不适应性,而发展的自适应神经网络的增长策略,它通过不断地增长隐节点或子网来满足给定学习任务的复杂性要求。这种神经网络的增长算法不仅克服了人为指定的拓扑结构的困难,而且由于其结构过程所固有的模块化训练特性,也缓解了传统的BP算法训练速度慢的突出问题。由于神经网络训练程度很难把握,许多算法往往过分强调训练结果而牺牲泛化结果,致使网络的过拟合问题严重。为了克服过拟合问题,研究者们采用了多网络合作模型,由于多个网络的平均效应,可以避免单个     

多层神经网络学习算法的研究

本文对多层神经网络的反向传播算法作了简要的分析和讨论,据此提出了一种新的学习算法用以消除多层网络的“迟钝状态”。实验结果表明,这种新算法能够加速学习收敛速度并避免陷入局部极小。     

自反馈神经网络的椭球学习算法

本文讨论自反馈神经网络的学习问题，指出联想记忆的神经网络的学习可以化为某种规划（优化）的问题来解，于是可借用规划数学中发展得成熟的优化技术来解自反馈神经网络的学习问题，文中给出一种称为椭球算法的学习方法，其计算复杂性是多项式型。     

前馈神经网络WAFS学习算法

1.引言前馈神经网络是目前应用最广的一种神经网络,其学习算法是由Rumelhart等人于1986年提出的反向传播(Back Propagation,BP)算法,故这种神经网络也常被称为BP神经网络。人们对前馈神经网络学习算法的研究,以前主要着重对各层之间联接权值优化的研究,如BP算法以     

一种神经网络的快速学习算法及其在图象边缘检测中的应用

本文提出一和中基于Ｋａｌｍａｎ滤波算法的神经网络快速学习算法，经图象边缘检测应用结果表明，该算法对于加快网络学习的收敛性有着显著的成效。     

一种新的神经网络学习算法

通过对人类学习机理和机制的研究,以及对现有ＢＰ神经网络学习算法及其改进的深入分析,本文提出了一种新的学习算法。该学习算法使神经网络学习由纯数学推导向智能化（启发式）学习发展,获取解决问题的最佳结构中神经元数及神经元间的联接数随问题的变化而动态变化,克服了目前神经网络学习算法普遍存在的学习时间长、局部极小小等问题。     

用于神经网络学习推理的可视化工具的实现

本文针对模糊神经网络给出了三种学习算法。介绍了在Ｗｉｎｄｏｗｓ环境下采用面向对象技术开发的可视化工具,可方便地用于模糊神经网络的建模、学习和推理。软件工具虽然对针对模糊神经网络开发的,但也适用于一般神经网络。     

二进神经网络学习算法研究

把二进神经网络对布尔函数映射的学习归结为神经元对学习样本集合的表达。通过对神经元表达能力的分析研究,引入加权距离汉明球的概念,既提高了学习效率也简化了布尔函数实现结构。同时把汉明球及立方体集合覆盖思想等统一在加权汉明距离球覆盖的框架下,另外,还得到旨在提高输出层神经元表达能力的新结果,最后举例说明了此学习策略的可行性与特点,经学习得到的二进神经网络的权系数及阈值皆为整数,易于硬件实现。     

XOR和XNOR门的神经网络

M.L.Bushnell教授在[1]中分别给出了一个XOR和XNOR门的神经网络.本文推广了他的结果,给出了XOR和XNOR门的所有部分对称和全对称神经网络.从而,拓广了神经网络在电路模拟和自动故障模型生成中的应用范围.     

大规模前馈神经网络的一种有效学习算法及其应用

前馈神经网络在复杂系统建模中局限于小型或中等规模的系统，主要原因是：对于大规模问题，现有的神经网络学习算法或者收敛太慢，或者难以收敛．针对这一问题，本文提出一种基于改进的拟牛顿方法的神经网络学习算法该算法内存需要量小，收敛速度快，适合高维神经网络的训练．本文利用该算法训练神经网络建立32输入工业产品质量模型，结果表明了该算法的有效性．     

神经网络BP学习算法动力学分析

研究神经网络BP学习算法与微分动力系统的关系.指出BP学习算法的迭代式与相应的微分动力系统数值解Euler方法在一定条件下等价,且二者在解的渐近性方面是一致的.给出了神经网络BP学习算法与相应的微分动力系统解的存在性、唯一性定理和微分动力系统的零解稳定性定理.从理论上证明了神经网络的学习在一定条件下与微分动力系统的数值方法所得的数值解在渐近意义下是等价的,从而借助于微分动力系统的数值方法可以解决神经网络的学习问题.最后给出了用改进Euler方法训练BP网的例子.     

基于负相关神经网络集成算法及其应用的研究

传统的神经网络集成中各子网络之间的相关性较大,从而影响集成的泛化能力.为此,提出用负相关学习算法来训练神经网络集成,以增加子网络间的差异度,从而提高集成的泛化能力.并将基于负相关学习法的神经网络集成应用于中医舌诊诊断,以肝病病证诊断进行仿真.实验结果表明:基于负相关学习法的神经网络集成比单个子网和传统神经网络集成更能有效地提高其泛化能力.因此,基于负相关神经网络集成算法的研究是可行的、有效的.     

一种神经网络参数扰动算法及其在机械手控制中的应用

基于Ｈｏｐｆｉｅｌｄ型网络的收敛特性和Ｋｉｒｐａｔｒｉｃｋ等的模拟退火算法的思想，提出了一种克服Ｈｏｐｆｉｅｌｄ网络的局部极值问题的网络参数扰动算法，它具有类似ＳＡ算法的随机退火的特性。文中通过大量数字模拟分析了该算法的退火性能。