共查询到19条相似文献,搜索用时 21 毫秒
1.
2.
超级基(HBF)神经网络是高斯RBF神经网络的泛化形式,针对该神经网络文中提出了一种可增加或删除隐含层节点的结构自适应在线学习算法.对于隐含层节点的增加,提出了输入隶属度的概念,并同时考虑网络对输入的映射能力和网络输出偏差给出了隐含层节点增加规则;对于隐含层节点的删除,文中采用归一化的思想计算每个隐含层节点对网络输出的... 相似文献
3.
4.
5.
针对现有智能路由技术无法适用于动态拓扑的不足,提出了一种面向动态拓扑的深度强化学习智能路由技术,通过使用图神经网络近似PPO(Proximal Policy Optimization)强化学习算法中的策略函数与值函数、策略函数输出所有链路的权值、基于链路权值计算最小成本路径的方法,实现了路由智能体对不同网络拓扑的泛化.... 相似文献
6.
7.
一种改进的Elman神经网络模型 总被引:4,自引:0,他引:4
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. 相似文献
8.
刘婉婉 《信息技术与信息化》2021,(1):241-243
神经机器翻译模型主要是在监督环境下学习模型参数,即编码器将源语言编码为连续的向量表示,解码器从这组连续向量表示中解码出目标语言.对于稀缺资源的语言来说,监督学习方法表现得并不理想.虽然迁移学习方法能够缓解上述问题,但是模型泛化能力较弱,得不到期望的译文.本文受迁移学习启发,提出一种无监督的元学习策略来构建翻译模型,将利... 相似文献
9.
针对水声环境和水声信号的特点,提出了一种基于神经网络的声呐盲波束形成算法。该方法利用水声信号的循环平稳特性把波束形成权向量的求解问题转化为阵列接收信号互相关函数的奇异值分解问题;引入一种互相关神经网络求解阵列接收信号相关函数的奇异值,从而减小了运算的代价,可高效实现盲波束形成。提出的改进互耦Hebbian学习规则有效地提高了神经网络权值的更新速度,为问题的实时求解提供了有效的途径。该方法还能抑制噪声和干扰的影响,表现出较强的顽健性。仿真实验验证了算法的正确性。 相似文献
10.
11.
An idea of estimating the direct sequence spread spectrum (DSSS) signal pseudo-noise (PN) sequence is presented. Without the apriority knowledge about the DSSS signal in the non-cooperation condition, we propose a self-organizing feature map (SOFM) neural network algorithm to detect and identify the PN sequence. A non-supervised learning algorithm is proposed according the Kohonen rule in SOFM. The blind algorithm can also estimate the PN sequence in a low signal-to-noise (SNR) and computer simulation demonstrates that the algorithm is effective. Compared with the traditional correlation algorithm based on slip-correlation, the proposed algorithm's bit error rate (BER) and complexity are lower. 相似文献
12.
13.
Extreme learning machine (ELM) and evolutionary ELM (E-ELM) were proposed as a new class of learning algorithm for single-hidden layer feedforward neural network (SLFN). In order to achieve good generalization performance, E-ELM calculates the error on a subset of testing data for parameter optimization. Since E-ELMemploys extra data for validation to avoid the overfitting problem, more samples are needed for model training. In this paper, the cross-validation strategy is proposed to be embedded into the training phase so as to solve the overtraining problem. Based on this new learning structure, two extensions of E-ELM are introduced. Experimental results demonstrate that the proposed algorithms are efficient for image analysis. 相似文献
14.
15.
16.
基于模糊化输入和反转提高神经网络分类性能的方法 总被引:2,自引:1,他引:1
为有效提高神经网络的分类性能,首先提出了一个可处理模糊输入的模糊神经网络结构,然后由模糊输出和非模糊目标输出定义了代价函数,推导出相应的学习算法,并对该模糊神经网络进行反转,提出了模糊化的反转算法.最后,通过计算机仿真实际的模式分类问题,验证了所提出的方法的有效性.实验结果表明,所提出的方法具有学习效率高、分类准确率高、泛化能力高的优点. 相似文献
17.
神经网络研究的关键问题之一是为神经网络提出有效学习算法。利用t-模的伴随蕴涵算子,为基于Max和TG合成的Hopfield网络Max-TGFHNN提供了一种新的学习算法,此处TG是Godelt-模算子。从理论上严格证明了,只要存在连接权矩阵使得任意给定的模式集成为Max-TGFHNN的平衡态集合,则依该学习算法所确定的连接权矩阵(W$)是所有这样的连接权矩阵中的最大者。并用实验验证该学习算法的有效性。 相似文献
18.
误差敏感竞争性学习算法 总被引:2,自引:0,他引:2
本文基于等误差准则提出了一种适用于矢量量化技术的新型码书设计算法。实验表明此算法优于现存算法。为解决初始码书赋值问题,本文提出了自生成自组织神经网络方法。实验表明此算法加速了算法的收敛速度,提高了算法的性能 相似文献
19.
正则化训练的神经网络与粗集理论相结合的股票时间序列数据挖掘技术 总被引:1,自引:0,他引:1
论文提出将正则化神经网络与粗集理论相结合应用于股票时间序列数据库的数据挖掘.首先对时间序列数据库进行预处理,除去高频干扰信号,然后将股票时间序列数据按照收盘价的变化趋势分割成一系列静态模式,每种模式代表股票价格的一种行为趋势(上涨或下跌),把决定各种模式的相关属性组成一系列信息,形成一个适用于粗集方法的信息表.然后使用正则神经网络对信息表进行学习,用粗集理论从正则神经网络所存储的知识中抽取规则,得到的规则可以用于预测时间序列在未来的行为。该方法融合了正则神经网络优良的泛化性能和粗集理论的规则生成能力,实验表明,该方法预测效果比较准确。 相似文献