小世界人工神经网络模型及其应用研究

关于优化神经网络模型的快速性和精度,为了寻找最优的神经网络结构,在复杂网络的研究方法对多层前向神经网络模型的基础上,提出一种在层次结构上处于规则型到随机型神经网络过渡的中间网络模型-NW型多层前向小世界人工神经网络模型.利用对多层前向规则神经网络中神经元以某一概率p随机化向后层跨层连接,构建新的神经网络模型,然后将不同跨层概率下的小世界人工神经网络应用于函数逼近.在设定精度相同情况下对不同概率下的收敛次数做比较,仿真发现随机化加边概率p处于p =0.08附近时的小世界人工神经网络比同规模的规则网络和随机网络具有更好的收敛速度,实验证实采用NW型小世界多层前向人工神经网络模型,在精度和收敛速度上均得到提高.     

基于MATLAB的BP神经网络在猪等级评定中的应用研究*

为了客观评估猪肉各项指标和猪肉等级,采用MATLAB神经网络工具箱中的BP人工神经网络,利用猪胴体图像特征参数和活体猪图像特征参数建立BP神经网络模型。分别用猪胴体图像特征参数样本60个和活体猪图像特征参数样本80个进行了网络训练,并采用不同的BP神经网络隐含层的传递函数和隐含层神经元数量,得到 BP神经网络模型。通过仿真,将仿真结果与人工评估结果进行对比,结果表明BP人工神经网络模型可以评估猪肉各项指标和等级识别。在猪肉胴体图像特征指标下评价猪肉等级准确率达到98%,在活体猪图像特征参数评价猪肉等级准确率达到80%。说明猪肉胴体图像特征比活体猪图像特征参数更能代表猪肉质量品质也符合客观现实;同时也表明MATLAB神经网络工具箱中的BP人工神经网络可以应用在猪的等级评定中。     

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,描述了卷积神经网络发展当中出现的部分卷积神经网络模型和递归神经网络中常用的相关网络结构,分别综述了各个人工神经网络算法在相关领域的应用情况,总结了人工神经网络的未来发展方向。     

脉冲响应神经网络的构建

为解决传统人工神经网络在处理输入与输出时具有时滞效应和时间累积效应等的不足,将系统理论中 单位脉冲响应函数融入到神经网络模型,构建了一种新的神经元模型——脉冲响应神经元．并基于此神经元,建立 了单隐层的前馈型脉冲响应神经网络,同时推导出了训练脉冲响应神经网络的BP 学习算法,为脉冲响应神经网络 从理论走向应用奠定基础．通过在降雨径流模拟中的实际应用,脉冲响应神经网络获得了良好的应用效果,说明脉 冲响应神经网络在处理高度非线性复杂映射系统时具有更大的适应性和优越性．     

前馈神经网络的一种优化BP算法

1引言 在1986年,Rumelhart,Hinton和Williams等完整而简明地提出一种人工神经网络的误差反向传播学习算法(简称BP算法)[1],这个算法的学习过程是由正向和反向传播两部分组成:首先是正向传播过程,由输入信息向前传播到隐层或中间层的结点上,经过选定的激活函数(又称传递函数,从理论上讲,激活函数可以多种多样,但由于sigmoid型激活函数不仅映射算法简洁而且收敛性能好,因此常被用作人工神经元的激活函数)运算后,从隐层结点逐层把信息传播到输出层结点,在这个过程中,每一层神经元的输出状态只影响下一层神经元输出,即输入层的输入参数集经隐层逐层映射至输出层;如果输出层的实际输出值与期望值之间的误差大于允许值,则转入反向传播过程,它将误差信号沿原来的连接通路返回,伴随误差从输出层向输入层逐层反传,在这个过程中适时地修改各层神经元间的连接权值,减少输出误差,至此一个学习周期结束.如此经多个学习周期至误差等于或小于允许值,学习过程结束.     

神经网络应用范例及其实现方法

本文在描述神经网络的几个应用范例基础上讨论了神经网络应用的实现方法，通过本文，希望对研究神经网络应用的同行们能有一些启示。一、反向传把网络人工神经网络有各种不同的模式，在这里介绍反向传播网络。这种网络由输入层、输出层和隐层组成。隐层可以由一层或多层构成。各个层内的神经元数目主要依据具体求解的实际问题及采用的求解方式来确定。对于输入信号由输入层传递到隐层，经过传递函数，把隐层的输出信息传递到输出层，最后由输出层输出结果，这种认输人层到输出层的传递顺序称为正向传播。在这种传播中，每一层神经元的状态只…     

基于权值与结构确定法的单极Sigmoid神经网络分类器

构造了以单极Sigmoid函数作为隐层神经元激励函数的神经网络分类器,网络中输入层到隐层的权值和隐层神经元的阈值均为随机生成。同时,结合利用伪逆思想一步计算出隐层和输出层神经元之间连接权值的权值直接确定(WDD)法,进一步提出了具有边增边删和二次删除策略的网络结构自确定法,用来确定神经网络最优权值和结构。数值实验结果表明,该算法能够快速有效地确定单极Sigmoid激励函数神经网络分类器的最优网络结构; 分类器的分类性能良好。     

小波网络在航空发动机状态监测中的应用研究

为准确监测航空发动机的状态以保障飞行安全,需要对航空发动机这个复杂系统建立精确模型,将人工神经网络很强的非线性映射能力与小波分析特有的时频分析能力相结合可以对复杂的非线性系统进行系统辨识;选择以sigmoid函数为基础的小波基波函数作为神经网络神经元的激励函数,构造了一个三层小波神经网络,利用该小波神经网络对航空发动机转动状态进行系统辨识研究,仿真结果表明小波神经网络能对某型飞机航空发动机转动状态进行准确辨识.     

基于神经网络算法的新闻分类研究

娱乐新闻是腾讯新闻重要组成部分,根据娱乐文章的文本信息将文章归类是娱乐新闻处理工作中很重要的一部分。机器学习方法在生产、科研和生活中有着广泛应用。神经网络是机器学习中一类很重要的学习方法,可以认为是对神经元结构从信息处理角度经过一定的抽象处理之后得出的算法,针对具体问题建立数学模型,依据连接方式以及算法的不同划分成不同的网络结构。人工神经网络实际上是一个运算模型,这个模型的构成包括大量的神经元及其连接关系。在神经网络中,每个神经元会对输入信号通过激活函数进行非线性变换,也就是激活函数(activation function)。在连接关系中,每两个神经元之间有连接表示对于通过的数据进行加权处理,即权重,权重参数可以看人工神经网络对于数据的记忆。人工神经网络本质上往往是对自然界存在的某种算法/函数的拟合,或者逻辑表达。本文对娱乐新闻数据集,采用了神经网络算法构建一个多分类模型来进行娱乐新闻分类。     

汉语人机接口中神经网络模型的研究

在简要地介绍了人工神经网络(ANN)基本特性的基础上,着重介绍了多层神经网络的一种学习算法——反向传播法在语音合成中的应用,提出了一种从文本到声音的转换即完成汉语语音合成的神经网络模型.初步的实验结果是令人满意的.     

人工神经网络BP算法通用程序

前言 尽管人工神经网络BP算法仍然存在着某些问题,但它还是一个非常有效的算法,得到了广泛的应用。本文介绍一个通用的BP算法程序。 1.BP算法 对于全连接的BP网络,假设网络共有N层,其中,输入节点为n个,输出节点为m个,网络有N—2个隐层,第i层的神经元数为N_i,则有N_1=n,NN=m;规定第i层第q个神经元的输出为y(i,q),阈值为θ(i,q),其中第1层的输出为输入的样本;从第i层的第s个神经元到第i+1层第q个神经元的连接权为W(i,s,q)。各层神经元的输出满足:     

面向类脑计算的脉冲神经网络研究

随着深度学习在训练成本、泛化能力、可解释性以及可靠性等方面的不足日益突出,类脑计算已成为下一代人工智能的研究热点。脉冲神经网络能更好地模拟生物神经元的信息传递方式,且具有计算能力强、功耗低等特点,在模拟人脑学习、记忆、推理、判断和决策等复杂信息方面具有重要的潜力。本文对脉冲神经网络从以下几个方面进行总结:首先阐述脉冲神经网络的基本结构和工作原理;在结构优化方面,从脉冲神经网络的编码方式、脉冲神经元改进、拓扑结构、训练算法以及结合其他算法这5个方面进行总结;在训练算法方面,从基于反向传播方法、基于脉冲时序依赖可塑性规则方法、人工神经网络转脉冲神经网络和其他学习算法这4个方面进行总结;针对脉冲神经网络的不足与发展,从监督学习和无监督学习两方面剖析;最后,将脉冲神经网络应用到类脑计算和仿生任务中。本文对脉冲神经网络的基本原理、编码方式、网络结构和训练算法进行了系统归纳,对脉冲神经网络的研究发展具有一定的积极意义。     

DNA序列分类的神经网络方法

该文将人工神经网络方法用于DNA分类，首先应用概率统计的方法对20个已知类别的人工DNA序列进行特征提取，形成DNA序列的特征向量，并将之作为样本输入BP神经网络进行学习。采用MATLAB软件包中的神经网络工具箱中的反向传播算法来训练神经网络。构造了两个三层BP神经网络，将提取的DNA特征向量集作为样本分别输入这两个网络进行学习，通过训练后，将20个未分类的人工序列样本和182个自然序列样本提取特征向量并输入两个网络进行分类，结果表明，分类方法能够以很高的正确率和精度对DNA进行分类，将人工神经网络用于DNA序列分类是完全可行的。     

一种新的RBF神经元网络分类算法

为了改善对人工神经网络行为的认识和研究中的"黑匣子"式的难以处理的状态,基于RBF神经元模型的几何解释,提出了一种新的RBF神经网络分类算法,算法把RBF神经元看作是高维空间里的超球面,从而将神经网络训练问题转化为点集"包含"问题.同传统的RBF网络相比,算法能够自动地优化RBF网络中核函数的个数、中心和宽度,同时,省去了传统RBF神经网络输出层线性连接权的计算,简化了网络的学习过程,大大缩短了训练时间,并且通过实验证明了算法的有效性.     

基于多级神经元的神经网络及其在分类中的应用

为了提高前向神经网络的分类能力,该文将多级神经元扩展使用到多层感知器的输出层和隐含层中,并提出了量子神经网络的学习算法。通过一个实际的分类问题实验验证了该方法的有效性。实验表明,无论输出层或隐含采用多级神经元,都可以带来分类能力的提高。而当输出层采用多级神经元时,还可以导致连接的减少和训练速度的加快。     

基于卷积神经网络的身份证号码识别研究与实现

卷积神经网络是深度学习的一种高效识别算法,将卷积神经网络引入身份证号码识别中,能够提高识别精度。卷积神经网络可以直接输入原始图像,避免对图像进行复杂预处理工作。在卷积神经网络的设计中,主--考虑网络层数、卷积层神经元数、子采样层神经元数和输出层的神经元数等因素。本次实验所设计的卷积神经网络结构由3个卷积层、2个子采样层及1个完全连接层组成。     

基于量子计算多Agent的人工神经网络训练方法

人工神经网络是可用于建模和求解各种复杂非线性现象的工具.针对传统神经网络训练时间长、节点数目受计算机能力限制等缺点,提出了一种新的多Agent系统理论(MAS)和量子算法的人工神经网络.在人工神经网络训练方法中,每个神经元或节点是一个量子Agent,通过强化学习算法后具有学习能力,然后用QCMAS强化学习算法作为新的神经网络的学习规则.这种新的人工神经网络法具有很好的并行工作能力而且训练时间比经典算法短,实验结果证明了方法的有效性.     

人工神经网络并行处理的实现模型

一、人工神经网络的并行性分析人工神经网络(Artificial Neural Network,简称ANN)具有并行处理、连续计算等特点,其并行性蕴涵在神经元模型与整个网络两个逻辑层中。 1.神经元模型的并行性 ANN的基本组成单元——M-P神经元模型如图1所示。其中:(x_1,x_2,…,x_n)是神经元的n维输     

人工神经网络的逻辑模型

引入了统一建模语言(UML)的方法,建立了一种神经网络的面向对象模型,即神经网络的逻辑模型.在神经网络的静态结构中,类图描述了组成神经网络的基本元素及其相互关系,包括神经元、神经元集、输入层、中间层、输出层、神经元层、训练层和辅助层,并通过继承抽象神经网络类给出了具体的神经网络类.在神经网络的动态运行中,活动图把神经网络的活动状态分成外部激励和内部运行两组,展现了神经网络应用过程中的活动流程.     

基于股票市场灵敏度分析的神经网络预测模型

股票市场是非线性系统,具有内部结构复杂性和外部因素多变性,建立基于股票市场灵敏度分析的神经网络预测模型。针对神经网络结构设计问题,计算网络输入层与隐层神经元的灵敏度,并修剪网络中不敏感的神经元,在保证模型泛化能力的同时,实现网络结构精简;针对神经网络黑箱问题,根据输入层神经元灵敏度解决各输入变量对股票市场的重要性和反馈机制。以上证指数为例,在不同的时间跨度下对股票市场运行规律进行学习,并分析不同结构修剪模型的适用性和市场意义。最后,通过与其他神经网络预测模型比较,验证本文模型的有效性。