用综合法优化前向神经网络结构

在神经网络研究中,如何确定神经网的结构是一个重要的研究方向.提出了一种通用的确定前向神经网络结构的自适应方法,即先用动态增长法快速训练网络拓扑结构及权值至满足给定的误差为止,然后用遗传算法(GA)对训练好的网络剪枝.实验表明,算法具有较好的通用性和可扩展性,收敛速度较快,对进一步的数据挖掘具有重要的意义.     

多层前向神经网络结构的研究进展*

本文综述了的牢来多层前向神经网络结构的研究进展，总结了多怪前向网络结构调整的各种方法，并对各种方法进行了比较分析，最后提出了若干研究的问题。     

用遗传算法优化神经网络结构

本文介绍了一种用遗传算法对神经网络和连接权值同时优化的方法，该神经网络的神经元节点可以一定程度地反馈连接，再通过基因链矩阵把神经网络的结构完整地表示，遗传进化学习后，最优个体是结构最优的神经网络，使用该方法可以设计出结构未知的神经网络，本文最后对ＸＯＲ问题进行了计算。     

遗传算法及其在训练前向神经网络中的应用

本文论述了遗传算法的基本原理，操作及算式，并以一个识别部分英文字母的多层前向神经网络为例，给出了用遗传算法训练网络优化网络权值的方法和步骤，实验结果表明了这一方法的有效性。     

有教师的线性基本函数前向三层神经网络结构研究

优化选择隐节点数是人们在应用基于误差反传算法的有教师的线性基本函数前向三层神经网络过程中首先遇到的一个十分重要而又困难的问题。本文从国内外大量应用裕列中陪结归纳出了一个初定这种网络隐节点数的经验公式，提出了一种判断所选隐节点数是否多余的具体方法，并从理论上做了详细的推导。     

基于遗传算法的前向神经网络结构优化

对近几年应用遗传算法（Genetic Algorithm,GA）优化设计前向神经网络结构的研究进行了评述。指出了神经网络结构优化设计的重要性和目前各种方法存在的不足。介绍了神经网络结构设计原理和应用GA优化设计神经网络应着重考虑的两个问题：即结构表达策略和适应度函数设计。分别对近来应用GA优化设计多层感知器、径向基函数神经网络和径向基概率神经网络结构的研究进行了细致介绍和分析。指出了目前研究工作的不足和未来研究工作的发展方向。     

利用人工鱼群算法优化前向神经网络

人工鱼群算法(AFSA)是一种最新提出的新型的寻优策略，文中尝试将人工鱼群算法用于三层前向神经网络的训练过程，建立了相应的优化模型，进行了实际的编程计算，并与加动量项的BP算法、演化算法以及模拟退火算法进行比较，结果表明AFSA具有鲁棒性强，全局收敛性好，以及对初值的不敏感性等特点。     

基于混沌变量的前向神经网络结构优化设计

提出一种关于多层前向神经网络结构的混沌优化设计方法。将混沌变量引入神经网络结构的优化搜索中，使得神经网络的隐层节点数以及所有权参数都处于混沌状态中，整个网络结构呈现为动态变化。从动态的神经网络结构中，根据性能指标来寻找一个全局最优或近似于全局最优的网络结构。仿真实验表明，采用该方案得到的神经网络结构模型对异或问题、非线性函数具有较高的逼近精度和较好的泛化能力。     

神经网络结构分析与BP算法修正

对神经网络拓扑结构进行了分析，采用通过减少网络节点漳的连接权值进而减少网络节点来实现网络结构优化的策略，由此提出了ＢＰ算法的修正公式和确定网络优化结构的方法，并对线性稳态系统物和线性动态系统两个实例进行了应用验证，取得了较好的结果，理论分析和应用实践证明提出的网络结构优化方法的可行性。     

遗传算法优化前向神经网络结构和权重矢量研究

新兴科技的支持下,复杂研究可以通过优化研究方法进行模拟和拓展。探究人类神经网络结构的过程中,存在诸多困难,新兴模拟算法和仿真计算,让科学家通过人工模拟神经网络系统中的互连神经元了解复杂的神经网络架构。基于此,分析了优化的遗传算法在前向神经网络结构研究中的应用,探究了如何优化权重设计达到最佳研究效果。     

蚁群算法优化前向神经网络的一种方法

蚁群算法(ACA)是一种新型的寻优策略,此文章尝试将蚁群算法用于三层前向神经网络的学习过程,建立了相应的优化模型,进行了实际的编程计算,并与加动量项的BP算法、演化算法以及模拟退火算法进行比较,结果表明ACA具有更好的全局收敛性,鲁棒性强,以及对初值不敏感等特点。     

利用遗传算法简化神经网络结构

讨论了如何采用遗传算法从例子中建立精简的分段线性型神经网络结构。所建立的网络结构中将只出现两类结占（神经元）：一类结点是求和结点，该结点上的作用函数是线性的；另一类结点是选择结点，该结点上作用函数是诸如ＭＡＸ，ＭＩＮ等形式的选择函数。对于求和结点，使用遗伟算法过程来获得其输入权重、输偏正值等，从而得到该结点的输入－输出关系结构；对于结点，其上的作用函数是选择函数，但该选择函数的确定仍上是较困难的。     

实数编码遗传算法的前向神经网络优化设计

提出一种综合控制策略的实数编码遗传算法,用该算法实现对前向网络结构及权值的同时优化设计。用非线性函数的逼近问题作仿真实验。结果表明,该算法能快速有效地确定网络结构及权值。     

利用遗传模拟退火算法优化神经网络结构

常用的神经网络是通过固定的网络结构得到最优权值,使网络的实用性受到影响。引入了一种基于方向的交叉算子和变异算子,同时把模拟退火算法引入了遗传算法,结合遗传算法和模拟退火算法的优点,提出了一种优化神经网络结构的遗传——模拟退火混合算法,实现了网络结构和权值的同时优化。仿真实验表明,与遗传算法和模拟退火算法相比,该算法优化的神经网络收敛速度较快、预测精度较高,提高了网络的处理能力。     

BP神经网络结构参数的计算机自动确定

研究表明,由多层FNN的BP算法误差函数构成的非线性方程组的独立方程个数和FNN的待求未知变量的个数应该相等,该方程组才能有唯一组解。由此导出网络结构方程式,进而导出隐层层数判别式和每层神经元个数判别式。依据Kolmogorov定理,由该判别式得出求解FNN隐层层数和每个隐层神经元个数的具体算法。计算机仿真结果表明该方法简明实用。     

基于遗传算法的一种新的神经网络结构模式研究

神经网络与遗传算法的结合为解决大规模、复杂、并行的系统问题提供了广阔的前景，但其有着固有的缺陷和不足，本文在遗传算法的基础上，提出了一种新的神经网络结构构式，它能将遗传算法与神经网络更加有机地结合起来，改进其不足，增加神经网络的学习方式，提高学习效率和网络的稳定性。     

模糊系统与前向神经网络的结合

1 引言模糊系统方法和神经网络技术是近年来计算智能领域研究热点,被广泛地应用于复杂系统、非确定性等难于建立比较准确的数学模型的问题,并在自动控制、计算机图像处理、语音识别、手写体识别等领域有重要应用。模糊系统与神经网络的结合也越来越受到人们的重视。模糊系统和神经网络的结合可以分为模糊系统与前向网络的结合和与反馈网络的结合两类。模糊系统与反馈网络的结合主要有模糊联想记忆、模糊     

基于免疫遗传算法的多层前向神经网络设计

利用一种基于免疫功能的遗传算法,设计多层前向神经网络,用于实现多层前向神经网络结构的确定和权值空间的搜索。仿真实验结果显示该算法具有比遗传算法和动量BP算法更好的全局收敛性和快速学习网络权值的能力。     

优化神经网络结构

本文综述了构造优化神经网络结构的一些方法，并对这些方法进行了分类，最后提出了存在的问题和进一步的工作。     

角分类前向神经网络研究

角分类算法是一类快速分类算法，以其为学习算法的前向神经网络，在信息检索，特别是在线信息检索等领域有着重要的应用．通过对CC4学习算法的分析，揭示了泛化距离在角分类神经网络中的意义．针对文本数据的快速分类要求，提出了新的角分类网络TextCC．为解决数据的多类别判定问题，给出了新的角分类神经网络隐层与输出层之间连接矩阵的学习算法．实验表明，新的角分类神经网络隐层与输出层之间连接矩阵的学习算法有效，TextCC的分类精度教CC4的分类精度显著的提高．