一种改进的前馈神经网络算法

介绍了前馈神经网络算法,讨论了当误差不为零或者不为线性函数即二阶项S(W)不能忽略时的Hesse矩阵的近似计算,并通过仿真实验证明了结合BFGS算法的神经网络具有更好的收敛性,误差更小。     

神经网络数据挖掘算法的研究与应用

分析了神经网络数据挖掘算法的适用范围,对算法模型和算法实现进行深入的探讨,并利用基于时间序列的多层前馈神经网络挖掘算法实现了对企业材料成本数据的预测,可为企业成本管理提供决策支持.     

一种前馈神经网络算法

神经网络由于其非线性处理能力强。性能稳定等特点得到了广泛应用和研究。主要应用于模式识别、信号处理、知识工程、专家系统、优化组合、机器人控制等。神经网络中使用最为广泛的就是前馈神经网络。其网络权值学习算法中影响最大的就是误差反向传播算法(back-propagation简称BP算法)BP算法存在局部极小点。收敛速度慢等缺点。基于优化理论的Levenberg-Marquardt算法忽略了二阶项。该文讨论当误差不为零或者不为线性函数即二阶项S(W)不能忽略时的Hesse矩阵的近似计算，进而训练网络。     

基于实神经网络代数算法的改进测向定位方法

针对BP算法在测向定位中收敛速度、隐层神经元个数的选取以及定位精度等方面的缺点,将实神经网络代数算法首次应用到测向定位中。给出了隐层神经元个数的准确公式,快速准确的获取训练权值,建立了基于代数算法的三站定位模型。通过仿真实验,新方法在定位精度和时间效率方面都远高于BP算法。     

一种基于思维进化算法的极限学习机及其应用

极限学习机(Extreme Learning Machine,ELM)是一种新型的单隐含层前馈神经网络,与传统神经网络训练方法相比,ELM具有泛化能力好、学习速率快等优点。但随机产生的输入权值和阈值,往往会出现一些作用很小或"无用"的值,为了达到理想精度,通常需要增加隐含层节点数。思维进化极限学习机使用思维进化算法MEA优化输入权值矩阵和阈值向量,再利用MP广义逆求出输出权值矩阵,从而减小隐含层节点数,增大网络预测精度。通过函数拟合仿真实验,并同ELM算法和BP神经网络算法比较,思维进化极限学习机算法可以用较少的隐含层节点数实现更高的精度。     

基于模拟退火方法BP神经网络的测向定位方法

针对BP算法在测向定位中收敛速度慢、易陷入局部极小等缺点,将模拟退火方法应用到BP神经网络中,同时结合变步长方法,利用隐层节点的动态合并与删除策略,在满足定位精度的同时使网络结构最小化,使用三层前馈网络建立了三站测向定位模型。通过仿真实验,新方法在收敛速度和有效性方面都远高于BP算法。     

基于径向基神经网络的非线性系统辨识

提出了基于径向基函数神经网络模型的系统辨识方法，由于径向基函数的神经网络比多层前馈人工神经网络模型相比，在逼近非线性函数时，具有结构简单，收敛快、且无局部极小的优点，通过计算机仿真证实了该方法具有良好的辨识效果。     

基于实神经网络代数算法的三维测向定位算法

目前三维空间测向定位多采用先在二维体系中计算然后转换为空间坐标的方法,正北偏差、投影变换的方位变形等会对定位精度造成很大的影响.本文立足于三维空间,利用多个测向平面形成的空间目标观测方程组,并利用实神经网络代数算法收敛速度快、时间效率高以及隐层神经元个数选取等方面的优势,构建了三站测向定位模型.仿真实验表明,本算法定位精度明显提高,在不同测向精度条件下定位误差接近CRLB,使得该算法适用于复杂的测向环境,具有很强的实用性.     

利用混合神经网络辨识Hammerstein模型的方法

研究了Hammerstein模型的辨识问题 ,并考虑了多输入多输出 (MIMO)情况 .提出一种混合神经网络辨识模型 ,该模型由一个多层前馈神经网络 (MFNN)与一个线性神经网络 (LNN)串联而成 .给出了一个反向传播 (BP)算法同步训练该混合神经网络的权值和阈值 .仿真结果表明了该方法的有效性 .     

布尔函数零化子的构造

代数攻击的基本思想是建立密钥比特和输出比特之间的方程,然后通过解超定的低次方程组来恢复密钥。在代数攻击中,可以通过布尔函数的零化子建立低次方程,从而使算法的复杂度降低。文章首先给出了两种布尔函数零化子的构造方法,然后将构造2应用于LILI—128中,得到低次零化子,通过此低次零化子建立低次方程进行攻击。     

综合素质评价的神经网络模型及Simulink实现

针对大学生综合素质评价过程中存在诸多非定量因素及非线性特征,建立综合素质测评的BP神经网络模型。利用BP神经网络实现对量化评价函数的逼近。所给出的神经网络模型较已有的评价体系具有更高的执行效率,而且还能生成模块化的程序进行推广。利用Matlab软件的Simulink平台对BP神经网络进行仿真计算,该方法可操作性强,不需要进行模糊评测方法过程中的复杂运算,具有较广泛的实用性。     

融合Elman神经网络与EMD的交通拥堵指数预测

为了提高传统方法生成交通拥堵指数（TPI）的准确率,引入一种基于经验模态分解（EMD）与Elman神经网络的组合模型实现交通拥堵指数预测。首先,利用EMD将TPI序列分解为不同时间尺度下的IMF分量和剩余分量;然后,通过偏自相关函数（PACF）计算各分量的滞后期数,以此确定各分量在Elman神经网络中的输入和输出变量;之后,通过上述方法计算出各分量预测值并相加;最后,计算出总预测结果。通过计算结果可知,EMD-PACF-Elman预测方法3个评价指标（平均绝对误差、均方误差、平均绝对百分误差）的计算结果与单一Elman神经网络模型、EMD-Elman神经网络模型、单一BP神经网络模型、EMD-BP神经网络模型相比都为最低,分别为0.562 4、0.598 9、0.110 7。因此, EMD-PACF-Elman预测方法可以有效地预测TPI,同时也为进一步预测交通拥堵趋势提供了依据。     

基于神经网络的CAI课件的综合评价研究与应用

利用神经网络的自适应性和自学习功能,提出了一种CAI课件的综合评价方法,给出了CAI课件的各参考评价指标,并讨论了如何使用综合评价方法获得综合评价的结果,。研究表明该方法比传统评价过程更具客观、准确、科学、高效的特点。     

基于改进BP神经网络的供热负荷预测模型

为在自然环境条件下对供热负荷进行较为准确的预测,分析了对供热负荷产生影响的自然因素,利用回归分析法建立负荷预测模型。在误差较大情况下提出利用神经网络法建模,采用差分进化算法对神经网络的阈值和权值进行优化。使用经过优化的神经网络进行负荷预测,在MATLAB环境下进行仿真。仿真结果表明,采用该方法可得到更为准确的供热负荷预测模型,对供热站节能运行有一定意义。     

基于CS理论和BP神经网络理论的工程造价估算研究

在借鉴国内外相关理论和方法的基础上,利用显著性成本理论和神经网络理论相结合对工程项目的投资进行估算.运用显著性成本理论,通过寻找显著性项目,简化工程造价估算的操作难度,从而解决操作烦琐的问题;并依据BP神经网络在大量已完工程资料中提取类似CSIs和显著性因子csf,从非线性角度实现了对项目投资的准确预测,并进行算例分析,从算例可以看到,预测值与实际值的相对误差很小,满足投资预测要求.     

基于补偿模糊神经网络在高校课堂评价中的应用

分析了补偿模糊神经网络的原理及其实现过程,并把它应用到高校课堂综合评价中,构建了高校课堂教学质量评价的补偿神经网络模型。实验结果表明,该评价模型能够较好地对课堂教学质量进行综合的评价,评价结果有利于促进课堂教学质量的提高。     

基于RBF神经网络的高校教师教学质量评价模型

文章基于RBF神经网络方法,建立了高校教师教学质量的评价模型.首先构建了神经网络评价模型的结构,然后运用MATLAB,用样本数据训练了神经网络评价模型.表明该模型克服了传统评价过程的复杂性和主观因素,对全面、公正、科学地综合评价高校教师教学质量是行之有效的.     

基于BP神经网络的大学生身体素质测评模型与应用

大学生身体素质的培养是高校体育教学关注的重点,建立评估模型,提供操作简单的评估方法,对于科学地评估与监测大学生身体素质状况有着重要的现实意义。利用BP神经网络强大的函数映射能力,建立了反映大学生身体素质总成绩与各项指标成绩相关关系的BP神经网络模型,应用模型对大学生身体素质进行了评估试验,并与其它模型试验结果作对比。结果表明,此模型操作简单,预测精度高,评估结果科学、合理。     

基于BP神经网络对学生学习专业课程效果的评价

通过建立BP神经网络的课程效果评价模型结构,并在MATLAB系统上对样本数据进行仿真,最后进行数据验证。结果表明,应用人工神经网络对课程效果进行评价,排除了专家主观因素对评价效果的影响,能够获得客观满意的评价结果,具有广泛的适用性。     

引入双循环机制深度学习模型的文本情感分析

深度神经网络模型通常使用注意力机制或融合卷积神经网络来提取特征,但由于注意力机制抓取的特征过于单一,存在提取特征不完善的问题。 将循环机制引入卷积神经网络中,构建了具有双循环结构的网络模型(DRCNN),从而改善模型的特征提取能力,将其与双向长短期记忆网络结合,提出一种带有注意力机制、特征提取能力更强的混合模型(BiLSTM-DRCNN)并应用于情感分类任务中。通过情感分类的实验分析表明,BiLSTM-DRCNN 神经网络模型具有比较好的性能,与融合卷积神经网络(CNN)和双循环长短期记忆神经网络(BiLSTM)模型相比,综合评价指标提高2%以上;与BiLSTM-CNN、Fusion Model 模型相比,综合评价指标提高了近1%,且收敛速度更快。