深度神经网络的快速学习算法

通过分析传统的多层感知器和反向传播算法的不足,设计了一个全新的网络结构SC-MLP和提出了与之对应的全新的学习算法NBP,主要是实现权值的模和固定,这样可以加速训练的速度.在高维数据分类的实证分析中,以手写数字数据库为例,构建了一个深度神经网络,并对比各种训练算法.实验表明,NBP学习算法对于深度神经网络具有良好的学习效果,明显优于传统的反向传播算法,并且在精度上与深度学习算法相当,但是速度快.     

基于复合特征 BP 神经网络算法的车牌识别技术研究

传统的模板匹配算法对车牌图像的伸缩、倾斜及背景干扰比较敏感,识别效果不理想.提出将对字符进行归一化处理后所提取的点特征与重心特征进行复合,作为 BP 神经网络算法的输入特征,大大提高了识别率与识别速度.     

神经网络BP算法改进及其性能分析

传统的神经网络BP算法具有强大的自学习、自适应及非线性映射能力,但算法具有收敛缓慢、易陷入局部极优等缺点。针对传统BP算法的不足提出改进方法,并用于解决异或问题和字符识别问题。实验表明,改进算法能提高网络学习速度、减小网络误差,具有更好的收敛性和鲁棒性,各方面都明显优于传统BP算法。     

用于一类格值逻辑公式的动态神经网络

提出一种利用神经逻辑单元动态地构造神经网络的算法来对一类格值逻辑系统（L4（X））中的逻辑公式进行计算。本方法可以对逻辑公式的原始形态机械地直接进行计算，并可以应用到其他逻辑系统中。     

基于规则的前馈神经网络的混沌梯度下降耦合学习算法

提出用规则判断由于BP神经网络学习过程中因梯度搜索产生的局部极小，并利用具有全局寻优的特点的混沌优化算法，使学习过程能有效地逃离局部极小，即，梯度下降进研“粗搜索”、混沌优化法进行“细搜索”及建立规则将两者结合起来，就构成了本文的基本混沌梯度下降的前馈神经网络学习算法。这种算法有效地利用了梯度下降算法的快速性和混沌寻优的全局性，将该算法应用于铜锍吹炼过程智能决策支持系统模型库中的模型学习，产生了良好的应用效果。     

基于模糊神经网络的路由算法研究

首先分析了神经网络的类似于生物神经网络的许多优点 ,在描述了神经网络模型与神经网络的学习算法的基础上 ,提出了基于模糊神经网络的路由算法     

基于SOM神经网络的医疗诊断专家系统研究

研究了自组织特征映射(SOM)神经网络的结构及学习算法,提出了利用SOM神经网络对输入样本的“聚类”作用,实现对病人疾病的分类,并依此作为诊断的主要依据。     

正交泛函网络模型及其算法

文章设计了一种新的正交泛函网络模型,它的神经元函数是由正交基函数来逼近,给出了正交泛函网络模型的构造方法及其学习算法,通过求解一组线性方程组得到网络的参数.把正交泛函网络应用到函数逼近问题,仿真结果证明了正交泛函网络具有很好的收敛性和逼近性.     

模糊神经网络变结构算法优化的研究

随着生产实际情况的不断变化,以及模糊神经网络不断的改进和发展,提出一种改进的构造神经网络的方法,并且提出混合学习算法,结合共扼梯度下降法与递归最小二乘估计来分别辨识网络中的前、后件参数,并对非线性系统进行仿真实验,达到控制要求.     

基于神经网络算法的计算机网络优化模型研究

计算机网络的极速发展迫切需要全面提高和优化网络的整体性能 .神经网络算法具有大规模并行处理和分布式信息贮存等特点 ,Hopfield神经网络在联想记忆与优化方面表现出得天独厚的优势 .基于神经网络算法的计算机网络优化模型研究 ,正是将Hopfield神经网络的理论与现实计算机网络、现代优化方法相结合     

BP神经网络模型及其应用

本文提出了一类神经网络模型,介绍了它的算法及其如何设计出该模型,最后通过神经网络对字符进行识别的例子,说明了神经网络在实际中的应用。     

基于神经网络的数据挖掘算法

数据挖掘涉及多学科技术的集成,包括数据库技术、神经网络、模式识别、信息检索、图像与信号处理和空间数据分析等.神经网络在数据挖掘中的应用也越来越广泛,尽管神经网络具有结构复杂、网络训练时间长、结果表示不容易理解等缺陷,但其对噪声数据的高承受能力和低错误率的优点是其他方法所不及的,并在数据挖掘所采用的方法中具有优势.本文对基于BP神经网络的数据挖掘算法进行了详细的讨论,并提出了算法改进方法.     

基于模拟植物生长的BP神经网络学习算法研究

针对标准BP神经网络在训练过程中,网络容易陷入局部极小点,使得进一步调整失去作用的问题,提出了一种有助于提高BP神经网络逼近精度的方法一基于模拟植物生长的学习算法,使BP网络在训练时能有效避开局部最小点,达到全局极小点,并保证了网络有较好的收敛速度。通过一个用Matlab编程的仿真实验表明了这一算法的有效性。     

基于BP神经网络的网络学习评价模型研究

研究网络学习评价问题对推动网络教学资源的使用具有十分重要的意义,传统的网络学习评价方法具有很强的主观性,且仅限于线性模型,缺少科学性。为克服传统网络学习评价方法的不足,实现网络学习评价的智能化,提出了一种基于BP神经网络的的网络学习评价模型,并利用MATLAB进行实验仿真,测试结果表明,该评价模型准确率高,能为网络学习评价提供可靠数据。     

基于模块化神经网络的自组织算法研究

文章根据大脑信息处理原理,对模块化神经网络进行相关的解析,分析模块化神经网络的信息点,对于由大量信息点组成的子网络结构学习自组织问题,神经元实现对输入样本空间的链接等问题提出了相关的算法,解决了子网络在有效时间段内采集相关数据,并实现集成的问题,提高了神经网络学习的效率,也对获取学习信息进行了相关的研究。     

BP神经网络算法改进及应用

针对传统BP神经网络收敛速度慢且容易陷入局部极小值的缺点,通过实验对其进行分析并提出可以提高算法快速性和有效性的改进方法。介绍了BP神经网络的工作原理、基本流程、算法应用领域和在该领域下的优缺点,以及改进方法的具体步骤与改进后的优势。最后通过仿真实验验证了改进算法的有效性。     

基于混合学习算法的径向基函数神经网络设计

隐藏层中心点参数的选择和权值向量的快速计算是径向基函数神经网络设计的关键问题.基于"半月"数据集,论文提出了一种上下半月单独计算聚类中心的K-均值聚类、递归最小二乘算法计算权值向量的混合学习算法.基于三层RBF神经网络结构,以支持向量机作为分类器,开展了K-均值+最小均方算法及K-均值+递归最小二乘算法2种混合模式的对比实验.实验结果表明,"K-均值+RLS"算法相比"K-均值+LMS"算法具有更快的收敛性,在应对线性不可分的情况,上下半月单独作用的K-均值聚类算法表现更优越,综合考虑收敛速度及分类精度两个指标,论文提出的上下半月单独计算中心点的K-均值聚类+RLS的混合学习算法获得较优的性能.     

提高BP神经网络学习速率的算法研究

BP(Back Propagation)神经网络是一种按误差逆传播算法训练的多层前馈网络。本文针对BP神经网络学习速率低、收敛速度慢的问题进行研究,介绍了标准的BP算法和提高收敛速度的动量因子法和变步长法,对比实验结果明显,旨在为研究BP神经网络学习速率提供参考。     

基于遗传算法的径向基神经网络学习算法

文章对径向基神经元网络（Radial Basis Function Neural Networks,以下简称为RBFNN）结构进行了分析,提出了应用遗传算法训练径向基网络的算法,并将该算法训练的网络用于10个数字的识别,相对于最近邻聚类学习算法和BP网络来说,识别效果和精度均有提高。     

基于HJPS算法的神经网络的轧制力修正模型

传统的轧制力模型结构简单、精度较低,即使采用基于有限元的数值积分方式进行精化,出于计算效率的考虑因其有限区域的划分十分有限,因此对于轧制力计算的精度提高有限。直接采用神经网络对轧制力进行建模可以极大地提高模型精度,但是模型对新型材料的泛化能力较差。为此提出简单有限元轧制力模型,并在模型基础上使用HJPS优化算法的神经网络对轧制力进行修正,对该模型的仿真测试表明,该模型具有很强的泛化能力,收敛速度快、不易陷于局部优化,能够极大地提高轧制力模型的计算精度。