论文部分内容阅读
人工神经网络仿真器KDNeuro-Ⅱ
【机 构】
：
中国科学技术大学
【出 处】
：
中国神经网络1991年学术大会
【发表日期】
：
1991年期
其他文献
利用前馈神经网络的本质并行性和高度非线性映射副近能力同了一类求解非线性，规划（二次规划）问题的ＢＰ神经网络方法，网络构建简单，求解精度高，计算量小，实难结果表明了其高效性。
该文首先对一种二次规划神经网络模型进行简化，这种简化对于提高解的精度和降低实现成本十分必要，简化后的模型具有良好的性能，进而该文利用它给出一种求解离散线性系统二次最优
该文首先对一种二次规划神经网络模型进行筒化，这种筒化对于提高解的精度和降低实现成本十分必要，筒化后的模型具有良好的性能。进而该文利用它给出一种求解离散线性系统二次最
应用ＰＡＣ学习和ＶＣ ｄｉｍｎｅｓｉｏｎ方法，分析了神经网络的泛化能力。对于给定的目标函数定义了泛化指标，表示训练后的神经网络和给定的目标函数之间的副近精度，用以分析结合先验知识的神经网络。证明
在讨论了现有的泛化理论和“ＶＣ”维理论的基础上，结合考虑了样本复杂度与学习算法等因素，该文提出网络“虚假复杂度”的概念。文中通过分析、比较说明“虚假复杂度”能够很好地解
基于神经网络的仿真建模、优化系统（ＨＩＴＳＩＭ）支持仿真系统的无模型库建模和高维复杂理论模型的优化。以反向传播算法（ＢＰ算法）作为数据学习的主要手段。系统对小样本采用信息聚类和扩散，对超