论文部分内容阅读
提出一种针对前馈神经网络的改进算法,将网络的拓朴结构的每一层分为线性和非线性两部分,并采用稳定的数学方法,使学习速度大大提高,仿真结果表明,该方法是有效的.
前馈神经网络的改进算法
【摘 要】
：
提出一种针对前馈神经网络的改进算法,将网络的拓朴结构的每一层分为线性和非线性两部分,并采用稳定的数学方法,使学习速度大大提高,仿真结果表明,该方法是有效的.
【机 构】
：
河北工业大学(天津)
【出 处】
：
2001中国控制与决策学术年会
【发表日期】
：
2001年期
其他文献
针对用于多层前馈神经网络训练的递推估计计算量、存储量大和ＢＰ算法收敛速度慢，易陷入局部极小的缺点，对两种算法组合－－ＢＰ算法训练隐层，线性递推估计训练输出层进行了研究，给出了分别基
该文提出前馈神经网络的一种梯度－牛顿耦合学习算法。利用梯度算法在网络学习初始阶段误差函数下降速度快而牛顿法在学习后期收敛率高且具有二阶收敛速度的优点，充分发挥两种算
该文从提高后验概率估计准确程度的角度出发，提出一种新的利用线性回归进行多神经网络集成的算法。为了能对各种网络都应用这一方法，文中还给出了一种将神经网络输出映射为后验
该论文基于神经网络所具有的活强大的学习能力，提出了一种用多层前馈神经网络实现的控制器。该控制器通过学习系统的逆动力学特性，能由系统反馈回的输入／输出状态及未来期望输出
应用经济控制论的思想方法，以前馈神经网络为工具，对证券市场的某些重要方面（趋势）进行分析和研究，并进行了系统仿真。结果表明上述方法和工具对于证券市场的研究是可行的。
该文针对前馈神经网络ＢＰ训练算法收敛速度慢的缺陷，尝试从权初值的选取，权值优化方法及学习率动态优化三方面对ＢＰ算法进行改进，总结出一种前馈神经网络快速学习算法。该算法用Ｗｉｄｒｏｗ－Ｎｇｕｙｅｎ法初始
针对交馈神经网络的反向传播(BP)学习算法收敛速度慢的缺点,提出了一种快速学习的优化算法.该算法的学习分为两个阶段:第一阶段采用标准BP算法,使网络接近最优点;网络接近最
该文针对具有两层权值的多输入单输出前馈神经网络分析了网络映射的代数机理，根据输出向量的特点推出隐层输出的表达能力从而确定了隐层节点个数的优化选择规则，利用已有的结论