论文部分内容阅读
本文讨论了前馈神经网络隐层节点数的选择对误差代价（目标）函数的影响，证明条件M≥N是网络获得零代价全局最小解的充分条件；若C≤M〈N，则网络有可能获得零代价的全局最小解；若M＜C≤＜N，则无论如保训练网络，网络也将不会收敛到零代价的全局最小解。
关于前馈神经网络隐层节点数的选择和全局优化
【摘 要】
：
本文讨论了前馈神经网络隐层节点数的选择对误差代价（目标）函数的影响，证明条件M≥N是网络获得零代价全局最小解的充分条件；若C≤M〈N，则网络有可能获得零代价的全局最小解；若M＜C≤＜N
【机 构】
：
系统工程研究所
【出 处】
：
中国电子学会第四届青年学术年会
【发表日期】
：
1998年期
其他文献
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
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.
本文应用多层前馈神经网络研究了汽油机动力性问题,以实验采集的数据为样本集,采用改进的BP算法对网络进行了学习训练,建立了基于前馈神经网络的汽油机动力性模型.进一步利用
利用混沌运动的遍历性特点,将混沌映射与BP算法相结合,给出一个多层前向网络的混沌BP学习算法.仿真结果表明,该算法的效果良好.