人工神经网络的一种改进的B-P学习算法及其应用

本文首先简要地介绍了人工神经网络(以下简称神经网络)的B—P学习算法,继而分析了B—P算法收敛速度慢的内在原因,讨论一些加速B—P算法收敛的措施,提出了一种改进的B—P学习算法(MB—P)。将这种算法应用于两类含噪飞机图象目标识别系统,并进行了仿真实验。实验结果表明,MB—P学习算法的收敛速度比B—P算法的收敛速度快许多,而且分别用这两种学习算法训练的神经网络对目标具有大致相同的识别率。

IBP:一种改进的B-P算法

本文介绍一种改进的B-P学习算法——IBP,它能够提高B-P算法的收敛速度,同时避免B-P算法在收敛过程中可能发生的振荡、局部极小值等问题,从而它增强了B-P算法的可用性和实用性。

基于神经网络B─P学习算法的采面顶板类型辨识模型

神经网络的研究是当今系统工程和人工智能领域前沿课题之一。本文在Ｂ—Ｐ神经网络结构及其学习算法简介的基础上，运用神经网络建立了采面顶板类型辨识的神经网络模型，该模型辨识的正确率达１００％。实例表明，神经网络是用于解决复杂非线性系统辨识问题的有效方法。

基于三层神经网络的多用量化评价系统研究

文章给出了一种基于三层神经元的多用量化评价方法,研究了三层神经网络的结构、相应的网络学习过程及其应用于模糊综合评价的计算机实现算法和应用实例。

利用神经网络法进行直接顶的分类

针对标准B-P神经网络算法存在学习速度慢的问题提出了改进算法。将改进后的神经网络模型应用于直接顶分类,不论是直接顶初次跨落步距的拟合值还是其预测值,神经网络法的计算精度均高于多元线性回归法。

神经网络用于精确预言含F铋系高温超导的T_(c)

本工作通过选取适当的拓朴结构，特别是对零电阻转变温度Ｔｃ的数据采用压缩与还原的技术处理，建立了一个基于误差反向传播（简记为Ｂ－Ｐ）算法的人工神经网络。该网络可根据制备含Ｆ铋系高温超导材料的几个主要实验参数，相当精确地预言此类超导体的Ｔｃ。本方法显然具有一般意义，从而有力地促进了材料的计算机辅助设计的研究工作，使之进一步趋于成熟。