广义同余神经网络中三种激励函数的比较研究

讨论了一种新的神经网络——广义同余神经网络(GCNN),阐述了它的定义和学习算法,并对GCNN中的三种激励函数进行了比较。算例表明,改进后的算法在学习速度和网络泛化能力上都有显著的提高。由于该神经网络易于操作和实行,有必要就相关理论及其应用作进一步的研究。

高斯激励混沌神经元系统及其应用

突破以往混沌神经元模型以Sigmoid函数作为激励函数的过程,构建了由高斯函数独自作为激励函数的混沌神经元模型,分析了它的混沌动力学特性;撤销模拟退火策略后,通过对时间序列的重要指标,如功率谱及最大Lyapunov指数的分析,证实高斯激励的神经元动力系统能够保持永久的混沌搜索状态;利用该系统对灰度图像进行加密,阐述了其原理及算法,通过对加密前后直方图的考查,说明了该混沌加密算法具有较强的抗统计分析能力.

一种可修正激励函数的BP算法

以往的ＢＰ算法调节神经元网络的权值，其网络的隐层结点数、网络学习快慢程度及网络的泛化能力都与网络的激励函数有关的。为此，本文提出了一种带可以修正激励函数的ＢＰ算法，其特点是它能更好地模拟人脑神经元的特性。通过仿真验证此方法是非常有效的。

具有混沌激励函数的BP网络算法

该文讨论了BP网络学习过程中的假饱和现象 ,并给出了一种改进的算法 ,有效地解决了假饱和的问题。仿真结果表明 ,该方法不但可以提高网络学习的快速性 ,而且具有一定的避免权值落入局部极小点的能力 ,从而提高了网络的收敛精度 ,同时 。

基于多级神经元的神经网络及其在分类中的应用

为了提高前向神经网络的分类能力,该文将多级神经元扩展使用到多层感知器的输出层和隐含层中,并提出了量子神经网络的学习算法。通过一个实际的分类问题实验验证了该方法的有效性。实验表明,无论输出层或隐含采用多级神经元,都可以带来分类能力的提高。而当输出层采用多级神经元时,还可以导致连接的减少和训练速度的加快。

模糊神经元及其在FCMAC中的应用

本文通过对模糊集合与神经网络的特点及相互关系的阐述 ,引出将二者优点结合于一身的模糊神经网络理论。从模糊神经元开始 ,着重介绍其拓扑结构、分类、隶属函数的特点及相应激励函数的确定方法。最后以模糊小脑神经网络 (FCMAC)为算例 ,阐述了模糊神经元的应用问题。仿真结果表明 :它具有比常规CMAC学习速度快 。

山峰-减法聚类神经元模型及学习算法

将神经网络与数据集的密度指标结合起来提出一种山峰—减法聚类神经网络方法 ,利用数据集的密度指标对基类进行合并 ,并不断重复直至产生足够多的聚类中心 ,就可完成对聚类神经元的学习。给出该聚类的神经元模型和学习算法。该方法的主要优点是对于工程应用中的大样本集分类和重叠数据的模式分类问题 。

关于广义同余神经网络结构与算法的研究

讨论了一种新的神经网络———广义同余神经网络（ＧＣＮＮ），网络中的所有神经细胞以同余的形式被激活，并阐述了它的结构、学习规则的一种算法。模拟结果表明，这种网络在取样点上具有满意的通用特性。由于该神经网络易于操作和实行，有必要就相关理论及其应用作进一步的研究。

时滞Hopfield神经网络模型的全局吸引性和全局指数稳定性

对具有时滞的Hopfield神经网络模型 ,在非线性神经元激励函数是Lipschitz连续 (而非已有的大部分文献中假设是Sigmoid函数 )的条件下 ,通过构造适当的泛函 ,给出了这类模型全局吸引和平衡点全局指数稳定的易于验证的充分条件·

多项式理想计算的神经网络方法

提出一种用于多项式理想计算的理想同余神经元 ,其工作方式既不同于过去感知器输入加阈值的激活方式 ,也不同于通常意义下激活函数选取 ,且保持神经元的运算特性 .以 Grobner基计算为例 ,给出利用该神经元计算

一种改进的神经网络学习算法研究

传统BP算法主要存在网络收敛速度慢,易陷入局部极小的问题。针对经典BP算法存在的问题,提出一种新型激励函数,并且联合使用了一些先进的技术对人工神经网络做了改进,改进算法具有更快的收敛速度、并且能有效地避免算法陷入局部极小。

BP神经网络在GPS高程转换中的应用

探讨BP神经网络的方法对GPS高程转换,设计了基于BP神经网络的GPS高程转换模型,在调整网络的激励函数、网络的输入层和隐含层神经元的基础上,实现了GPS高程转换的BP模型优化。

基于同步时序的余3码检测器的设计方法

余3码作为一种特殊的BCD编码,在各种逻辑运算及加密算法中有着广泛的应用。本文设计一种余3码检测器,可以对从输入端串行输入的先低位后高位的8421码进行分析与判断,当不是余3码时,电路输出为1,否则输出为0。同时,对同步时序逻辑电路设计的常用方法及逻辑电路优化过程作了深入的研究与探讨,详细分析并实现了从抽象问题到检测器成型的每一步骤,为相关研究人员提供了一种通用的设计思路和方法。

基于新型智能算法ELM的滑坡变形位移预测

针对采用经典智能算法进行滑坡变形预测时存在学习速度慢、网络结构参数选取复杂等问题,构建了基于新型智能算法ELM(Extreme Learning Machine)的滑坡位移预测模型,采用二值区间搜索算法选定最佳隐层神经元个数和激励函数,并融入数据滚动建模思想,以期提高网络泛化能力和预测精度。以链子崖、古树屋两滑坡体为例,将ELM与经典智能算法LMBP、RBF的预测效果进行对比,算例结果表明:ELM算法具有较高的预测精度,且在网络学习速度等方面优势明显。

基于Neurosystems的蔗糖结晶过程控制系统

神经元网络控制系统在许多领域都有应用,其有多种网络结构和激励函数;根据不同的应用选用不同的网络结构与激励函数。不同的应用实现的软件及硬件平台也各有不同。详细阐述了基于Neurosystems的蔗糖结晶过程控制系统。

时滞双向联想记忆神经网络的全局稳定性

通过构造一个合适的Lyapunov泛函及应用不等式的分析技巧研究了具有时滞的双向联想记忆神经网络的平衡点的全局稳定性问题 .在对神经元激励函数较宽松的假设条件下 (可以不满足Lipschitz条件 ) ,获得了一个新的保证全局渐近稳定性的判定准则 .结果可应用于包含非Lipschitz的一类更加广泛的神经元激励函数的神经网络的设计中 .

CORDIC在基于FPGA的神经网络设计中的应用

在基于FPGA的神经网络设计中,提出一种采用直接坐标旋转数字计算机(CORDIC)算法计算神经元激励函数ex的方法,依靠移位和求和能够实现快速、精确的指数函数计算,较查表法和间接CORDIC算法既节省了大量片内资源,又提高了计算速度和精度.利用Xilinx公司ISE开发工具进行仿真实验,结果表明直接CORDIC算法的计算速度是间接CORDIC算法的14倍,证明了该算法计算指数函数的快速性与精确性.

人工神经网络处理器

通过计算来实现识别、理解、推理、记忆、学习、联想等一系列认知任务,是计算机科学的一个核心问题,同时也是一个公认的难题.幸运的是,自然界已经提供了一个上述问题的参考答案,那就是由大量神经元组成的系统—大脑.自然而然地,科学家通过借鉴大脑中神经元的组织方式,提出了人工神经网络这样一种计算模型,来解决各种认知任务.人工神经网络是一类模仿生物神经网络而构建的计算机算法的总称,由若干人工神经元结点（以下简称＂神经元＂）互联而成.