基于免疫进化规划的多层前馈网络设计

文章用一种免疫进化规划来设计多层前馈神经网络．该免疫进化规划在保留传统进化规划的随机全局搜索能力的基础上，引进生物免疫中抗体通过浓度相互作用的机制和多样性保持机制．免疫进化规划的全局收敛性更优，并且具有很强的自适应环境的能力．实验结果验证了免疫进化规划在设计神经网络时的高效能．

多层前馈网络的一种模拟电路实现及仿真研究

本文在有源电力滤波器的多层前馈网络自适应谐波电流检测系统基础之上，通过系统构成和算法公式，首先提出了系统模拟电路的一种构成方法，并给出了电路实现框图。其次，为了利用ＰＳＰＩＣＥ电路仿真软件对所提出的模拟电路进行仿真研究，引入了宏模型概念。最后，对所推出的模拟电路进行了仿真研究。ＰＳＰＩＣＥ

多层前馈网络在图象分割中的应用

本文提出用多层前馈网络进行基于边缘信息的图象分割,讨论了学习样本的提取步骤和网络学习的速度改进方法。实验表明,用多层前馈网络进行图象分割能获得良好的结果。

基于多层前馈网络的高速公路意外事件侦测及规律

为了建立基于高速公路交通流参数检测的事件救援系统,运用多层前馈网络(MLF),对其关键的意外事件侦测技术及其检测规律进行了研究。确定了事件检测需要选定的模型,描述了检测的基本原理,提出了模型的结构原型并进行了训练和测试;对输入特征中的单侧与双侧输入、多时阶组合及多因素组合特征进行了性能测试,得到了相对具有良好性能的输入特征。同时,给出了不同因素及因素组合与检测效率之间的基本规律。结果表明,给出的模型较California 8#算法性能显著改善,其检测率提高了187%,误检率降低了46%,平均检测时间缩短了73%。

多层前馈网络的优化算法及其工程应用

针对基于多层前馈网络的误差反向传播算法(Standard Error Backpropagation Algorithm,SEBPA)易使网络陷入局部极小点、网络振荡、收敛速度慢甚至不收敛等缺点,通过引入新的评价函数、在网络权值和阀值迭代式中加入动量因子和可变学习率,改进SEBPA以优化多层前馈网络。本文利用基于改进算法的网络拟合非线性函数进行仿真实验,结果表明算法能大大改善网络性能;而轴承状态分类实验进一步验证了算法是正确的和有实际应用价值的。

一种多层前馈网络计量经济建模方法

介绍了4种敏感性分析方法,给出了多层前馈网络计量经济模型正规化灵敏度的解析计算方法,进而利用灵敏度来进行多层前馈网络结构优化。结果表明了对多层前馈网络计量经济模型进行敏感性分析是一种有效识别敏感因素的方法。

基于多层前馈网络的计量经济模型敏感性分析方法

多层前馈网络计量经济模型可以描述复杂的非线性经济现象,在经济建模中的应用曰益广泛。而经济敏感性分析是一种研究经济的有效方法,潜在函数关系的可微性是应用该方法的前提条件之一,其要点是用拟合函数的导数来近似潜在函数的导数。介绍了四种敏感性分析方法,给出了多层前馈网络计量经济模型正规化灵敏度的解析计算方法,并说明了对多层前馈网络计量经济模型进行敏感性分析是一种有效识别敏感因素的方法。

多层前馈网络的联合梯度学习算法及其在水文预报中的应用

提出了径流长期分级预报的人工神经网络方法，给出了多层前馈网络的联合梯度算法。用辽宁大伙房水库的汛期长系列资料进行实例研究，取得了初步令人满意的结果。

多层前馈网络在商品需求量预测中的应用

利用多层前馈网络进行商品需求量预测。采用一种基于相对敏感性指标的修剪算法来进行网络结构设计,该方法进行迭代回溯选择搜索,删除影响较小的节点,降低了网络的结构复杂度,并可以利用一种保持输入输出总体性能近似不变的算法进行调整剩余权重。结果说明此种方法具有较好的效果,不仅满足了误差目标的要求,而且提高了网络的推广能力,相对敏感性指标还可以反映时间序列数据之间的关系。

基于MRF模型的多层前馈网络纹理分割方法

提出一种基于马尔柯夫随机场 （ Ｍ Ｒ Ｆ） 模型和多层前馈神经网络进行纹理分割的方法．利用二阶高斯 Ｍ Ｒ Ｆ模型对图像纹理进行描述，采用最小平方误差方法进行参数估计，将估计参数作为纹理的特征向量，并且利用改进的 Ｂ Ｐ算法对特征进行分类．对纹理图像进行的实验表明，与常规距离方法相比，采用这种方法进行纹理分割能取得更好的效果．

多层前馈网络的一种快速算法

多层前馈网络是目前研究得最多和应用最广泛的神经网络之一，其基本算法为误差反向传播（ＥＢＰ）算法，但存在收敛速度慢和局部极小的问题。本文利用递归最小二乘算法来训练多层前馈网络，ＲＬＳ算法具有收敛速度快，抗噪声能力强等优点，还克服了常规ＢＰ算法中学习率选取困难的缺点。仿真结果说明了本文方法的有效性。

一种多层前馈网络的学习策略

本文通过研究关联规则系统的特性,建立了一种解决关联规则系统问题的人工神经网络模型,即:一种多层前馈网络的学习策略,并对多层前馈网络学习方法做了详细论述,着重就输入链的强化与弱化、新链搭建、目标差异学习法进行分析。在本文后部分给出了实验数据与实验数据分析结论。

提高多层前馈网络推广能力的权值控制算法

研究了多层前馈网络的“过拟合”现象，针对网络拟合效果好，而推广能力差的问题，提出了与ＢＰ算法相结合的、以权值修正量小于某一给定的较小值为收敛标准的权值控制算法。在紫坪埔水库工程洪水预报的神经网络模型中的应用表明，该方法具有提高多层前馈网络推广能力的作用。

基于覆盖算法与多层前馈网络的案例库维护

针对运行在电子商务等交互式应用领域中的案例推理系统时,其案例库的规模很容易达到成千上万条且不能削减的特点,提出同时从两方面着手完成案例库维护:一方面用覆盖算法将案例库划分成覆盖领域,实现案例的选择性过滤使用;另一方面应用多层前馈神经网络改进案例匹配,提高检索效率.实验表明,该方法可以用来处理海量的高维数据,保证了系统的可用性.

基于多层前馈网络的生物质热解失重过程模拟

试验获取了南方地区几种典型生物质固体废弃物的热解失重特性,运用多层前馈神经网络实现了对不同温度条件下失重特性的准确模拟,对ANN模型的准确性和训练精度进行了讨论。研究证实了人工神经网络应用热学过程模拟的可行性和有效性。

一种新的多层前馈网络学习算法

基于仅值解耦思想，本文提出一种新的多层前馈网络学习算法。该学习算法的收敛速度比ＢＰ学习算法快，且比并行递推预测误差学习算法有更好的数值稳定性。文中论述了它与别的学习算法之间关系，并选取神经网络对非线性系统建模的例子进行仿真，说明新算法的有效性。

多层前馈神经网络的学习和综合算法

本文提出多层前馈网络的一种新的学习和综合算法──ＦＰ算法，并证明由此算法得到的网络作为通用联想记忆器时，具有如下优点：（１）每个样本都是吸引中心；（２）每个样本的吸引半径达到最大值；（３）网络没有假吸引中心；（４）网络具有最少的元件个数；（５）学习的复杂性达到最优（就其复杂性的阶而言）．故此网络在性能、结构、计算复杂性等方面均达到很好状态．

多层前馈神经网络的动态规划算法

利用动态规划来训练多层前馈网络，即逐层修改网络的权值。其算法采用有关文献提出的矩阵的广义道的正交反向传播算法（ＯＢＰ），经有限次迭代即可得到每一层的最优权值。

基于蚁群算法的多层前馈神经网络

反向传播算法是神经网络中应用广泛的一种多层前馈神经网络模型。但算法有求解精度低、搜索速度慢、易于陷入极小的缺点。蚁群算法是一种新型的模拟进化算法,有正反馈、分布式计算、启发性收敛等特性。这些特性使得解题过程加快,易于实现分布式计算。将蚁群算法和神经网络相结合起来,实现了非线性模型的辨识问题及倒立摆的控制。仿真实验表明:用蚁群算法训练神经网络,可兼有神经网络广泛映射能力和蚁群算法快速全局收敛的性能。

关于前馈多层神经网络多维函数逼近能力的一个定理

本文首次证明了前馈神经网络多维函数逼近能力的一个重要定理:当隐层神经元数目足够多时,其多维函数逼近能力与维数无关.也就是说我们只需研究其一维函数逼近能力,所得的结论完全适合于多维情形,该定理大大简化了前馈多层神经网络函数逼近问题的分析难度。本文还给出了该定理的一个应用。