扩展隐层的误差反传网络训练算法研究

为提高神经网络的预测精度,对现有的误差反传网络训练算法进行了改进。对三层误差反传网络进行了结构扩展,在训练过的三层网络中,动态增加一个具有线性激活函数的辅助隐层,形成一种新的网络扩展模型。用改进的蚁群算法对新增权值参数进行训练,着重阐述算法的实现过程及算法分析。最后,设计了一组催化剂活性预测实验,对算法改进前后的预测能力及训练误差进行了对比。结果表明,采用该模型及训练算法,可以在不影响网络表达能力的基础上提高网络的训练精度及预测精度,改善了网络的泛化能力。

一种简单的BP网络隐层扩展模型及其训练算法研究

为了提高神经网络的预测精度,设计一种动态扩展BP网络隐层的方法,在训练过的BP网络上动态增加一个具有线性激活函数的隐层,用改进的蚁群算法对新增权值进行训练,着重对算法的实现过程及算法分析进行论述。设计了算法改进前后用BP网络对催化剂活性进行预测的对比实验,结果表明,采用该模型及训练算法,可在不影响网络表达能力的基础上提高网络的训练精度及网络的泛化能力。