多层前向神经网络的权值平衡算法

对前向多层神经网络BP算法的改进方法作了分析 ,提出了一种新的改进方法———权值平衡算法 ,充分发挥各权值对网络训练的作用 .仿真结果表明 ,新算法与基本的BP算法相比明显地提高了网络收敛速度和精度 。

BP算法的改进及其在焊接过程控制中的应用

BP算法存在着收敛速度较慢、易于陷入局部极小点的问题 ,为了解决该问题 ,对 BP算法作了大量仿真试验和深入分析后 ,发现神经网络各层间权值调节量存在较大的差异 ,从而提出了一种新的改进方法 ,充分发挥神经网络各权值对网络训练的贡献。试验结果表明 ,新算法与基本的 BP算法相比大大提高了网络收敛速度 ,用改进的算法对焊接过程进行了控制仿真 ,获得了较好的结果。

一种可调参数前馈神经网络的快速学习算法

针对传统BP神经网络权值算法速度慢、易陷入局部极小等缺陷,在权值平衡算法的基础上,提出了一种激励函数参数可调的前馈神经网络,并给出了相应的权值和参数快速学习算法。该算法运用该文提出的非单调启发式模拟退火搜索法实现网络权值和参数的快速搜索。实验表明,该算法不仅能明显提高网络的学习速度,而且可较好地避免学习过程陷入局部极小点而导致学习失败。

可调参数前馈神经网络及其启发式模拟退火法

针对传统BP神经网络权值算法速度慢、易陷入局部极小等缺陷，在权值平衡算法的基础上，提出一种激励函数参数可调的前馈神经网络，并给出了相应的权值和参数快速学习算法；该算法运用文章提出的非单调启发式模拟退火搜索法实现网络权值和参数的快速搜索；实验表明，该算法不仅能明显提高网络的学习速度。而且可较好地避免学习过程陷入局部极小点而导致学习失败。

基于小波网络的BP算法改进研究

对BP算法的特点进行了分析,在权值平衡算法的基础上,应用小波网络对其进行改造,提出了基于小波网络的BP权值平衡算法,给出了具体的算法步骤,仿真结果证明该算法既具有BP网络的简捷性,又能够提高学习速度和精度,避免了BP网络易出现的收敛速度慢、易产生局部最优解的问题,是一种较好的神经网络学习算法。

基于博弈树算法的五子棋游戏的设计与实现

针对当前五子棋游戏软件存在的自主学习能力有限、用户体验感差等问题,笔者设计实现了一个基于博弈树搜索模型的五子棋游戏系统。在深入分析棋局局面搜索基本原理的基础上,设计了五子棋棋局局面最优搜索与评估策略,研究了基于平衡权值策略的博弈树搜索评估理论模型,详细讨论了五子棋游戏系统的设计过程,给出了五子棋游戏软件的具体实现。本文实现的五子棋游戏系统操作简洁、自主学习能力强且用户体验感觉好,研究工作具有重要的现实意义。