基于正交校正共轭梯度法的快速神经网络学习算法研究

前馈神经网络由于具有理论上逼近任意非线性连续映射的能力,因而非常适合于非线性系统建模及构成自适应控制。为了提高前馈神经网络的权的学习效率及稳定性,该文提出一种基于正交校正共轭梯度优化方法的快速神经网络学习算法,通过与其它学习算法(如:BP算法、变尺度法、用差商近似代替导数的Powell法等)的比较,经仿真试验表明,本算法是一种高效、快速的学习算法。

支撑向量机的优化算法及实现

本文主要对数据挖掘中分类判别方法进行了研究。在对支撑向量机理论研究的基础上,提出了正交校正共轭梯度法-SVM(CGM-OC-SVM)。该算法是在吸取PRP-SVM算法的优点并改进其缺点基础上提出来的,解决较大规模的随机凸二次规划问题,同时克服了最速下降法-SVM收敛速度慢的特点。并且该算法使用径向基内积函数分类器作为Kernel函数,使算法更具有通用性,并通过程序对该算法进行了实现。