前向多层感知器网络的逐层学习算法

提出一种改进的前向多层网络逐层学习算法 .隐层神经元的输出函数由具体系统的样本输出值确定 .先让前面的隐层及输入层的权值确定不变 ,然后对当前层的权值进行调节 ,对前一隐层输出值的误差进行估计以得到新的输出值 ,将其作为临时教师信号用来训练前一层的权值 .把每一层权值的改变量和输出值误差的估计转变为最小二乘问题 ,逐层处理 ,直到输入层 .数字仿真和具体应用的结果表明了算法的有效性 .

人工神经元群的逐层学习

本文提出了人工神经元群的逐层学习方法.该方法所建议的学习过程与人类个体及社会知识的增长过程较为接近,并且可以改善网络系统的泛化能力,提高系统的学习效率.本文对一些具体问题进行计算机仿真研究。

基于神经网络的深度学习方法研究

深度学习作为时下热门的机器学习算法,能够在全局环境下得到较优的解,已经在各领域中获得了大量的应用。深度学习是在神经网络的基础上发展而成,它摒弃了神经网络过拟合和参数难调等问题,通过多层隐藏层对参数进行调优并逐层优化,智能机器人、文本挖掘、推荐系统等,诸多领域已经有着深度学习理论的应用。

深度堆栈自编码网络在船舶重量估算中的应用

传统的船舶重量估算方法多数存在误差大、成本高等问题。为此,提出一种基于深度学习的船舶重量估算算法。利用多层神经网络逐层无监督学习训练初始化参数,通过反向梯度下降的方式微调参数。运用深度堆栈自编码网络挖掘深层次的数据特征,并在ShipWE自建数据库上进行分析。实验结果表明,与传统吃水估算方法相比,该算法具有更强的稳定性和更高的准确性,与BP神经网络算法和径向基函数神经网络算法相比,该算法的精度更高,能有效解决船舶估算可信度低的问题。