基于知识的阶层型神经网络结构及参数的一种确定方法

神经网络具有优秀的学习能力 ,但神经网络的权值及阈值却无法解释与理解 ,给进一步的应用带来了困难 国内外学者就这一问题进行了各种探讨 ,研究怎样从神经网络中抽取规则 ,但算法较复杂 ,规则的可理解性较差 从不同的视角出发 ,提出一种从知识的角度来考察阶层型神经网络的结构及参数的思路 利用从样本数据中获得的知识 (模糊规则 ) ,来确定网络的大小 ,即中间层的结点数目 ,以及网络的参数 ,即网络的权重及结点的阈值 该方法的特点是不用精简网络的结构 ,也不用改变网络以往的BP学习算法 按照这种方法构造出的神经网络 ,即使不学习 ,其输出也会大致地跟踪样本 ,网络的学习时间将会缩短 与此同时 ,网络的参数 ,即权重及阈值的意义可以解释 ,为直接从神经网络中提取知识提供了依据

一种新型的提高电磁力平衡传感器精度的方法

本文利用BP网络较强的非线性映射能力,提出用BP网络与传感器相结合的方法来提高电磁力平衡传感器的精度。