零代价函数的前馈神经网络新算法

文章提出一种全新的三层前馈神经网络算法,它比BP算法优越得多.新算法不再采用误差反向传播原理,而是选择一层自由权,通过求解线性方程组求得另一层待求权.新算法选择很广一类的隐层神经元函数,可以直接求得全局最小点,不存在BP算法的局部极小、收敛速度慢等问题.新算法较BP算法快得多.

零代价函数条件下的前馈神经网络统计灵敏度分析

讨论了输入层和输出层为恒等变换神经元.隐层为非线性变换神经元的三层神经网络的统计灵敏度,给出了权值和输入样本的加性扰动灵敏度计算的理论公式.当输入扰动较小时,通过选择多种不同的隐层神经元函数,按照本文理论结果计算出来的灵敏度数值与仿真实验的结果十分吻合,说明了本文理论分析结果的正确性.当输入扰动较小时,隐层取不同函数时灵敏度的值是不同的,但数值基本上稳定不变.对于某些隐层函数,当输入扰动值较大时,网络的灵敏度数值迅速下降,但是网络输出的平均相对误差却迅速增加.在求灵敏度时,网络的权值是用代价函数为0的精确算法求得的.

基于神经网络代数算法的电磁环境评价

前馈三层神经网络具有很好的非线性映射能力,而前馈三层神经网络的代数算法能够实现零代价函数的网络精确学习过程,本文将其应用于电磁环境复杂度的评价.首先从时域、空域、频域和能量域四个方面选择电磁环境的评价指标,再建立零代价函数的电磁环境评价模型,进一步说明前馈三层神经网络的代数算法在电磁环境评价上的应用.

基于代数算法神经网络对股票价格的研究

利用零代价函数神经网络算法,首先,选用2004年和2007年各40个交易日的上证指数收盘价作为训练样本,对建立的三层神经网络进行训练和仿真,实现了网络的精确映射,网络输出误差几乎为零,然后,以2007年数据和2004年数据分别作为训练样本和测试样本,测试该网络的泛化能力.