BP网络的SPDS算法的局部极小问题分析

针对BP网络的训练算法SPDS算法,研究了局部极小问题.利用基于单参数动态搜索算法的SPDS算法的变量逐一搜索的特点,证明了每次迭代的等价误差函数均为拟凸函数,进而极小点存在并可求出.将迭代必将收敛的初值集合定义为全局极小区域,针对局部极小问题给出L-SPDS算法,并证明了SPDS算法的全局极小区域沿坐标轴方向扩张的区域既是L-SPDS算法的全局极小区域,从而SPDS算法收敛于全局极小点的可能性大大增加了,算法的仿真试验也证明了这一点.

基于SPDS算法的R&D项目中止决策的神经网络模型

提出了基于SPDS算法的R&D项目中止决策的快速神经网络模型。SPDS算法具有比BP网络更快的训练速度和更高的识别率。

基于多层前馈神经网络SPDS算法的地质数据非线性分析问题研究

多层前馈神经网络善于解决非线性分析问题,但对于复杂的地质数据,普通的训练算法难以收敛。首先介绍了SPDS算法,并把它用于解决地质数据的非线性分析问题。算法的仿真实验表明,用SPDS算法训练的多层前馈神经网络,比较好地解决了该问题。

基于SPDS算法神经网络的CDMA多用户检测

针对基于单参数动态搜索(SPDS)算法的神经网络应用于DS-CDMA通信的多用户检测的问题,先给出了在同步高斯信道下运用三层基于SPDS算法的神经网络解调扩频信号的结构框图,然后给出了SPDS算法的优点和具体实现步骤,并分析了基于这种网络进行多用户检测的理论依据和实际性能。仿真结果表明,无论是抗多址干扰还是抑制远近效应,基于SPDS算法的神经网络接收机都明显优于传统接收机和普通BP神经网络接收机。

BP网络的SPDS训练算法的鲁棒性

证明了作为BP网络的训练算法之一的SPDS算法在收敛的同时具有鲁棒性这一良好性质、实例也证明了SPDS算法较之BP算法在鲁棒性问题上有较大进步 .

多层神经网络的一个快速算法

本文对文[4]提出的前馈式多层神经网络的单参数动态搜索（SPDS）算法进行了深入的分析，给出了实现快速一维搜索的两个方案，从而实现了多层神经网络更为快速的学习训练．

单参数动态搜索算法的泛化与容错能力

使用样本训练神经网络的重要问题之一是网络如何能很好地产生训练集外的模式和当样本中含有误差时算法得到的网络是否对该误差敏感 ,即算法的泛化能力和容错能力是至关重要的 .分析了前馈式神经网络的单参数动态搜索算法 (SPDS算法 )与BP算法在这两方面的区别 ,指出SPDS算法相对较好 .

采用神经网络进行电力系统短期负荷预测的一种降维方法

提出一种采用神经网络进行电力系统短期负荷预测的降维方法。该方法将每天的L个时刻负荷数据降维处理为少数几个特征参数 ,利用人工神经网络预测待测日的这些参数 ,以及参照日负荷为依据进行负荷预测。该方法提高了预测精度和速度 。