一种量子神经网络模型学习算法及应用

提出一种量子神经网络模型及学习算法. 首先基于生物神经元信息处理机制和量子计算原理构造出一种量子神经元, 该神经元由加权、聚合、活化、激励四部分组成. 然后由量子神经元构造出三层量子神经网络模型, 其输入和输出为实值向量, 权值和活性值为量子比特. 基于梯度下降法构造了该模型的超线性收敛学习算法. 通过模式识别和函数逼近两种仿真结果表明该模型及算法是有效的.     

基于序列输入的量子神经网络模型及算法

为提高神经网络的逼近能力,提出一种各维输入为离散序列的量子神经网络模型及算法.该模型为3层结构,隐层为量子神经元,输出层为普通神经元.量子神经元由量子旋转门和多位受控非门组成,利用多位受控非门中目标量子位的输出向输入端的反馈,实现对输入序列的整体记忆,利用受控非门输出中多位量子比特的纠缠获得量子神经元的输出.基于量子计算理论设计该模型的学习算法.该模型可从宽度和深度两方面获取输入序列的特征.仿真结果表明,当输入节点数和序列长度满足一定关系时,该模型明显优于普通神经网络.     

基于受控Hadamard门的量子神经网络模型及算法

为提高神经网络的逼近能力,提出一种基于受控Hadamard门设计的量子神经网络模型及算法.该模型输入为多维离散序列,可用矩阵描述,行数为输入节点数,列数为序列长度.模型为3层结构,隐层为量子神经元,输出层为普通神经元.量子神经元由量子旋转门和多位受控Hadamard门组成,利用多位受控Hadamard门中目标量子位的输出向输入端的反馈,实现对输入序列的整体记忆,利用受控Hadamard门中控制位和目标位之间的受控关系获得量子神经元的输出.基于量子计算理论设计了该模型的学习算法.该模型可高效地获取输入序列的特征.实验结果表明,当输入节点数和序列长度满足一定关系时,该模型明显优于普通BP神经网络.     

前向傅立叶神经网络系统逼近理论及学习算法

定义了傅立叶神经元与傅立叶神经网络,将一组傅立叶基三角函数作为神经网络各隐层单元的激合函数,设计出一类单输入单输出三层前向傅立叶神经网络与双输入单输出四层前向傅立叶神经网络,以及奇、偶傅立叶神经网络,基于三角函数逼近论,讨论了前向傅立叶神经网络的三角插值机理及系统逼近理论,且有严格的数学理论基础,给出了前向傅立叶神经网络学习算法,通过学习,它们分别能逼近于给定的傅立叶函数到预定的精度。仿真实验表明,该学习算法效率高,具有极为重要的理论价值和应用背景。     

基于多级神经元的神经网络及其在分类中的应用

为了提高前向神经网络的分类能力,该文将多级神经元扩展使用到多层感知器的输出层和隐含层中,并提出了量子神经网络的学习算法。通过一个实际的分类问题实验验证了该方法的有效性。实验表明,无论输出层或隐含采用多级神经元,都可以带来分类能力的提高。而当输出层采用多级神经元时,还可以导致连接的减少和训练速度的加快。     

前向代数神经网络的函数逼近理论及学习算法

文中对ＭＰ神经元模型进行了推广,定义了多项代数神经元、多项式代数神经网络,将多项式代数融入代数神经网络,分析了前向多项式代数神经网络函数逼近能力及理论依据,设计出了一类双输入单输出的前向４层多层式代数神经网络模型,由该模型构成的网络能够逼近于给定的二元多项式到预定的精度。给出了在Ｐ－ａｄｉｃ意义下的多项式代数神经网络函数逼近整体学习算法,在学习的过程中,不存在局部极小,通过实例表明,该算法有效,最     

多输出神经元模型的MFNN带正则化因子RLS算法

在神经网络的学习中,将递推最小二乘算法（RLS）与正则化因子相结合,一方面,可以提高网络的泛化能力,另一方面,对学习样本的噪声具有鲁棒性。但是,当网络规模较大时,该算法每迭代一步计算复杂度和存储量要求很大。本文将带正则化因子的RLS算法应用于多输出神经元模型的多层前向神经网络,通过仿真实验,结果表明,本方法可以大大简化网络结构,减小每迭代一步计算的复杂度和存储量。     

一种量子衍生神经网络模型

为提高神经网络的逼近能力,通过在普通BP网络中引入量子旋转门,提出了一种新颖的量子衍生神经网络模型. 该模型隐层由量子神经元组成,每个量子神经元携带一组量子旋转门,用于更新隐层的量子权值,输入层和输出层均为普通神经元. 基于误差反传播算法设计了该模型的学习算法. 模式识别和函数逼近的实验结果验证了提出模型及算法的有效性.     

多层前向神经网络的快速学习算法及其应用

针对目前多层前向神经网络学习算法存在的不足,提出一种多层前向神经网络的快速学习算法,它不仅符合生物神经网络的基本特征,而且算法简单,学习收敛速度快,具有线性、非线性逼近精度高等特性.以二杆机械手逆运动学建模作为应用实例,仿真结果表明该方法是有效的,其算法与收敛速度更优于BP网络.     

一种新型的动态递归神经网络及其算法

通过对Elman网络的研究 ,提出了一种新型的基于输入层、隐层、输出层神经元递归的动态递归神经网络 ,并给出了其算法。通过在系统辨识中的应用表明 ,该网络收敛速度快 ,模型精度高 ,具有较为广阔的应用前景。     

A neuron model with trainable activation function (TAF) and its MFNN supervised learning

This paper addresses a new kind of neuron model, which has trainable activation function (TAF) in addition to only trainable weights in the conventional M-P model. The final neuron activation function can be derived from a primitive neuron activation function by training. The BP like learning al-gorithm has been presented for MFNN constructed by neurons of TAP model. Several simulation ex-amples are given to show the network capacity and performance advantages of the new MFNN in com-parison with that of conventional sigmoid MFNN.     

灰色神经网络模型及其应用

灰色建模要求的样本点少,不必有较好的分布规律,而且计算量少,操作简便。而BP网络学习样本时,会反馈校正输出的误差,具有并行计算、分布式信息存储、强容错力、自适应学习功能等优点。本文将灰色预测建模和神经网络技术融合起来,建立灰色神经网络模型(GNNM)。提出计算残差序列和新的预测值的公式。用于发酵动力学预测,结果表明,灰色神经网络模型在预测精度方面优于常规灰色模型。该模型的算法概念明确,计算简便,有较高的拟合和预测精度,拓宽了灰色模型的应用范围。     

基于神经网络集成的软件故障预测及实验分析

软件系统故障预测是软件测试过程中软件可靠性研究的重点之一。利用软件系统测试过程中前期的故障相关信息进行建模,预测后期的软件故障信息,以便于后期测试和验证资源的合理分配。根据软件测试过程中已知的软件故障时间序列,利用非齐次泊松分布过程、神经网络、神经网络集成等方法对其进行建模。通过对三个实例分别建模,其预测平均相对误差G-O模型依次为3.02%、5.88%和6.58%,而神经网络集成模型为0.19%、1.88%和1.455%,实验结果表明神经网络集成模型具有更精确的预测能力。     

基于Octave卷积的混合精度神经网络量化方法

浮点数位宽的深度神经网络需要大量的运算资源,这导致大型深度神经网络难以在低算力场景（如边缘计算）上部署。为解决这一问题,提出一种即插即用的神经网络量化方法,以压缩大型神经网络的运算成本,并保持模型性能指标不显著下降。首先,基于Octave卷积将输入特征图的高频和低频成分进行分离;其次,分别对高低频分量应用不同位宽的卷积核进行卷积运算;第三,使用不同位宽的激活函数将高低频卷积结果量化至相应位宽;最后,混合不同精度的特征图来获得该层卷积结果。实验结果证实了所提方法压缩模型的有效性,在CIFAR-10/100数据集上,将模型压缩至1+8位宽时,该方法可保持准确率指标的下降小于3个百分点;在ImageNet数据集上,使用该方法将ResNet50模型压缩至1+4位宽时,其正确率指标仍高于70%。     

基于BP神经网络的产品造型设计评价

为了对产品的造型设计进行评价,在分析人工神经网络原理的基础上提出了应用BP神经网络评价产品造型设计的方法.根据BP神经网络具有自学习、自组织、自适应和非线性动态处理等优点,建立了产品造型设计BP神经网络评价模型,选择某一产品造型设计的13款方案作为样本,利用Matlab软件进行了BP网络的实例训练和验证.实验结果表明,BP神经网络模型可以较准确的对产品造型设计进行评价.     

基于灰色神经网络的烧结矿碱度组合预测

针对钢铁生产过程中烧结矿碱度检测的难题,利用灰色预测的GM(I,1)模型与BP神经网络进行组合,建立了灰色神经网络的烧结矿碱度组合预测模型,选取10W与矿碱度有关的输入变量,对这些变量分别进行灰色GM(1,1)预估,再进行BP神经网络预测,获得烧结矿碱度预测结果,仿真结果的相对误差小于0.005%.     

灰色人工神经网络人口总量预测模型及应用

针对单一指标进行人口总量预测精度不高的问题,基于灰色系统理论和人工神经网络理论,用1990年至2004年中国人口总量序列建立并训练一个多指标的灰色人工神经网络人口总量预测模型。对2005年至2007年的人口总量进行检验性预测,结果表明灰色人工神经网络模型大大提高了预测精度。     

对Preisach类的迟滞非线性神经网络建模

为了消除迟滞非线性对系统的不良影响,本文利用神经网络对Preisach类的迟滞非线性进行建模．通过引入一个特殊的迟滞因子,将多映射的迟滞非线性转换成一一映射,然后建立了基于神经网络的迟滞非线性模型．该模型结构简单,简化了辨识过程,可以调整神经网络权值以适应不同条件下的迟滞辨识．最后．应用该方法对压电执行器中的迟滞非线性建模,并与KP模型进行了比较．     

一种基于灰色神经网络的网络流量预测模型

网络流量是衡量网络运行负荷和状态的重要参数,也是网络规划、流量管理等方面起着重要作用的重要参数。在流量管理中,流量模型用于评价接入控制机制和预测网络性能。灰色模型和神经网络在反映数据的趋势性变化上效果明显,随着灰色神经网络的发展及其广泛应用,越来越多的方法已经被提出。文中利用神经网络补偿器获得误差补偿信号,则最终的预测值为灰色神经网络模型的预测值加上误差补偿。仿真结果验证了所提方法的有效性。     

多通道神经群模型建模及分析

由计算模型产生多通道神经信号,可帮助理解引起脑电信号节律的机制,研究大脑的功能联接以及测试神经信息处理的方法和假设.本文将双动力学集总参数神经群模型扩展为多动力学多通道耦合的模型,用于研究大脑不同区域的耦合动力学行为.通过模型仿真发现信号的频谱可以从δ波(1-4Hz)到γ波(30-70Hz)变化,其动力学特性更加复杂;模型实验还揭示了神经网络耦合和神经群节律之间的关系,随耦合强度的增强,新模型仿真信号会出现双谱峰和单谱峰的现象;通过模拟大鼠癫痫,也证实神经群之间的耦合可以导致癫痫大范围爆发.