广义知识存储原理与高阶广义神经网络

本文在仔细分析神经网络知识存储方式的基础上，提出了高阶广义神经网络的概念和构成原则，讨论了其中一种典型的智能神经元模糊以及据此实现高阶广义神经网络的各项性能，最后将其与标准的ＢＰ算法进行了比较。     

用于神经网络模式识别的一种改进的BP算法

在对采用BP算法的神经网络进行分析的基础上，针对标准BP算法的不足进行了改进，并给出了通过对作用函数进行修正后所得到的改进BP算法的应用实例。     

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。     

基于神经网络的电子政务绩效评价模型分析

阐述电子政务评价指标体系,基于BP神经网络的电子政务绩效评价模型及其实证应用,包括评价模型设计的原理、评价模型的结构设计、电子政务的BP神经网络算法优化、样本数据采集和处理。     

基于BP神经网络的在线学习行为评价模型

文章针对网络学习中现有在线学习行为评价方式缺乏全面性、科学性和评价反馈的即时性,提出了一种基于BP神经网络的在线学习行为评价模型,并讨论了评价方式和评价流程。     

人工神经网络的BP算法及其应用

在一般人工神经网络的BP算法的基础上,研究了BP算法所遵循的数学基础,指出其存在的缺陷和不足,并给出改进方法。探讨了MATLAB环境下实现人工神经网络BP算法的编程方法及方法改进比较的例子,得到了良好的结果。     

BP神经网络的一个带跳步策略的学习算法

本文利用模型逼近度的概念和跳步策略，给出了ＢＰ神经网络的一个自适应跳步学习算法，对Ｆｉｓｈｅｒ提出的分类问题和一个实际的非线性时间序列预测问题进行了计算，结果表明本文法取得了良好的效果。     

基于联想记忆神经网络模型的BP算法

提出一种改进神经网络BP算法的识别训练系统。实验结果表明，基于联想记忆神经网络模型的BP算法，大大降低样本可变系统的网络训练次数。该系统有效降低样本可变系统的网络训练时间，为BP算法应用于对实时性要求高的场合提供算法基础。     

一种基于误差变化率的自适应反射传播算法

本文针对ＢＰ算法存在收敛速度慢的缺点，提出一种基于网络动态训练误差变化率自动校正学习步长和冲量因子的自适应反向传播算法。导或问题的仿真结果表明，该方法具有较快的收敛速度。     

一种基于高阶矩的神经网络参数估计器

本文提出了一种可控学习的两级多层神经网络模型,由此设计出一种基于高阶矩匹配的神经网络参数估计器;并对该神经网络模型的学习算法进行了研究,提出了一种自适应并行学习算法。仿真结果表明,这种利用神经网络进行模型参数估计的方法是可行的。     

基于LabWindows/CVI的人工神经网络BP算法的实现

提出了一种BP学习算法的改进算法，与传统BP算法相比，本算法针对传统BP算法收敛速度较慢的缺点，提出了两点改进：一是选用奇函数作为激励函数；二是改进了学习过程中不随误差变化的误差反向传播因子，并给出了该算法在LabWindows／CVI环境下的实现方法。程序运行表明，本算法使学习速度有了较显著的提高。     

一种投票权值调整的神经网络集成增量学习方法

针对神经网络集成增量学习中集成输出投票权值的设定问题,给出了一种投票权值调整的神经网络集成增量学习方法。该方法定义了神经网络集成中子神经网络训练集的类核函数,通过计算待识样本与类核函数之间的核函数距离得到集成输出中子神经网络的投票权值。这种投票权值设定方法可以根据子神经网络分类器对待识样本的分类性能自适应地调整集成输出的投票权值,是一种更加合理的集成输出投票权值设定方法。仿真实验表明,这种投票权值调整的神经网络集成增量学习方法比投票权值固定的方法增量学习性能更优。      

人工神经网络的容量、学习与计算复杂性

本文讨论了人工神经网络（ＡＮＮ）解决问题的能力，从广泛的角度讨论了容量问题，推广与学习问题，深入研究了ＡＮＮ通过学习解决问题的计算复杂性，以及解决实际问题时困难所在。     

一种基于ABC的量子神经网络训练算法

传统的量子神经网络的训练方法容易使得算法陷入局部极小值,将Artificial Bee Colony(ABC)算法引入到原训练算法中,并且对人工蜂群算法进行改进.利用改进后的人工蜂群算法来优化传统量子神经网络,使优化后的量子神经网络具有结构简单、参数少、收敛速度快和可跳出局部极小值等优点.实验结果表明,相比原训练算法该优化算法提高了量子神经网络收敛解的精度.     

神经网络与HMM构成的混合网络在语音识别中应用的研究

隐马尔可夫模型（ＨＭＭ）技术是语音识别中应用较为成功的算法，但它的缺点影响了其精度、速度、硬件实现和推广应用。神经网络（ＮＮ）具有并行性、强的分类能力和易于硬件实现等优点。将ＮＮ与ＨＭＭ相结合构成混合网络，能克服ＨＭＭ与ＮＮ的缺点，保留双方的优点。本文详细评述了目前在语音识别中应用的由ＨＭＭ和ＮＮ构成的四种混合网络。通过对其结构、识别性能和特点的分析，可以看出ＨＭＭ和ＮＮ构成的混合网的性能明显优于     

改进BP神经网络的EMG手指运动识别

在基于肌电信号(EMG)手指运动的模式识别中,稳定性和识别率是两个主要问题,为此提出了一种新的EMG模式识别算法。该算法采用现代信号处理理论中的AR模型和改进的BP神经网络相结合的算法,有效的解决了BP网络识别中落入局部极值问题。进行试验,将提取到的特征值输入MATLAB建立一个改进多层BP神经网络,识别三个不同类型的手指运动。实验表明,改进BP算法较传统BP算法获得了更高的识别精度,达到94%左右。     

前馈神经网络的一种有效学习算法

本文提出了基于混合ＧＮ－ＢＦＧＳ法进行前馈神经网络学习的新算法，该算法结合ＧＮ法与ＢＦＧＳ法的特点，既利用了问题本身的特殊结构，又能取得超线性甚至二次渐近收敛率。与ＢＰ算法相比，这种算法可取得更快和更可靠的学习特性，在学习过程中利用该方法能够区分非零残量和零残量问题的特点，提出了自动调整隐单元数的方法，从而可以保证网络学习与归纳能力，示例系统的结果表明了所提方法的有效性。