基于感知器模型的布尔函数实现

通过对感知器模型的研究,结合数字电路知识,实现了基本逻辑运算,并通过MATLAB验证了感知器能够实现逻辑运算,并能进行正确分类。     

基于感知器模型的布尔函数实现

通过对感知器模型的研究,结合数字电路知识实现了基本逻辑运算,同时用MATLAB验证了感知器能够实现逻辑运算,并能进行正确分类.     

感知器在语言模型训练中的应用

感知器(perceptron)是神经网络模型中的一种,它可以通过监督学习(supervised learning)的方法建立模式识别的能力.将感知器应用到语言模型的训练中,实现了感知器的两种不同训练规则以及多种特征权值计算方法,讨论了不同的训练参数对训练效果的影响.在训练之前,使用了一种基于经验风险最小化(empirical risk minimization, ERM)的特征选择算法确定特征集合.感知器训练之后的语言模型在日文假名到汉字(kana-kanji)的转换中进行评估.通过实验对比了感知器的两种训练规则以及变形算法的性能,同时发现通过感知器训练的模型比传统模型(N-gram)在性能上有了很大的提高,使相对错误率下降了15%～20%.     

应用感知器进行模式分类

感知器是一种有用的神经网络模型,可以对线性可分的模式进行正确分类。试验结果表明,该网络模型适用于简单的模式分类问题,具有较好的实用性。     

采用自适应神经元的随机指数标记策略*

为了提高随机指数标记算法(REM)的响应能力和适应性,提出了一种基于自适应神经元的REM算法(ANREM).采用具有比例积分微分(PID)控制属性的加强型价格来检测和控制网络拥塞.利用神经元构造PID价格,并设计控制参数的自适应调整机制,以增强算法在动态环境中的适应性.在NS2仿真平台中,将ANREM与REM及其改进方...     

基于感知器的SVM自学习模型

提出了一种基于感知器的SVM分类模型（PSVM）。该模型在对分类器的训练中,引入感知器分类思想,其先利用SVM的核函数进行核计算,判断其分类性能,分类正确则不作任何修改,反之则转化成感知器分类问题。实验结果表明该模型不但能提高SVM的分类性能,而且还可以降低SVM分类性能对核函数及参数选择的依赖。     

基于BP网络的异或运算多阈值神经元的实现

由于单层感知器功能有所限制,文章给出了基于BP神经网络的(多层感知器)异或运算的网络结构图,进而在此基础上设计了一个实现异或运算的多阈值神经元.这样的神经元电路具有速度快效率高的特征,还可以很大程度的降低硬件开销.     

基于单个神经元的机器人自适应控制

本文提出了针对多关节机器人采用单个神经元的独立关节控制方案，控制器由ＰＩＤ反馈和ＰＤＤ＾２前馈补偿构成，关节之间的静态和动态耦合通过单个神经元控制器前馈补偿，对一个二自由度机器人采用这种控制策略进行仿真，仿真结果表明该控制器在有非线性耦合，非线性摩擦，负载变化，模型参数变化时仍能跟踪期望轨迹。     

CMOS神经元（I）：基本神经元电路模型

本文给出了一种新的ＣＭＯＳ技术实现的连续时间神经元电路模型，讨论其突触权值的调节和细胞体参数的设置问题，计算机模拟表明，该模型具有生物神经元时空整合特性和神经计算功能。     

神经元环路中主神经元的模型分析

神经元环路是大脑神经系统的基本单元,而环路的信息输出则由主神经元所决定.本文通过对小脑皮层、嗅球和海马CA1三类不同环路中的主神经元：浦肯野神经元、僧帽神经元和锥体神经元建立给予神经元几何形态和电缆传递的多房室模型,通过它们的动作电位分析和比较,说明不同类型的外界刺激,三个环路中主神经元动作电位的区别;并进一步比较对同类刺激,三类主神经元动作电位的不同,模型验证它们所属环路在神经系统中所起的不同输出功能.     

一种神经元控制模型参考自适应伺服系统

针对存在于摩擦非线性和负载转动惯量时变的伺服系统,提出一种神经元模型参考自适应控制设计方法。导出了控制对象离散数学模型,介绍了伺服系统结构和控制器设计,并用波波夫超稳定性理论证明该系统是渐近超稳定的。仿真结果表明系统具有良好的动态性能、稳态精度和鲁棒性。     

一种基于模糊感知器的模糊神经分类器

隶属函数应能客观反映模式的不确定性分布情况, 模糊神经分类器中为每个输入特征划分相同数量的模糊变量显然是不合理的. 针对这一问题, 根据模糊积分的思想, 本文通过分析隶属函数的变化曲线来确定模糊密度, 以此为依据为输入特征划分合适的模糊变量, 并以Iris数据集为例验证了该方法的有效性.     

一种基于模糊感知器的模糊神经分类器

隶属函数应能客观反映模式的不确定性分布情况,模糊神经分类器中为每个输入特征划分相同数量的模糊变量显然是不合理的.针对这一问题,根据模糊积分的思想,本文通过分析隶属函数的变化曲线来确定模糊密度,以此为依据为输入特征划分合适的模糊变量,并以Iris数据集为例验证了该方法的有效性.     

基于粒计算的非线性感知机

感知机是模式识别领域的二分类判别模型,具有简单、线性和运算效率高的优点,也是众多分类器的基础。然而,感知机无法表达复杂的非线性映射,难以处理非线性可分数据。针对感知机的固有缺陷,结合粒计算特性,本文提出了一种新型的感知机分类模型——粒感知机。通过粒计算理论,样本在单特征上的粒化形成粒子,多特征上的粒化构造成粒向量;进一步定义粒感知机模型,设计粒感知机策略,提出粒感知机学习算法。为了求解粒感知机的优化解,证明了粒感知机损失函数的导数形式,设计了梯度下降算法,并从收敛速度、非线性能力与分类精度多方面进行了实验比较,结果表明所提出的粒感知机模型具有收敛速度快与非线性处理数据的能力。     

基于神经元自适应理论的谐波检测的DSP实现

随着各种电力电子装置和非线性负荷的大量应用,电力系统的谐波污染日益严重;基于神经元自适应理论的谐波检测方法,利用TMS320LF2407进行谐波检测系统开发;因系统的复杂算法全采用软件来实现从而硬件结构简单,克服了模拟系统的不足;该系统测试结果表明谐波和无功电流分离效果较好,达到了国家B级谐波检测标准;目前该系统已于郑州中孚铝业投入使用,效果理想.     

基于固定增量单样本感知器的AdaBoost算法

针对传统AdaBoost算法在分类过程中时间复杂度和算法学习复杂度较高的问题,提出一种改进的算法AdaBoostFISP。以固定增量单样本感知器为弱分类器,在感知器的权值更新上采用固定增量代替变量增量,从而减少运算时间、降低学习复杂度。实验结果证明了该算法在预测准确性、学习复杂度和时间复杂度等方面的优势。     

多层感知器的局部化设计

结合前馈网络的全局化设计和局部化设计的各自特点,提出一种由多个既独立又关联的同构子网络构成的局部化多层感知器.仿真结果表明,该网络对复杂非线性系统具有良好的学习性能,并适用于学习控制的直接逆模型法和远程学习法.     

基于单神经元的温箱自适应控制系统

为了提高温箱的温度控制精度与抗扰能力,提出了一种基于单神经元的自适应改进控制算法。分析了温箱模型及其时延性与传导惯性,将单神经元与经典PID算法相结合,利用单神经元的非线性逼近和自学习能力,实现参数的在线调整,同时利用二次型性能指标对连接权值进行约束调整,提高参数调整稳定性和收敛速度。仿真结果表明,与经典PID算法相比,该改进控制算法具有更快的响应速度和更小的超调量,系统自适应和鲁棒性能得到明显提升。     

一种基于核函数的非线性感知器算法

为了提高经典Rosenblatt感知器算法的分类能力，该文提出一种基于核函数的非线性感知器算法，简称核感知器算法，其特点是用简单的迭代过程和核函数来实现非线性分类器的一种设计，核感知器算法能够处理原始属性空间中线性不可分问题和高维特征空间中线性可分问题。同时，文中详细分析了其算法与径向基函数神经网络、势函数方法和支持向量机等非线性算法的关系。人工和实际数据的计算结果表明：与线性感知器算法相比，核感知器算法可以有效地提高分类精度。