导读:本文包含了广义同余神经网络论文开题报告文献综述及选题提纲参考文献，主要关键词:图像处理,图像压缩编码,神经网络,图像复原
广义同余神经网络论文文献综述
姚鑫明,刘金华,李枢[1]（2010）在《基于广义同余神经网络算法的图像压缩编码算法研究》一文中研究指出神经网络的兴起,开辟了图像压缩编码的新途径。本文分析了广义同余神经网络(GCNN)用于图像压缩编码的算法、模型、实现及展望,对神经网络模型在图像处理方面做出了一些填充。(本文来源于《内江科技》期刊2010年07期）
徐济仁,陈家松,牛纪海[2]（2010）在《广义同余神经网络在旋转机械常见故障诊断中的应用》一文中研究指出通过利用广义同余函数代替传统神经网络的激励函数,提出一种改进的广义同余神经网络的模型及算法。分析了广义同余神经网络的结构、激励函数、权值调整算法等方面并与传统BP神经网络的异同点进行了比较和研究。通过广义同余神经网络和传统BP神经网络对正弦函数的逼近性能比较,表明最新改进的广义同余神经网络收敛速度快,又具有传统BP神经网络稳定性好的优点。该模型和算法在旋转机械常见故障诊断中提高了收敛速度和诊断精度。(本文来源于《机械设计与制造》期刊2010年01期）
靳蕃[3]（2008）在《广义同余神经网络的初步探讨》一文中研究指出为了克服BP神经网络学习算法中由于Sigmoid激励函数饱和区段所造成的收敛慢的缺点,本文提出了一类新型的广义同余神经网络GCNN.由于该网络采用分段线性的广义同余函数作为神经元的激励函数,运算简便且不再存在饱和问题,因此,显着地提高了训练时的收敛速度,有利于神经网络的硬件实现.通过函数逼近和双螺旋线两个实例和BP网络的比较,验证了GCNN的良好性能.(本文来源于《前沿科学》期刊2008年03期）
唐瑞雪,蔡淮,张涤[4]（2008）在《广义同余神经网络中叁种激励函数的比较研究》一文中研究指出讨论了一种新的神经网络——广义同余神经网络(GCNN),阐述了它的定义和学习算法,并对GCNN中的叁种激励函数进行了比较。算例表明,改进后的算法在学习速度和网络泛化能力上都有显着的提高。由于该神经网络易于操作和实行,有必要就相关理论及其应用作进一步的研究。(本文来源于《信息通信》期刊2008年03期）
唐瑞雪[5]（2008）在《广义同余神经网络的性能分析与改进》一文中研究指出近年来,神经网络理论研究取得了很大的进展,在各个领域的应用也取得丰硕的成果。作为神经网络的经典模型,BP(误差逆向传播)网络也得到了快速发展和广泛的应用,但同时存在着学习效率低,收敛速度慢,难以用数字硬件实现等问题。随着人们对神经网络实时性、规模性的要求越来越高,解决这些问题也显得更加迫切。有关广义同余神经网络(GCNN——GENERALIZED CONGRUENCENEURAL NETWORKS)已有的研究表明,相对于普通BP网络,GCNN具有很快的收敛速度,且已证明单隐层的GCNN具有一致逼近能力。本论文针对GCNN的性能进行分析,并对已有GCNN做出改进。本论文主要研究内容包括以下几个方面:首先,用贝叶斯正则化方法及提前终止法改进GCNN神经网络,优化后的GCNN神经网络有比较好的泛化能力,学习速度快,相对误差较小,操作方便。实例分析表明,运用此算法优化GCNN的方法是令人满意的。第二,对改进GCNN的性能进行分析,主要包括GCNN网络的逼近能力的分析,泛化能力的分析,其神经元阈值对GCNN学习收敛性的影响,初始权值对训练速度和精度的影响,隐含层数目及隐含层神经元数对网络学习和工作的影响。并给出实例来性能分析的结论进行了证明。第叁,用计算实例做比较BPNN和GCNN的性能,实验结果表明:改进的GCNN的网络结构及学习算法是有效的,GCNN比普通BP网络及其部分变体具有更快的学习速度和较好的逼近、分类精度。最后,将GCNN成功应用到刀具状态的监测实例中,对不同工况条件下实验得到的数据进行分析,得到相同的结论:GCNN神经网络能有效地实现刀具磨损状态的智能诊断,网络作为刀具磨损状态的分类器,并有效的进行模式识别和分类,完成故障智能诊断。(本文来源于《西南交通大学》期刊2008-05-01）
鄢田云,邹书蓉,余贞侠,刘培培[6]（2008）在《广义同余神经网络及BP神经网络的比较研究》一文中研究指出从神经网络的结构、激励函数、权值调整算法等方面对叁种广义同余神经网络(generalized congruenceneural network,GCNN)及传统BP神经网络(back propagation neural network,BPNN)的异同点进行了比较和研究。通过对正弦函数的逼近性能比较,表明最新改进的第叁种GCNN既继承了前两种GCNN收敛速度快的优点,又具有传统BPNN稳定性好的优点;既克服了前两种GCNN不稳定性的缺点,又克服了传统BPNN收敛速度慢的缺点。采用分段线性激励函数有利于GCNN的推广应用。(本文来源于《计算机应用研究》期刊2008年02期）
陈勇[7]（2005）在《广义同余神经网络研究》一文中研究指出在过去的二十年,神经网络理论研究取得了很大的进展,在各领域的应用也取得了丰硕的成果。作为神经网络的经典模型,BP网络也得到了快速的发展,同时,也存在着收敛速度缓慢、难以用数字硬件实现等问题。随着研究的深入,人们对神经网络实时性、规模性的要求越来越高,解决这些问题也就显得更加迫切。 有关广义同余神经网络(GCNN)的初步研究表明,相对于普通BP网络,GCNN具有很快的收敛速度。但是,GCNN也存在着一些不足,主要包括:学习能力略差,激励函数模值不易设定,难以开发出合适的学习算法,缺乏严格的理论基础。 本文针对GCNN的上述问题进行了研究,包括提出新的网络结构、学习算法、进行相关理论分析以及实际应用分析。本文的研究成果主要有: 1) 提出了一种改进的广义同余激励函数。同时,对GCNN网络结构做了一些改进,解决了模值难以设定的问题。并证明了,单隐层的GCNN具有一致逼近能力。 2) 提出了两种新的学习算法:改进的GCNN BP学习算法及Large Margin学习算法。分析了改进GCNN BP算法的时间复杂度,并证明了其收敛性。实验结果表明,本文所提出的网络结构及学习算法是有效的,GCNN比普通BP网络及其部分变体具有更快的学习速度和较好的逼近、分类精度。 3) 分析了GCNN快速收敛的原因。理论分析及实验结果表明,GCNN实质上是通过在误差函数空间中增加误差函数的极值点数目而实现快速收敛的。 4) 将GCNN成功应用到垃圾邮件过滤中。实验结果表明,GCNN的过滤性能好于其它几种机器学习技术,也优于普通BP网络,且所需学习时间也少于BP网络。(本文来源于《西南交通大学》期刊2005-12-01）
鄢田云,张翠芳,周彦沛,佘远俊[8]（2004）在《基于广义同余神经网络的非线性系统辨识仿真》一文中研究指出(本文把分段广义求导误差反传调整权值的原理引入广义同余神经网络,对广义同余神经网络进行改进,提出了一类新的广义同余神经网络——BPGCNN(Error Back Propagation for Generalized Congruence Neural Networks),并用于非线性动力学系统的辨识仿真。仿真结果表明,该神经网络克服了原有广义同余神经网络的不稳定性,其稳定性能可与传统BP神经网络(Back Propagation Neural Networks,BPNN)媲美,并且其辨识效果、收敛速度和泛化性能都优于传统的BPNN。(本文来源于《中国自动化学会、中国仪器仪表学会2004年西南叁省一市自动化与仪器仪表学术年会论文集》期刊2004-10-01）
胡飞,靳蕃[9]（2001）在《广义同余神经网络的算法改进与性能分析》一文中研究指出对广义同余神经网络 (GCNN)的性能进行了深入的分析研究 ,提出了一种改进的广义同余学习算法 ,并将该算法与当前广泛使用的标准BP网络算法进行了比较。计算机数字实例模拟表明 ,该算法具有学习速度快、拟合效果好等特点。(本文来源于《西南交通大学学报》期刊2001年02期）
周永权,何登旭[10]（2000）在《层次广义同余神经网络结构及运算特性分析》一文中研究指出提出一种层次广义同余神经网络 ( HGCNN ) ,以有限环上层次整数余神经网络HGCNN为例 ,分析了该网络的运算特性。这种运算保持了神经网络的高度并行结构 ,能够实时完成有限环上的同余运算。给出 2个算例(本文来源于《广西科学院学报》期刊2000年S1期）
广义同余神经网络论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
通过利用广义同余函数代替传统神经网络的激励函数,提出一种改进的广义同余神经网络的模型及算法。分析了广义同余神经网络的结构、激励函数、权值调整算法等方面并与传统BP神经网络的异同点进行了比较和研究。通过广义同余神经网络和传统BP神经网络对正弦函数的逼近性能比较,表明最新改进的广义同余神经网络收敛速度快,又具有传统BP神经网络稳定性好的优点。该模型和算法在旋转机械常见故障诊断中提高了收敛速度和诊断精度。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
广义同余神经网络论文参考文献
[1].姚鑫明,刘金华,李枢.基于广义同余神经网络算法的图像压缩编码算法研究[J].内江科技.2010
[2].徐济仁,陈家松,牛纪海.广义同余神经网络在旋转机械常见故障诊断中的应用[J].机械设计与制造.2010
[3].靳蕃.广义同余神经网络的初步探讨[J].前沿科学.2008
[4].唐瑞雪,蔡淮,张涤.广义同余神经网络中叁种激励函数的比较研究[J].信息通信.2008
[5].唐瑞雪.广义同余神经网络的性能分析与改进[D].西南交通大学.2008
[6].鄢田云,邹书蓉,余贞侠,刘培培.广义同余神经网络及BP神经网络的比较研究[J].计算机应用研究.2008
[7].陈勇.广义同余神经网络研究[D].西南交通大学.2005
[8].鄢田云,张翠芳,周彦沛,佘远俊.基于广义同余神经网络的非线性系统辨识仿真[C].中国自动化学会、中国仪器仪表学会2004年西南叁省一市自动化与仪器仪表学术年会论文集.2004
[9].胡飞,靳蕃.广义同余神经网络的算法改进与性能分析[J].西南交通大学学报.2001
[10].周永权,何登旭.层次广义同余神经网络结构及运算特性分析[J].广西科学院学报.2000