导读:本文包含了多层前向神经网络论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:神经网络,前向,多层,折线,函数,算法,模糊。
多层前向神经网络论文文献综述
张涛[1]（2019）在《云环境下基于多层前向神经网络交叉覆盖算法的数据分类》一文中研究指出基于云计算技术的神经网络方法研究为大规模数据的分析处理提供了廉价的、高效的解决方案,交叉覆盖算法可以较好地解决多层前向网络分类器的设计问题,弥补BP神经网络的不足.结合MP神经元的几何概念,基于交叉覆盖算法设计神经网络,以Iris数据集为例,基于云计算环境实现了数据分类,为多层前向神经网络在云环境下进行数据分析提供了一种有意义的研究和实践.(本文来源于《宜宾学院学报》期刊2019年06期）
顾哲彬,曹飞龙[2]（2018）在《多层前向人工神经网络图像分类算法》一文中研究指出传统人工神经网络的输入均为向量形式,而图像由矩阵形式表示,因此,在用人工神经网络进行图像处理时,图像将以向量形式输入至神经网络,这破坏了图像的结构信息,从而影响了图像处理的效果。为了提高网络对图像的处理能力,文中借鉴了深度学习的思想与方法,引进了具有矩阵输入的多层前向神经网络。同时,采用传统的反向传播训练算法(BP)训练该网络,给出了训练过程与训练算法,并在USPS手写数字数据集上进行了数值实验。实验结果表明,相对于单隐层矩阵输入前向神经网络(2D-BP),所提多层网络具有较好的分类效果。此外,对于彩色图片分类问题,利用所提出的2D-BP网络,给出了一个有效的可行方法。(本文来源于《计算机科学》期刊2018年S2期）
肖炜茗,王贵君[3]（2018）在《基于Bernstein多项式的SISO叁层前向神经网络的设计与逼近》一文中研究指出利用一元Bernstein多项式在相邻等距剖分点的差值和Sigmodial转移函数性质设计单输入单输出(single input single output,SISO)叁层前向神经网络,并给出选取连接权和阈值的方法。此外,依据一元Bernstein多项式逼近连续函数定理证明SISO叁层前向神经网络对连续函数也具有逼近性,进而通过实例获得该网络的一种输入输出解析表达式。(本文来源于《山东大学学报(理学版)》期刊2018年09期）
黄旭进,曹飞龙[4]（2017）在《矩阵输入的多层前向神经网络学习算法》一文中研究指出单隐层前向神经网络的学习能力是有限的.特别地,作为分类器,单隐层前向神经网络对于图像的复杂信息和不同图像之间的细节信息很难学习和处理.文章借鉴深度神经网络的思想,将单隐层矩阵输入的神经网络拓展到多隐层神经网络,并采用传统的反向传播算法对其训练并给出学习算法.通过多个数据库的实验对比,结果显示所提出的算法具有良好的效果.(本文来源于《中国计量大学学报》期刊2017年04期）
王思仪[5]（2014）在《基于多层前向神经网络的矿井巷道摩擦阻力系数的确定》一文中研究指出作为矿井通风理论的基本参数,矿井巷道摩擦阻力系数值对矿井通风管理具有十分重要的作用。多层前向人工神经网络是最常见和最先进的人工神经网络,误差反向传播(BP)算法易于之前,成为第一选择网络。归纳不同巷道摩擦阻力系数的计算公式,用回归方程求解锚喷巷道摩擦阻力系数,并完善其计算公式,为确立矿井巷道的摩擦阻力系数提供较准确的方法。收集通风资料图表,结合实际将公式计算的结果与查阅图表获得的结果进行比较,证明公式的适用性。在完全紊流区,摩擦阻力系数和雷诺数无关,只和管道的相对粗糙度有关。BP神经网络能较好地拟合已知数据,预测功能强。从影响不同支护类型的矿井巷道摩擦阻力系数的因素出发,选择适当的参数作为BP神经网络的输入参数,搜集大量数据,运用BP神经网络模型对不同支护类型的矿井巷道摩擦阻力系数进行模式识别,并运用改进的贝叶斯正则化方法对网络进行训练,对摩擦阻力系数进行预测。采用BP神经网络将网络模拟值与实测值进行比较,误差基本满足工程需要。BP神经网络收敛较速度快,预测精度较高,对矿井巷道摩擦阻力系数的确定发挥重要作用,方便矿山井巷通风安全管理的实现。(本文来源于《辽宁工程技术大学》期刊2014-06-01）
张瑞成,许宜菲[6]（2013）在《WS型多层前向小世界神经网络结构自适应模型》一文中研究指出WS型多层前向小世界神经网络模型中捷径生成具有随机性,这种随机的删除且向后跨层连接产生捷径很可能使小世界体系神经网络丢失重要的信息,导致网络性能变差。针对这个问题提出了一种WS型多层前向小世界神经网络结构自适应模型,该模型借鉴了复杂动态网络研究中和谐统一的混合择优思想,通过以确定的连接权值矩阵为指导有目的性地选择权值大的边产生捷径,生成小世界体系结构。将新网络应用于函数逼近,在设定精度相同情况下对不同跨层概率下的收敛次数作比较,仿真发现该小世界网络在概率0.05附近时比同规模的网络有更好的收敛速度,与WS小世界人工神经网络在相同概率的情况下达到相同精度所需的平均迭代次数相比较,收敛速度得到提高。(本文来源于《计算机应用》期刊2013年S2期）
许宜菲[7]（2013）在《多层前向小世界神经网络结构自适应模型研究》一文中研究指出多层前向神经网络是人工神经网络中的经典网络。以往文献研究表明WS型多层前向小世界神经网络和NW型多层前向小世界神经网络具有良好特性。但是WS型多层前向小世界神经网络和NW型多层前向小世界神经网络在构建过程中都采用随机化的方式来产生捷径，这样生成的小世界体系神经网络会丢失重要信息使得网络性能变差，所以将复杂网络中的混合择优思想应用于多层前向小世界神经网络中，提出了基于择优思想的多层前向小世界神经网络结构自适应模型。首先研究了基于择优思想的WS型多层前向小世界神经网络结构自适应模型，模型以确定权值矩阵为指导进行构建。将模型应用于函数逼近，发现在p=0.05情况下逼近效果最好。然后将WS型结构自适应网络与同规模的WS型小世界神经网络进行网络性能比较，在精度相同的情况下逼近同一非线性函数，实验证明结构自适应网络在学习速率上要明显优于原有网络。然后研究了基于择优思想的NW型多层前向小世界人工神经网络结构自适应模型，同样是以确定权值为指导进行构建。经研究发现在精度相同的情况下，同样在p=0.05时网络逼近非线性函数效果最好。择优后的NW结构自适应网络在逼近相同的非线性函数时学习速度明显高于同规模的NW型小世界网络。且在精度逐渐提高的情况下，择优后的NW型结构自适应网络与NW型小世界神经网络收敛速度呈现接近趋势，但是择优后网络的学习速度还是明显优于原有网络。最后将NW型多层前向小世界神经网络结构自适应模型用于钢坯表面温度预测。对于预测钢坯表面温度，由于设计因素较多，所以应用常规的机理建模方式很难对其进行较为准确的预测，且构建过程也较为复杂。因此采用由多层前向小世界人工神经网络结构自适应网络模型为基础，分析借用炉温及钢坯表面温度的历史数据，来建立训练预测模型，用训练好的NW型多层前向小世界神经网络结构自适应模型对钢坯表面温度进行预测。结果表明NW型小世界神经网络结构自适应模型的训练速度和预测精度要优于同规模的规则多层前向神经网络，能满足实际预测要求。(本文来源于《河北联合大学》期刊2013-12-09）
李彬,荣学文[8]（2013）在《单隐层前向神经网络在线学习算法综述与性能分析》一文中研究指出单隐层前向神经网络学习算法作为一种性能优良的学习算法,分为批处理学习算法和在线学习算法与批处理学习算法相比,前向神经网络的在线学习算法适应于实时问题的处理,更适合于一般的工业应用场合本文总结了现阶段的各种单隐层前向神经网络在线学习算法,分析了各种算法的优缺点,利用混沌时间序列预测问题,详细比较了各种不同单隐层前向神经网络在线学习算法的性能,包括算法的稳定性、学习速度、逼近能力、泛化能力,为前向神经网络在线学习算法的实际应用提供了一定的理论指导.(本文来源于《第25届中国控制与决策会议论文集》期刊2013-05-25）
章莉[9]（2013）在《关于单隐层前向神经网络的插值与逼近》一文中研究指出人工神经网络在计算科学、数学、工程等领域有广泛的应用,而在应用中,如在模式识别、系统控制方面,主要是将人工神经网络模型用来逼近多元函数.人工神经网络作为一种万能逼近器,受到人们的关注,其中最重要和最简单的一种模型就是单隐层前向神经网络.插值法作为函数逼近的重要方法之一,本文主要研究具有插值性质的单隐层前向神经网络在不同空间中的稠密性及复杂性,得到一些新的结果,具体阐明如下：第一章,介绍了单隐层前向神经网络的研究背景,以及研究具有插值性质的单隐层神经网络的意义和现状,同时给出本文所需要的一些相关概念.第二章,对某一类具有插值性质的单隐层前向神经网络的激活函数进行了推广,给出了此时精确插值的神经网络存在的条件,并构造了近似插值网络,估计了两类网络之间的误差,同时讨论了在多维情况下的近似插值网络.第叁章,在第二章的基础上,讨论了在L空间中,利用Steklov平均函数,以光滑模为度量,估计了一类近似插值神经网络逼近p次Lebesgue可积函数的误差.(本文来源于《浙江师范大学》期刊2013-05-12）
李丹,孙刚,王贵君[10]（2012）在《一类叁层前向折线模糊神经网络的构造》一文中研究指出为克服模糊数运算的复杂性引入了折线模糊数的概念,并应用其优良性质和折线模糊值函数的表示定理,通过插值神经网络的构造方法获得了一类叁层前向折线模糊神经网络,证明了该折线模糊神经网络是连续折线模糊值函数的泛逼近器.(本文来源于《东北师大学报(自然科学版)》期刊2012年03期）
多层前向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：
传统人工神经网络的输入均为向量形式,而图像由矩阵形式表示,因此,在用人工神经网络进行图像处理时,图像将以向量形式输入至神经网络,这破坏了图像的结构信息,从而影响了图像处理的效果。为了提高网络对图像的处理能力,文中借鉴了深度学习的思想与方法,引进了具有矩阵输入的多层前向神经网络。同时,采用传统的反向传播训练算法(BP)训练该网络,给出了训练过程与训练算法,并在USPS手写数字数据集上进行了数值实验。实验结果表明,相对于单隐层矩阵输入前向神经网络(2D-BP),所提多层网络具有较好的分类效果。此外,对于彩色图片分类问题,利用所提出的2D-BP网络,给出了一个有效的可行方法。
（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。
多层前向神经网络论文参考文献
[1].张涛.云环境下基于多层前向神经网络交叉覆盖算法的数据分类[J].宜宾学院学报.2019
[2].顾哲彬,曹飞龙.多层前向人工神经网络图像分类算法[J].计算机科学.2018
[3].肖炜茗,王贵君.基于Bernstein多项式的SISO叁层前向神经网络的设计与逼近[J].山东大学学报(理学版).2018
[4].黄旭进,曹飞龙.矩阵输入的多层前向神经网络学习算法[J].中国计量大学学报.2017
[5].王思仪.基于多层前向神经网络的矿井巷道摩擦阻力系数的确定[D].辽宁工程技术大学.2014
[6].张瑞成,许宜菲.WS型多层前向小世界神经网络结构自适应模型[J].计算机应用.2013
[7].许宜菲.多层前向小世界神经网络结构自适应模型研究[D].河北联合大学.2013
[8].李彬,荣学文.单隐层前向神经网络在线学习算法综述与性能分析[C].第25届中国控制与决策会议论文集.2013
[9].章莉.关于单隐层前向神经网络的插值与逼近[D].浙江师范大学.2013
[10].李丹,孙刚,王贵君.一类叁层前向折线模糊神经网络的构造[J].东北师大学报(自然科学版).2012
论文知识图
