单隐层神经网络与最佳多项式逼近

研究单隐层神经网络逼近问题．以最佳多项式逼近为度量,用构造性方法估计单隐层神经网络逼近连续函数的速度．所获结果表明:对定义在紧集上的任何连续函数,均可以构造一个单隐层神经网络逼近该函数,并且其逼近速度不超过该函数的最佳多项式逼近的二倍．     

分段线性神经网络的逼近理论

随着分段线性函数的广泛应用,本文尝试研究浅层和深层的分段线性神经网络的逼近理论.作者将应用于三层感知机模型的万能逼近定理拓展到分段线性神经网络中,并给出与隐藏神经元个数相关的逼近误差估计.利用分段线性函数构造锯齿函数的显式方法,证明解析函数可以通过分段线性神经网络的深度堆叠以指数速率逼近,并辅以相应的数值实验.     

高斯型模糊前向神经网络

利用高斯型隶属函数和采样数据得到了三层模糊前向神经网络。该网络模型利用权值直接确定法得到了最优权值,并依据采样数据中的插值样本较好确定了单隐层神经元个数。该网络是近似插值神经网络。仿真实验表明,高斯型模糊前向神经网络具有逼近精度高、网络结构简单、良好的去噪性和实时性高等优点。     

关于周期神经网络逼近阶的研究

借助于有关Fourier级数的Riesz平均构造出了一类含有一个隐含层的周期神经网络与平移网络,与已有的讨论相比较,在获得相同的逼近阶的情况下,此类网络的隐层单元要求较少的神经元个数.     

关于多层前馈神经网络学习能力的一个注记

给出一种通过适当地选择输入层与隐层间的连接权,来减少单隐层前馈型神经网络隐层节点的个数的方法.应用此方法,分析了具有两个隐层节点的标准单隐层网络的学习能力,并对二元和三元XOR问题中的权值的选择问题进行了详细的讨论.     

伪逆矩阵及其在改进型BP神经网络中的应用

基于伪逆矩阵理论,将sigmoid型激励函数与隶属函数相结合,构造出了改进型三层BP神经网络模型。该网络模型可以确定隐含层神经元个数,并给出了权值直接确定算法下的最优权值矩阵,最优权值矩阵就是计算输入受激励矩阵的伪逆矩阵与输出向量的乘积,突出了改进型BP神经网络就是基于训练数据的矩阵方程求解的特殊表示。仿真实验验证了该网络具有极高的逼近精度,且运行时间较短。     

神经网络的加权本质逼近阶

证明了具有单一隐层的神经网络在L_ω~q的逼近,获得了网络逼近的上界估计和下界估计.这一结果揭示了神经网络在加权逼近的意义下,网络的收敛阶与隐层单元个数之间的关系,为神经网络的应用提供了重要的理论基础.     

球面带形平移网络逼近的Jackson定理

研究了球面带型平移网络逼近阶用球面调和多项式的最佳逼近及光滑模的刻画问题．借助于球调和多项式的最佳逼近多项式和Riesz平均构造出了单位球面Sq上的带形平移网络,并建立了球面带形平移网络对Lp(Sq)中函数一致逼近的Jackson型定理．所得结果表明球面带形平移网络可以达到球调和多项式的逼近阶．     

基于自适应小波神经网络的第二类Fredholm积分方程数值解法

该文构造了一类三层前馈自适应小波神经网络,将小波分析中平移因子和伸缩因子的拟合设置为输入层到隐层的权值与阈值,采用小波基函数作为隐层激活函数,并根据梯度下降算法自适应地调整参数.应用自适应小波神经网络数值求解第二类Fredholm积分方程,通过数值算例验证了该方法的可行性和有效性.     

广义小波变换及其在人工神经网络中的应用

相应于非线性系统用人工神经网络的逼近问题，本文引入了一种新的小波变换并研究了其性质.作为推论，本文给出了在Lp范数下单个隐层前馈神经网络逼近定理的构造性证明.     

广议小波变换及其在人工神经网络中的应用

相应于非线性系统用人工神经网络的逼近问题，本文引入了一种新的小波工研究了其性质，作为推论，本文给出了在Ｌｐ范数下单个隐层前馈神经网络逼近定理的构造性证明。     

插值型模糊前向神经网络

为了克服前向神经网络的固有缺陷,提出了基于采样数据建立的含单隐层神经元的模糊前向神经网络.该网络模型利用权值直接确定法得到了最优权值,网络结构可以随采样数据的多少,自主设定隐层神经元,完成了近似插值与精确插值的转换.计算机数值仿真实验表明,模糊前向神经网络具有逼近精度高、网络结构可调和实时性高的优点,并且可以实现预测和去噪.     

三元XOR问题的神经网络学习

一个给定的神经网络能否学习一个给定的样本集一直是一个有趣的问题.对于单隐层前馈神经网络,当隐层神经元的数量和样本的数量相等时,这个问题是平凡的.而对于隐层神经元的数量少于样本数量这种情况,相关讨论还很少,值得更多的关注和研究.本文关于这个问题提出了一种方法,并将其应用到三元XOR问题中,给出了一些初步结果.     

单变量Sigmoidal型神经网络的逼近

引入了一种新的sigmoidal型神经网络,给出了其对连续函数逼近的点态和整体估计.结果表明这种新的神经网络算子具有多项式逼近所不能达到的很好的逼近速度.为了改进对光滑函数的逼近速度,我们进一步引入了一种新的神经网络的线性组合,并给出了这种组合逼近的点态估计和整体估计.最后给出了一个数值例子.     

可调激活函数递进提升输出维的选参方法

针对一类变参数 Sigmoid可调激活函数构成三层前向神经网络 ,分析其可调激活函数中参数所表示意义 ;给出了递进提升输出向量空间维数的可调变参数激活函数中参数选取的方法 ,解决了隐含神经元采用相同激活函数限制了神经网络逼近能力这一问题 .其目的给人们在采用变参数可调激活函数神经网络解决问题时 ,如何选取激活函数中的参数提供了一种数学依据和方法 .     

BP神经网络在铁路客运市场时间序列预测中的应用

铁路客运市场受多个因素的影响，而且这些作用多是非线性的。时间序列预测实质上是实现一个非线性映射。由于具有任意个隐层节点的前馈神经网络可以以任意精度逼近一个连续函数，因此，目前得到普遍应用的是采用BP算法的多层前馈神经网络。本探讨用人工神经网络的反向传播(BP)算法研究铁路客运市场的时间序列预测。数值计算结果表明该方法预测精度较高，方法简单易行，为铁路客运市场预测研究提供了新的途径。     

关于Timan定理的一点注记

本文研究了连续函数的最佳逼近多项式的点态逼近性质.通过一个具体函数的连续模估计,得到最佳逼近多项式的点态逼近阶估计,并且存在连续函数使得最佳逼近多项式能够满足Timan定理.     

三层前向神经网络的一致逼近性

近年来，前向神经网络泛逼近的一致性分析一直为众多学者所重视。本文系统分析三层前向网络对于拟差值保序函数族的一致逼近性，其中，转换函数σ是广义Sigmoidal函数。并将此一致性结果用于建立一类新的模糊神经网络(FNN)，即折线FNN．研究这类网络对于两个给定的模糊函数的逼近性，相关结论在分析折线FNN的泛逼近性时起关键作用。     

前向网络作为模糊函数泛逼近器的一致性分析

前向神经网络的泛逼近性一直是神经网络的研究热点.本文给出了连续模糊函数的定义,依Hausdorff度量,借助模糊值Bernstein多项式关于连续模糊函数的逼近性质,证明了前向网络作为模糊函数泛逼近器的一致逼近性结果,并通过实例给出了逼近性的具体实现过程.     

多元Bernstein-Durrmeyer型多项式及其逼近特征

作为Bernstein-Durrmeyer多项式的推广,定义单纯形上的Bernstein-Durrmeyer型多项式.以最佳多项式逼近为度量,给出Bernstein-Durrmeyer型多项式Lp逼近阶的估计,并且以一个逆向不等式的形式建立其Lp逼近的逆定理,从而用最佳多项式逼近刻画该多项式Lp逼近的特征.所获结果包含了多元Bernstein-Durrmeyer多项式的相应结果.