本期电子书封面故事整期封面
优先出版刊期浏览栏目浏览
- 摘要:本文旨在研究神经网络在最小加权距离译码中的应用.首先以逐步推广的方式介绍了若干神经网络模型及其收敛性质,然后研究了最小加权距离译码的性质与应用,最后证明求任一能量函数的最小值点问题等价于某一(n,k)线性码的最小加权距离译码问题,并提出用波尔兹曼机的退火法来作最小加权距离译码.关键词:神经网络;最小加权距离译码;波尔兹曼机;退火法4|80|3<HTML><Meta-XML>更新时间:2025-12-08
- 摘要:<正> 由中国电子学会、美国佐治亚理工学院等单位共同主办的第二届国际毫米波与远红外技术会议(ICMWFT,92)于1992年8月17日至21日在北京召开,来自澳大利亚、比利时、加拿大、法国、日本、埃及、瑞士、乌克兰、俄罗斯、美国、英国等11个国家的31名代表与中国的75名论文作者参加了会议. 会议主席M.Von Orfenberg,程序委员会中方主席胡汉泉,美方主席R.W.McM:llan在开幕式上分别致词.为纪念此系列会议的创始人之一、上届会议主席J.J.Gallagher博士,McMillan主席还在开幕式上简13|14|0<HTML><Meta-XML>更新时间:2025-12-08
- 摘要:本文不是使用一般常用的统计技术,而是直接采用数学方法对神经网络进行分析,以便对Hopfield网用作CAM时的性质有更进一步的了解.通过引进P个n维存储模式之间的非正交度d的概念,给出了网络的容量,即稳定的存储向量的最大数目,在最坏的情形下是(n+d)/(d+1);而描述收敛盆半径的量,稳定度k,则正比于n-p-(P-1)d且反比于p.本文考察了相关模式和伪模式的概念.关于伪模式,证明了在某种条件下sgn是伪模式,其中关键词:Hopfield网;容量;相关模式;伪模式8|56|0<HTML><Meta-XML>更新时间:2025-12-08
- 摘要:本文提出了一种用于前馈型多层神经网络学习的等误差范围逼近与收缩学习方法,这种方法仅仅要求网络的实际输出落在理想模式输出的一个事先给定的误差范围之内,从而可以大大提高网络的学习速度,且运算量小,而且通过适当选择等误差范围,它还可以提高网络在模式识别中的推广性能.如果网络用于模式联想等方面时,通过误差范围的逐步收缩,这种方法还可以以很小的额外代价提高网络学习的逼近精度;另外,它还可以避免传统方法中经常出现的训练模式反转等局域极小状态和过学习现象的出现.最后,文中给出了以这种方法训练的网络用于脑电波癫痫信号识别中的实验结果及其分析.关键词:神经网络;等误差范围;模式识别18|49|3<HTML><Meta-XML>更新时间:2025-12-08
- 摘要:本文提出了一种新的神经网络模型——主从通用神经网络模型,并通过对两种主从控制方式的讨论,证明了这种模型在一定程度上的通用性.关键词:主从神经网络;能量函数;局部最小值;系统稳定性15|69|2<HTML><Meta-XML>更新时间:2025-12-08
- 摘要:本文提出一种二维神经网络模型,并将它用来实时求解一类矩阵方程.理论和模拟结果表明,该网络可以在时常数数量级(纳秒)内求出与准确解任意接近的解.关键词:神经网络;矩阵方程;最优化11|70|2<HTML><Meta-XML>更新时间:2025-12-08
- 摘要: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。关键词:人工神经元群;逐层学习8|42|0<HTML><Meta-XML>更新时间:2025-12-08
- 摘要:本文提出一种新的求解线性规划的神经网络.理论分析和模拟都表明,我们给出的网络是大范围渐近稳定的,网络给出的解可与线性规划问题的最优解任意接近.关键词:神经网络;线性规划;优化15|128|4<HTML><Meta-XML>更新时间:2025-12-08
- 摘要:本文设计了一种浮栅NMOS晶体管神经网络,其结构简单、占用芯片面积小、连接强度可连续调整,同时,还具有分布神经元结构特点,可级联成大网络.用3μm浮栅NMOS工艺制造出的8×8全互连神经网络芯片,它有128个可编程浮栅NMOS晶体管,相当于8个神经元构成的全互连网络.以阿拉伯数字识别和二值图象处理为例,研究结果表明,该网络具有实用前景,且有很大灵活性,同时由于结构简单和适合集成电路工艺特点而便于制造。关键词:人工神经网络;集成电路;电路理论与设计15|120|0<HTML><Meta-XML>更新时间:2025-12-08
- 摘要:本文提出了非线性对象神经网络建模的广义自组织学习算法,该算法采用多个局部模型进行建模,扩展了Kohonen自组织学习算法中的局部模型划分机制,且多个局部模型的划分兼顾了输入样本的分布和模型匹配特性.仿真结果表明,广义自组织学习算法明显地提高了建模精度和收敛速度.关键词:神经网络;非线性对象建模;自组织学习;BP学习;模式聚类9|51|3<HTML><Meta-XML>更新时间:2025-12-08
- 摘要:本文评述优化学习率BP(Back Propagation)算法,给出应用研究中几种常用网络结构的优化学习率的计算公式,讨论与算法实现相关的一些问题.模拟实验结果进一步揭示算法的快速性质.关键词:优化学习率;BP算法;多层神经网络;预测10|105|2<HTML><Meta-XML>更新时间:2025-12-08
- 摘要:本文给出一种用光学方法实现全双极WTA三层神经网络模型的新方案及其实验结果.在全双极情况下.中间层第i个神经元的输入值由两部分组成,一部分为单极神经元状态时中间层该神经元的输入值,另一部分为对应存储模式的反模式和的二分之一.其中常数1/2可通过将每一输入神经元分成相等的两部分,使其中一部分为全透,另一部分为完全不透来实现.实验表明全双极系统比原先的单极系统具有更高的存储容量和寻址能力.关键词:WTA神经网络模型;双极神经元状态;模式识别;多通道内积全息片7|45|2<HTML><Meta-XML>更新时间:2025-12-08
- 摘要:本文推广了付立叶描绘矛的方法,产生了一组在任意仿射变换下都不改变的不变量,用这些不变量来训练一个三层网感知器对飞机模型进行识别和分类.在本文中我们引进了一个加速算法可以大大减少学习时间.最后,给出了用这个神经网分类器进行识别和分类的结果及其抗噪声性能.关键词:仿射变换;不变量;神经元网络;反向传播;模式分类8|35|0<HTML><Meta-XML>更新时间:2025-12-08
- 摘要:<正> 作为现代社会政治、经济,文化与军事活动重要支柱之一的通信系统,已成为当今信息与电子产业发展的重点.随着计算机与微电子技术的飞速发展,现代通信系统与设备中普遍采用软件技术与专用超大规模集成电路技术.专家认为:没有通信软14|28|0<HTML><Meta-XML>更新时间:2025-12-08
- 摘要:本文介绍语音识别中一种基于动态规划技术的时间规正算法DTW的神经网络实现方法.DTW是语音识别中最为有效的方法之一,它具有较强的鲁棒性且为语音识别系统提供了可能的最高识别率.但由于其计算量太大,除非用专门的硬件,DTW算法在实现时受到了限制.在本文中,所有的计算是由两个循环神经子网和一记忆层来完成的,该方法展示了算法的硬接线结构,(hard-wiring)的优越性,这为DTW的硬件实现提供了一种新的实施策略.关键词:神经网络;语音处理;模式识别14|121|1<HTML><Meta-XML>更新时间:2025-12-08
- 摘要:本文提出了一种称为近似逻辑的逻辑系统,该系统不仅具有模糊的逻辑值,其逻辑运算符也为模糊的.近似逻辑很适合描述神经网络.基于这种逻辑我们定义了一种神经网络模型.该模型可以学习和存储知识.基于这种神经网络模型,开发了一个多专家意见综合系统.关键词:近似逻辑;操作符的与或度;专家意见综合10|28|0<HTML><Meta-XML>更新时间:2025-12-08
- 摘要:本文研究了一类神经网络优化特性的一些问题.对其解的特性、可行解空间的划分及吸引区特性进行了研究.关键词:神经网络;优化;算法;稳定点;吸引区13|58|3<HTML><Meta-XML>更新时间:2025-12-08
- 摘要:本文把Kohonen的自组织特征映射人工神经网络用于解决集成电路设计中两端线网的布局问题——二次分配问题.与最小割算法相比,对于规模较小的电路,神经网络方法能以较快的速度得到最优布局.但当电路规模增大时,得到好的布局需要较长的计算时间.关键词:二次分配;布局;人工神经网络11|41|6<HTML><Meta-XML>更新时间:2025-12-08
- 摘要:本文从四个方面综述近年来用于前馈型网络的监督学习方法,即:1.对经典反向传播法的改进和变型;2.用于训练多层感知器的其它学习方法;3.其它前馈型网络模型和监督学习模型;4.具有复杂结构的各种模型.关键词:前馈型网络;监督学习;神经网络12|81|9<HTML><Meta-XML>更新时间:2025-12-08
- 摘要:<正> 中国神经网络委员会CNNC(China Neural Network Council)于1992年8月24日在北京邮电学院召开了全会.会上研究了IJCNN’92-Beijing的进展情况和下一步的工作安排. IJCNN(International Joint Conference on Neural Networks)是由国际神经网络学会INNS(Internation-al Neural Network Society)和IEEE神经网络委员会IEEE NNC(Institute of Electrical and Electronics11|23|0<HTML><Meta-XML>更新时间:2025-12-08








