为了模拟汉语初学者的汉字认知过程,在Kohonen神经网络的基础上,改进了其网络结构和算法,并且将改进后的网络输出层根据Hebbian学习规则连接,构建了一个多Kohonen网络协同工作的汉字认知自组织神经网络模型.模拟研究结果表明,模型能够成功地学习到汉字的结构类型,且能有效识别出汉字的部件,在一定程度上模拟了汉字认知的部分过程,说明该模型用于汉字认知乃至汉语言习得的可行性

提出了一种可以灵活适应不同的工程应用中神经网络在规模、拓扑结构、传递函数和学习算法上的变化,并能及时根据市场需求快速建立原型的神经网络硬件可重构实现方法.对神经网络的可重构特征进行了分析,提出了三种主要的可重构单元;研究了可重构的脉动体系结构及BP网络到该结构映射算法;探讨了具体实现的相关问题.结果表明,这种方法不仅灵活性强,其实现的硬件也有较高的性价比,使用一片FPGA中的22个乘法器工作于100MHz时,学习速度可达432MCUPS

采用3层前向神经网络描述混沌时间序列的动力学模型,给出了该网络拓扑结构的确定方法.以及使网络泛化误差达到最小为依据确定网络的输入节点和隐含节点个数.仿真结果表明:该方法不仅优化了网络的结构,而且大大减少了网络的泛化误差

反馈网络(Recurrent Network),又称自联想记忆网络其目的是为了设计一个网络,储 存一组平衡点,使得当给网络一组初始值时网络通过自行运行而最终收敛到这个设计的 平衡点上。 1982年,美国加州工学院物理学家霍普菲尔德(J. Hopfield)发表了一篇对人工神经网 络研究颇有影响的论文

7.1单神经元网络 7.2BP神经元网络 7.3RBF神经网络

人工神经网络的发展历史 人工神经网络的定义、特点和应用 从生物神经元到人工神经元

13.1 人工神经网络与神经网络优化算法 13.2 遗传算法 13.3 模拟退火算法 13.4 神经网络权值的混合优化学习策略

6.1 概述 6.1.1生物神经元模型 6.1.2 人工神经元模型 6.1.3 人工神经网络模型 6.1.4 神经网络的学习方法

针对我国高炉的检测水平,采用人工神经网络的方法建立了一种用于铁水含硅量预报的神经网络模型。该模型具有良好的适应性和自学习功能

14.1 生物神经元 14.2 人工神经元模型 14.3 多层感知器神经网络 15.1 神经网络的学习能力 15.2 误差回传算法