廣義同余神經(jīng)網(wǎng)絡(luò)的性能分析與改進.pdf

1、近年來，神經(jīng)網(wǎng)絡(luò)理論研究取得了很大的進展，在各個領(lǐng)域的應(yīng)用也取得豐碩的成果。作為神經(jīng)網(wǎng)絡(luò)的經(jīng)典模型，BP(誤差逆向傳播)網(wǎng)絡(luò)也得到了快速發(fā)展和廣泛的應(yīng)用，但同時存在著學(xué)習(xí)效率低，收斂速度慢，難以用數(shù)字硬件實現(xiàn)等問題。隨著人們對神經(jīng)網(wǎng)絡(luò)實時性、規(guī)模性的要求越來越高，解決這些問題也顯得更加迫切。 有關(guān)廣義同余神經(jīng)網(wǎng)絡(luò)(GCNN-GENERALIZED CONGRUENCE NEURAL NETWORKS)已有的研究表明，相對于普通B

2、P網(wǎng)絡(luò)，GCNN具有很快的收斂速度，且已證明單隱層的GCNN具有一致逼近能力。 本論文針對GCNN的性能進行分析，并對已有GCNN做出改進。本論文主要研究內(nèi)容包括以下幾個方面： 首先，用貝葉斯正則化方法及提前終止法改進GCNN神經(jīng)網(wǎng)絡(luò)，優(yōu)化后的GCNN神經(jīng)網(wǎng)絡(luò)有比較好的泛化能力，學(xué)習(xí)速度快，相對誤差較小，操作方便。實例分析表明，運用此算法優(yōu)化GCNN的方法是令人滿意的。 第二，對改進GCNN的性能進行分析，主要包

3、括GCNN網(wǎng)絡(luò)的逼近能力的分析，泛化能力的分析，其神經(jīng)元閾值對GCNN學(xué)習(xí)收斂性的影響，初始權(quán)值對訓(xùn)練速度和精度的影響，隱含層數(shù)目及隱含層神經(jīng)元數(shù)對網(wǎng)絡(luò)學(xué)習(xí)和工作的影響。并給出實例來性能分析的結(jié)論進行了證明。 第三，用計算實例做比較BPNN和GCNN的性能，實驗結(jié)果表明：改進的GCNN的網(wǎng)絡(luò)結(jié)構(gòu)及學(xué)習(xí)算法是有效的，GCNN比普通BP網(wǎng)絡(luò)及其部分變體具有更快的學(xué)習(xí)速度和較好的逼近、分類精度。 最后，將GCNN成功應(yīng)用到刀具