网络为３层结构，输入层为６个神经元，隐含层为４个神经元，输出层为１个神经元，当输入层为中心对称样本 1，0，0，0，0，1等时，网络输出为1，否则输出为0。
标签： 网络
上传时间： 2014-01-22
上传用户：yepeng139
用BP网络完成函数的逼近。BP网络通常有一个或多个隐层，隐层中的神经元均采用sigmoid型变换函数，输出层的神经元采用纯线性变换函数。本例应用一个两层BP网络来完成函数逼近的任务，其中隐层的神经元个数是5。
上传时间： 2013-12-27
上传用户：顶得柱
一种基于蚁群聚类的径向基神经网络 提出了一种基于蚁群聚类算法的径向基神经网络. 利用蚁群算法的并行寻优特征和挥发系 数方法的自适应更改信息量的能力,并以球面聚类的方式确定了径向基神经网络中基函数的位置, 同时通过比较隐层神经元的相似性、合并相似性较为接近的2 个神经元来约简隐含层的神经元,以 达到简化径向基神经网络结构的目的. 实验比较了几种不同聚类算法的径向基神经网络,结果表 明,所提神经网络的整体训练时间至少可缩短40 ％ ,学习的准确率可提高1 ％以上,而且网络结构 更加精简.
上传时间： 2013-12-26
上传用户：wuyuying
改进的单神经元自适应pid控制，权系数的在线修正不完全是根据神经网络学习原理，而是参考实际经验制定。
上传时间： 2014-01-04
上传用户：hgy9473
基于BP神经网络整定的PlD控制，神经网络，根据系统的运行状态，调节PID控制器的参数，以期达到某种性能指标 的最优化，使输出层神经元的输出状态对于控制器的三个可调参数
上传时间： 2013-12-17
上传用户：李彦东
BP神经网络的编程,C语言编写 要看要几层的网络，输入和输出是多少个？要几层隐层，多少个神经元，还有要选什么传输函数。这些确定了，建立和训练网络
上传时间： 2013-12-08
上传用户：tianjinfan
bp神经网络，N 11 //学习样本个数 #define IN 5 //输入层神经元数目 #define HN 8 //隐层神经元数目 #define HC 3 //隐层层数 #define ON 3 //输出层神经元数目
标签： 神经网络
上传时间： 2013-11-26
上传用户：rocketrevenge
基于BP神经网络的 参数自学习控制 （1）确定BP网络的结构，即确定输入层节点数M和隐含层节点数Q，并给出各层加权系数的初值 和 ，选定学习速率 和惯性系数 ，此时k=1； （2）采样得到rin(k)和yout(k)，计算该时刻误差error(k)=rin(k)-yout(k)； （3）计算神经网络NN各层神经元的输入、输出，NN输出层的输出即为PID控制器的三个可调参数 ， ， ； （4）根据(3.34)计算PID控制器的输出u(k)； （5）进行神经网络学习，在线调整加权系数 和 ，实现PID控制参数的自适应调整； （6）置k=k+1，返回（1）。
上传时间： 2016-04-26
上传用户：无聊来刷下
竞争学习指同一神经元层次上各个神经元相互之间进行竞争，竞争胜利的神经元修改与其相联的连接权值。竞争学习是一种无监督学习。在无监督学习中，只向网络提供一些学习样本，而不提供理想的输出。网络根据输入样本进行自组织，并将其划分到相应的模式类中。
标签：
上传时间： 2014-12-22
上传用户：520
本程序是BP算法的演示程序, 其中的Levenberg-Marquardt算法具有实用价值. 一、网络训练 程序默认状态是样本训练状态,现将样本训练状态下的如何训练网络进行说明: 1.系统精度: 定义系统目标精度,根据需要定义网络训练误差精度.误差公式是对训练出网络的输出层节点和实际的网络输出结果求平方差的和. 最大训练次数: 默认为10000次,根据需要调整,如果到达最大训练次数网络还未能达到目标精度,程序退出. 3.步长: 默认为0.01,由于采用变步长算法,一般不需人工设置. 4.输入层数目: 人工神经网络的输入层神经元的节点数目. 5.隐含层数目: 人工神经网络的隐含层神经元的节点数目. 6.输出层数目: 人工神经网络的输出层神经元的节点数目. 7.训练算法: 强烈建议选取Levenberg-Marquardt算法,该算法经过测试比较稳定. 8.激活函数: 不同的网络激活函数表现的性能不同,可根据实际情况选择. 9.样本数据的处理: 由于程序没有实现归一化功能, 因此用来训练的样本数据首先要归一化后才能进行训练.
标签： Levenberg-Marquardt 程序 状态 样本
上传时间： 2013-12-19
上传用户：firstbyte
