基于神經(jīng)網(wǎng)絡的信息處理研究.pdf

1、論文首先介紹了神經(jīng)網(wǎng)絡的相關內(nèi)容，然后重點研究了神經(jīng)網(wǎng)絡在綜合評判和手寫數(shù)字識別中的應用，最后做了總結和展望。
　　 綜合評判已被廣泛應用于社會、科學、管理等眾多領域，其評判的方法有很多，主要包括模糊綜合評判法、層次分析法、專家評定法等，但是權重和隸屬度的確定一直是綜合評判的兩大難點，很多方法帶有較強的主觀因素，這些主觀因素影響了最終的評判精度。為了得到更加客觀合理的權重和隸屬度，提高評判精度，本文利用模糊神經(jīng)網(wǎng)絡的學習來調(diào)整綜

2、合評判的權重和隸屬度。將此神經(jīng)網(wǎng)絡用于繼電器的動態(tài)特性評判中，得到了更加客觀合理的評判結果。
　　 手寫數(shù)字識別應用非常廣泛，識別的方法有很多。因為BP神經(jīng)網(wǎng)絡可以逼近任意的非線性映射，并且具有很強的自適應性、自組織性等，因此在手寫數(shù)字識別領域被廣泛采用。但是它存在收斂速度慢，易陷入“局部極小值”等缺陷，因此學者做了大量改進，關于學習速率的改進中較常見的是VLBP算法。但VLBP算法存在學習效率低、收斂不平穩(wěn)等問題，本文針對此問

3、題，對學習速率進行了改進，建立了誤差E和學習速率η之間的函數(shù)關系，即采用連續(xù)動態(tài)的自適應學習速率。仿真結果證實該改進學習速率算法相比VLBP算法．收斂速度加快，收斂過程更加平穩(wěn)。把改進學習速率的BP算法用于手寫數(shù)字識別，取得了較好的識別效果。
　　 標準BP算法的激勵函數(shù)一般采用Sigmoid形函數(shù)，但是網(wǎng)絡易陷入局部極小值，因此本文對Sigmoid激勵函數(shù)進行了改進，即判斷哪個樣本對出現(xiàn)了okp≈0或者（1-okp）≈0，對這