摘要：结合前馈网络的全局化设计和局部化设计的各自特点，提出一种由多个既独立又关联的同构子网络构成的局部化多层感知器．仿真结果表明，该网络对复杂非线性系统具有良好的学习性能，并适用于学习控制的直接逆模型法和远程学习法．

摘要：以多层感知器的相对灵敏度为指标,利用灵敏度分析方法,研究了存在量化误差的情况下,多层感知器硬件设计中的网络结构设计和量化比特数选择问题。提出了训练前多层感知器硬件设计的灵敏度分析方法。针对单隐层感知器的硬件设计进行了计算机仿真,得到了满足设计要求的隐层神经元个数和量化比特数。仿真结果表明,所提方法在理论上是一种有效的网络硬件设计方法。

摘要：讨论了多层感知器神经网络 (MLPNN)在矩形波导终端匹配短负载设计中的应用。网络学习过程采用反向传播算法 (BP) ,并对训练和测试用样本进行随机化 ,训练过程中加入动量项 ,网络结构可进行自动调节。对样本进行了线性定标 ,用定标后的样本训练神经网络 ,建立系统模型 ,通过优化神经网络相应参数成功实现了矩形波导H面T型结构的终端短小匹配负载的结构设计。

摘要：灵敏度分析对于神经网络结构设计具有指导意义 .已有的灵敏度分析方法往往针对特定的激活函数 ,并且对网络输入和权值扰动有严格的限制 .该文采用另一种以 1- e-λx1+e-λx型激活函数的倾斜度作为参数的函数形式逼近激活函数 ,得到了一类神经元的统一的灵敏度解析表达式和网络灵敏度计算算法 .该方法取消了对输入和权值扰动的限制 ,可以研究激活函数倾斜度对网络灵敏度的影响 .计算机模拟试验证明了此方法的正确性 ,并且提出了网络结构设计的几条准则 .

摘要：灰狼优化算法(GWO)是一种新的基于灰狼捕食行为的元启发式算法,被证明是一种具有高水平的探索和开发能力的算法。但是存在开发和探索不平衡的问题,以至于其优化性能并不理想。该文将混沌理论引入GWO中,用于平衡GWO的探索和开发,提出一种改进的混沌灰狼优化算法(CGWO),并应用于多层感知器(MLPs)的训练。首先,基于Cubic混沌理论对GWO的位置更新公式进行改进,以增加个体的多样性,增大跳出局部最优的概率和对解空间进行深入的搜索;其次,设计一种非线性收敛因子,用于协调和平衡CGWO算法在不同迭代进化时期的探索和开发能力;最后,将CGWO算法作为MLPs的训练器,用于对3个复杂分类问题进行分类实验。结果表明:CGWO在分类准确率,避免陷入局部最优,全局收敛速度和鲁棒性方面相较于其他对比算法均具有较好的性能。

摘要：LST(land surface temperature,地表温度)是一个极为重要的自然地理参数,能够表征地球表层系统的多个自然地理过程,同时与人类生产生活密切关联.为解决LST获取中时空分辨率不能自动互补的问题,以北京市为研究案例区,构建MLP(multilayer perceptron,多层感知器)模型,对MODIS(Moderate Resolution Imaging Spectroradiometer)1 km LST数据进行降尺度研究.结果表明:预测白天LST的MLP模型的训练、测试和整体决定系数分别为0.810、0.796和0.807,预测夜间LST的MLP模型的训练、测试和整体决定系数分别为0.702、0.705和0.701,预测残差值均服从正态分布,构建的模型可靠性较高.与回归模型和支撑向量机等模型相比,MLP模型具有拟合优度高、误差小等优点,此外,MLP模型测试数据集的拟合度也较高,说明模型的泛化推广能力较强.MLP模型的LST降尺度结果能够清晰地反映下垫面地表热环境的空间异质性和昼夜差异.平原地区的建设用地区为LST的高值区,山区远郊县为LST的低值区,白天LST显著高于夜间LST.将TM影像反演的LST的空间分辨率聚合到250 m,使之与MLP模型的LST降尺度结果的空间分辨率相同,并通过随机采50 000个样点比较TM影像反演的LST和MLP模型的LST降尺度结果.检验结果表明,尽管二者在具体数值上有些差异,但其空间结构高度相似,协方差为正,相关系数可达0.730,误差呈现正态分布.研究显示,人工神经网络模型在LST降尺度方面具有较大的应用前景.

摘要：传统调参方法容易生成局部最优,提出多策略混合改进BOA算法的MLP训练方法。针对标准BOA算法寻优精度、收敛速度的不足,设计多策略混合改进蝴蝶优化算法MSHBOA。利用佳点集进行种群初始化,避免随机种群的遍历不足;引入量子搜索局部开发和自适应惯性权重全局搜索提升个体寻优能力;设计概率阈值自适应调整机制,动态协调全局搜索与局部开发比重;设计柯西变异和混沌映射的个体混合扰动机制,增强算法脱离局部最优的能力。将MSHBOA应用于多层感知器MLP训练优化,结果验证训练算法在均方误差、分类准确率、局部最优抵抗性和稳定性方面均表现更好。

摘要：为了增强非线性车辆模型的稳定性以及鲁棒性,提出了一种基于多层感知器的反传神经网络车辆稳定性最优鲁棒控制。采用四轮主动转向模型,建立了多层感知器前馈反向传播神经网络模型作为逼近器。采用最优鲁棒控制来调节车辆的横摆角速度和侧滑角,以满足期望的车辆响应。建立的神经网络模型通过状态变量训练来区分车辆的非线性动力学特性和相应的最优反馈增益。利用Lyapunov稳定性方法对控制器的鲁棒性与稳定性进行了分析,并采用滑模控制器跟踪期望的横摆角速度和侧滑角响应。仿真结果表明,所提出的方法能显著提高车辆的鲁棒性以及控制性能。

摘要：目的:提出一种基于多层感知器(MLP)的新型房颤识别算法。方法:首先设计一种新型自适应的R波阈值检测算法,然后以R波位置和幅度为特征,MLP为分类器进行正常/房颤心电图识别。MLP的网络参数采用深层置信网络预训练算法进行初始化,最后用误差反向传播算法对MLP网络权重进行调整。结果:在单通道心电图数据集上对正常、房颤心电信号进行分类,本研究方法的灵敏度达96.00%,特异性为84.18%,平均识别率为90.09%。结论:这种基于MLP的心电识别算法准确率高、计算复杂度较低,可为房颤的智能诊断提供一种新方法。

摘要：针对训练多层感知器(MLP)时,算法对初始值敏感、易陷入局部最优和收敛速度慢等问题,对新型启发式算法非洲秃鹫优化算法提出改进算法IAVOA。在初始化种群时引入Logistic混沌映射,增加种群的多样性;对最优秃鹫和次优秃鹫增加自适应权重系数,自动调整这两类秃鹫对普通秃鹫的引导作用;IAVOA用于MLP的训练,采用均方误差的平均值作为适应度函数寻找MLP的连接权重和偏差的最佳组合。选取4个不同复杂度的分类数据集,比较IAVOA算法与现有启发式算法对MLP训练后,MLP对数据分类的性能,仿真结果表明,IAVOA算法训练的MLP在数据分类准确率、全局搜索能力、收敛速度和稳定性方面均具有良好的性能。