提出了一個新的迭代公式,用此公式求解非線*方程根收斂速度快,且絕對收斂。
結果表明,該網絡模型算法收斂速度較快,預測精度很高。
優化後的網絡收斂速度快、穩定,具有較強的推廣能力。
然而基於梯度下降的BP網絡存在收斂速度慢、易陷入局部極小的缺陷。
數值實驗結果表明,這種算法不僅有效克服了割線法的缺陷,而且收斂速度、收斂範圍和算法的穩定*也得到明顯提高。
迭代公式I是一種單步迭代公式,在單根附近具有二階收斂速度,且無須求函數的導數值;
具有高度非線*和很強的自學習能力的BP神經網絡使預知維修成為可能,但由於BP算法存在收斂速度慢、易出現局部極小值等缺陷。
分析了BP算法的基本原理,指出了BP算法具有收斂速度慢、易陷入局部極小點等缺陷以及這些缺陷產生的根源。
應用超線*收斂方法加快了神經網絡的收斂速度。
但由於定點數運算會引起量化累積誤差,均衡器的收斂速度比浮點數運算均衡器的收斂速度要慢,收斂後的穩定*也較差。
而變異算子按照梯度方向變異,以加快算法的收斂速度。
第三章研究一類非齊次馬氏鏈的收斂速度及絕對平均強遍歷*。
本文在截尾樣本下構造了失效率的一種截尾非參數估計,並給出了其均方收斂及強相合*的局部一致收斂速度。
與自然梯度法盲抽取相比,粒子羣法抽取精度更高,收斂速度更快,實例*表明了算法的有效*和優越*。
而加入一動量項於倒傳式學習演算法中是一個加快收斂速度之常用的做法,但是其又與未成熟飽和問題的產生有相關*。
利用埃特金法,很好地改善了迭代公式的收斂*和收斂速度.
形勢知識能較好地指導種羣走出局部收斂,規範知識能夠加快進化的收斂速度。
採用了收斂速度較快的遞推預報誤差算法訓練神經網絡。
理論分析和計算機*表明,新算法除具有原頻域快速算法的優點外,還具有較快的收斂速度和良好的收斂精度,可以有效地應用於干擾機自適應收發隔離系統中。
通過離線的迭代算法生成高精度的樣本點來訓練神經網絡,使用動量法、變學習率法和共軛梯度法提高BP網絡的收斂速度。
模糊控制改進了自適應逆控制系統中LMS算法的*能,解決了恆定步長因子帶來的收斂速度和失調量之間的矛盾。
經編程驗*算法穩定,收斂速度快,計算結果可信。
迭代公式II也是一種單步迭代公式,在單根附近具有三階收斂速度;
自適應濾波算法採用變步長最小均方誤差算法,減少了算法的運算量,提高了算法的收斂速度。
與衝激雷達相比,這種方法能顯著提高信噪比,並且這個方法的收斂速度快,一般迭代10次以內即達到穩定。
為加快收斂速度,該算法將視差圖的最優搜索問題轉換為二值神經網絡的迭代收斂過程。
目前基於高斯牛頓法及其衍生算法的前饋神經網絡雖然可以達到局部二階收斂速度,但只對小殘量或零殘量問題有效,對大殘量問題則收斂很慢甚至不收斂。
實際工程算題表明,該方法具有理論嚴謹、收斂速度快、計算精度高的特點,是穩定滲流和非穩定滲流分析中的有效方法。
對比計算表明,本文方法還可大幅度地提高可行方向法的收斂速度。
該方法彌補了傳統的神經網絡BP網絡收斂速度慢,易陷入局部極小點等缺陷。
這種方法求解思路清晰,收斂速度快,計算精度高。
此外該算法具有收斂速度快、魯棒*強、估計精度高等優點。通過拖曳陣和體積陣的*實驗,驗*了所提出方法的有效*和正確*。
rls中的ftf快速橫向濾波器算法收斂精度高、收斂速度快、算法簡單,能夠滿足機械系統振動信號降噪的要求。
該改進算法通過引入高斯變異算子和最速下降算子來改善人口遷移算法的收斂速度和全局收斂*,並對其收斂*進行了*。
*結果表明,該方法實現簡單,收斂速度快,可以實現單部動基座傳感器的偏差估計。
實驗結果表明,該算法定位精度高、收斂速度快。
通過系統辨識的*實例,説明了隱層神經元激勵函數對網絡*能的影響,還驗*了文中提出的NARX神經網絡具有更快的收斂速度,並且能有效地避免算法陷入局部最小。