“激勵函數”簡單造句，激勵函數造句子

通過優化組合小波基元激勵函數，大大減小了小波神經網絡的規模，改善了網絡學習特*。

以往的bp算法調節神經元網絡的權值，其網絡的隱層結點數、網絡學習快慢程度及網絡的泛化能力都與網絡的激勵函數有關的。

新的網絡激勵函數和訓練算法切實滿足過程控制的需要。

本文采用一類正交多項式*作為神經元的激勵函數，構成一個正交多項式基神經網絡。

針對背景輻*均勻穩定，劑量速率較小和太陽耀斑突發、劑量速率大的特點，對激勵函數進行不同處理，從而得到不同的理論模型。

以jk觸發器為例，提出了一種基於觸發器行為的j、k激勵函數的最小化技術。

同時在激勵函數單調遞增的條件減弱的情況下，給出了兩條漸近穩定的定理，並給了嚴格的數學*。

在對神經網絡的激勵函數的三個假設下，研究了具有離散時滯的神經網絡的穩定*。

使用了高斯函數作為神經網絡的激勵函數，並以最小二乘準則對字符進行識別。

為此，本文提出了一種帶可以修正激勵函數的bp算法，其特點是它能更好地模擬人腦神經元的特*。

本文提出基於新的激勵函數bp算法建立誤差預測模型，修正新型廣義預測算法的預測輸出。

針對不同樣本之間存在交叉數據的模式識別問題，將多層激勵函數的量子神經網絡引入模式識別之中，提出一種基於量子神經網絡的模式識別算法。

本文通過強夯振動頻域分析，提出了介質作用函數和強夯激勵函數的計算方法，對於強夯振動規律的認識和巖土體動力學特*的研究具有重要意義。