為了防止人為的造成訓練後的網絡過多的傾向於某一故障類型，各故障類型的訓練樣本數量不應相差太多。
並使用考種的數據作為神經網絡訓練樣本的實例，得到統計分析數據。
該算法將聚類方法和knn算法的優點結合起來，從而達到縮減了訓練樣本數量，減少了算法計算量，加快檢索速度的目的。
同時為了保*學習的精度，採用往初始訓練樣本集中加入邊界樣本和錯分樣本的策略來更新訓練樣本集，迭代訓練直到錯分樣本數目不變為止。
用周期函數，有限項傅立葉級數，作為激勵函數來獲取訓練樣本。
當子分類器均受訓練樣本分佈影響較小，組合結果也具有較好的穩定*。
首先採用共享草圖算法從目標訓練樣本集中學習得到目標的活動基模型，然後把活動基模型嵌入粒子濾波觀測模型中。
對大規模訓練樣本的支持向量機訓練問題進行探索，提出了一種基於正交表的並行學習算法。
採用灰*理論中的等維新息思想構建訓練樣本，建立了等維新息神經網絡預測模型。
該模型能夠自動生成模型訓練樣本集，從而根據時間和生產條件的變化而自動調整以預報鋼水温度。
對於神經模糊系統的過擬合問題，本文提出了一種訓練樣本、檢驗樣本的選擇方法以及一種最佳訓練次數的確定方法。
本文主要研究由給定的訓練樣本集，如何選擇最優小波包基，從被識別或分類的信號中提取具有最大可分*的特徵。
以SD為初始模型的最大後驗概率方法在150個訓練樣本時識別效果最好，可以達到90．4％ 。
該類學習機也是在少訓練樣本集上構造的。
本文采用基於知識的人工神經網絡模型模擬微帶徑向短截線的特*，利用已經具有的先驗知識減小神經網絡輸入輸出映*關係的複雜程度有效減少了訓練樣本的數量。
在MATLAB環境下對所研究的圖像重建用RBF神經網絡進行訓練，並通過有限元法獲得訓練所需要的訓練樣本集。
本文對徑向基函數網絡提出了一種新的學習算法，利用最小均熵差準則對訓練樣本進行模式聚類。
以2001年5~10月全太湖26個採樣點的實測水文、水質、氣象等資料作為輸人因子，建立了訓練樣本、檢驗樣本和測試樣本，並以各採樣點的浮游植物量作為輸出因子。
國文精選館
