期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
关于一般存储器神经网络的学习收敛性研究
1
作者
彭宏京
陈松灿
《计算机科学》
CSCD
北大核心
2004年第1期118-121,132,共5页
本文在一类称为一般存储器神经网络(General Memory Neural Network(GMNN))的统一框架下来研究学习收敛性。该一般模型类的结构由三部分组成:输入空间量化、存储器地址产生器、查表或某种组合输出。当产生的地址是固定有限的个数以及网...
本文在一类称为一般存储器神经网络(General Memory Neural Network(GMNN))的统一框架下来研究学习收敛性。该一般模型类的结构由三部分组成:输入空间量化、存储器地址产生器、查表或某种组合输出。当产生的地址是固定有限的个数以及网络输出是线性求和时,可以证明GMNN能在最小平方误差意义下收敛。CMAC(Cerebellar Model Articulation Controller)、SLLUP(Single-Layer Lookup Perceptrons)是该类模型的典型代表。本文的意义在于为构造新的基于局部学习的神经网络模型提供理论指导,最后给出了这种构造的两个例子——SDM(Sparse Distributed Memory)和SLLUP的两个推广模型。
展开更多
关键词
一般存储器神经网络
学习收敛性
GMNN
网络结构
学习
能力
在线阅读
下载PDF
职称材料
新的基于mass-assignment的模糊CMAC神经网络及其学习收敛性(英文)
被引量：
9
2
作者
王士同
J.F.Baldwin
T.P.Martin2
《软件学报》
EI
CSCD
北大核心
2001年第6期816-821,共6页
基于 J.F.Baldwin等人提出的 mass- assignment理论 ,提出了新的基于 mass- assignment的模糊 CMAC神经网络 ,接着研究了其学习规则 .理论研究结果揭示出 ,此新模糊 CMAC是一个全局逼近器 ,并且具有学习收敛性 .故此新模糊 CMAC有非常...
基于 J.F.Baldwin等人提出的 mass- assignment理论 ,提出了新的基于 mass- assignment的模糊 CMAC神经网络 ,接着研究了其学习规则 .理论研究结果揭示出 ,此新模糊 CMAC是一个全局逼近器 ,并且具有学习收敛性 .故此新模糊 CMAC有非常重要的应用潜力 .
展开更多
关键词
模糊CMAC
学习
规则
mass-assignment理论
学习收敛性
神经网络
在线阅读
下载PDF
职称材料
具有微分输出的神经网络New-CMAC及其学习收敛性(英文)
3
作者
王士同
J.F.Baldwin
T.P.Martin2
《软件学报》
EI
CSCD
北大核心
2001年第5期666-667,共2页
基于传统的 CMAC神经网络和局部加权回归技术 ,提出了与传统 CMAC(cerebellar model articulation com-puter)有着同样存储空间量的改进的新 CMAC网络 New- CMAC,它具有传统的输出和具有其微分信息的输出 ,因而更适合于自动控制 .接着 ...
基于传统的 CMAC神经网络和局部加权回归技术 ,提出了与传统 CMAC(cerebellar model articulation com-puter)有着同样存储空间量的改进的新 CMAC网络 New- CMAC,它具有传统的输出和具有其微分信息的输出 ,因而更适合于自动控制 .接着 ,又提出了其新的学习算法 ,并研究了其学习收敛性 .
展开更多
关键词
模糊泛集合
学习
规则
学习收敛性
神经网络
微分输出
New-CMAC
在线阅读
下载PDF
职称材料
题名
关于一般存储器神经网络的学习收敛性研究
1
作者
彭宏京
陈松灿
机构
南京工业大学计算机系
南京航空航天大学计算机系
出处
《计算机科学》
CSCD
北大核心
2004年第1期118-121,132,共5页
基金
国家自然科学基金(编号:69973021)
文摘
本文在一类称为一般存储器神经网络(General Memory Neural Network(GMNN))的统一框架下来研究学习收敛性。该一般模型类的结构由三部分组成:输入空间量化、存储器地址产生器、查表或某种组合输出。当产生的地址是固定有限的个数以及网络输出是线性求和时,可以证明GMNN能在最小平方误差意义下收敛。CMAC(Cerebellar Model Articulation Controller)、SLLUP(Single-Layer Lookup Perceptrons)是该类模型的典型代表。本文的意义在于为构造新的基于局部学习的神经网络模型提供理论指导,最后给出了这种构造的两个例子——SDM(Sparse Distributed Memory)和SLLUP的两个推广模型。
关键词
一般存储器神经网络
学习收敛性
GMNN
网络结构
学习
能力
Keywords
Memory network,CMAC.n-tuple.SLLUP.SDM,Learning convergence
分类号
TP183 [自动化与计算机技术—控制理论与控制工程]
在线阅读
下载PDF
职称材料
题名
新的基于mass-assignment的模糊CMAC神经网络及其学习收敛性(英文)
被引量：
9
2
作者
王士同
J.F.Baldwin
T.P.Martin2
机构
华东船舶工程学院计算机系
英国Bristol大学高级计算研究中心
出处
《软件学报》
EI
CSCD
北大核心
2001年第6期816-821,共6页
基金
国家自然科学基金 No.6 98 430 0 2 &&
文摘
基于 J.F.Baldwin等人提出的 mass- assignment理论 ,提出了新的基于 mass- assignment的模糊 CMAC神经网络 ,接着研究了其学习规则 .理论研究结果揭示出 ,此新模糊 CMAC是一个全局逼近器 ,并且具有学习收敛性 .故此新模糊 CMAC有非常重要的应用潜力 .
关键词
模糊CMAC
学习
规则
mass-assignment理论
学习收敛性
神经网络
Keywords
Approximation theory
Convergence of numerical methods
Fuzzy sets
Iterative methods
Learning systems
Mathematical models
Membership functions
Multilayer neural networks
Probability distributions
Theorem proving
Vectors
分类号
TP183 [自动化与计算机技术—控制理论与控制工程]
在线阅读
下载PDF
职称材料
题名
具有微分输出的神经网络New-CMAC及其学习收敛性(英文)
3
作者
王士同
J.F.Baldwin
T.P.Martin2
机构
华东船舶工程学院计算机系
英国Bristol大学高级计算研究中心
出处
《软件学报》
EI
CSCD
北大核心
2001年第5期666-667,共2页
基金
国家自然科学基金No.6 98 30 0 4&&
文摘
基于传统的 CMAC神经网络和局部加权回归技术 ,提出了与传统 CMAC(cerebellar model articulation com-puter)有着同样存储空间量的改进的新 CMAC网络 New- CMAC,它具有传统的输出和具有其微分信息的输出 ,因而更适合于自动控制 .接着 ,又提出了其新的学习算法 ,并研究了其学习收敛性 .
关键词
模糊泛集合
学习
规则
学习收敛性
神经网络
微分输出
New-CMAC
Keywords
CMAC (cerebellar model architecture controller)
learning algorithm
differentiability output
locally weighted regression
分类号
TP183 [自动化与计算机技术—控制理论与控制工程]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
关于一般存储器神经网络的学习收敛性研究
彭宏京
陈松灿
《计算机科学》
CSCD
北大核心
2004
0
在线阅读
下载PDF
职称材料
2
新的基于mass-assignment的模糊CMAC神经网络及其学习收敛性(英文)
王士同
J.F.Baldwin
T.P.Martin2
《软件学报》
EI
CSCD
北大核心
2001
9
在线阅读
下载PDF
职称材料
3
具有微分输出的神经网络New-CMAC及其学习收敛性(英文)
王士同
J.F.Baldwin
T.P.Martin2
《软件学报》
EI
CSCD
北大核心
2001
0
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
