导　　师： 吴微

学科专业： G0102

授予学位： 硕士

作　　者： ;

机构地区： 大连理工大学

摘　　要： 本文首先回顾了神经网络的基本概念和发展概况，然后介绍了bp网络的网络结构和两种基本学习算法，以及神经网络集成的基本思想和研究现状。其次，本文介绍了用于前馈神经网络的基于误差递减的相继逼近训练算法的基本概念和理论证明，并通过对该算法的分析，指出该算法存在一定的不足。针对原算法所存在的问题，本文提出了用于前馈神经网络的基于隐单元递增的相继逼近训练算法，做了初步的算法分析，并分别利用不同的数据试验来研究用于bp网络的基于隐单元递增的相继逼近训练算法的学习能力和泛化能力。对n维奇偶问题数值试验表明，基于隐单元递增的相继逼近训练算法是收敛的，并通过实际试验验证了用于前馈神经网络的基于误差递减的相继逼近训练算法存在的一定不足。对双螺旋问题数值试验表明，基于隐单元递增的相继逼近训练算法在类似该问题的分类领域的泛化能力较普通bp网络有一定优势。对非线性系统数值试验表明，基于隐单元递增的相继逼近训练算法在某些非线性系统的预测稳定性方面较普通bp网络有一定优势。

关 键 词： 神经网络 隐单元递增 学习能力 泛化能力

分 类 号： [TP18]

领　　域： [自动化与计算机技术] [自动化与计算机技术]