1) recurrent neural network
循环神经网络
1.
Compared with the well known extended Kalman filter (EKF), a recurrent neural network was proposed for the solution, which not only improves the location precision, the adaptive ability of resisting disturbances, but also avoids calculating the analytic derivation and Jacobian ma.
提出了一种基于循环神经网络的方法,和传统的扩展卡尔曼滤波(EKF)方法相比,该方法不仅提高了系统定位的准确性和自适应抗干扰能力;而且不需要模型的具体解析形式,避免了复杂的 Jacobian 矩阵的计算,算法更简单,也更加易于实现。
2.
Diagonal Recurrent Neural Network (DRNN) is a modified model of the fully connected recurrent neural network with the advantage in capturing the dynamic behavior of a system.
对角循环神经网络是一类经过修正的全连接循环神经网络,在系统动态行为的俘获方面具有明显的优势。
3.
An approach to compensating sensor drift based on recurrent neural networks is discussed in the paper.
本文讨论了一种基于循环神经网络的传感器补偿新方法。
2) recurrent neural networks
循环神经网络
1.
Recurrent neural networks can direct reflection the dynamic property of system,the same saleroom has dynamic property.
企业产品销售额的分布具有动态的特性,循环神经网络能够直接地反映系统动态、非线性的特性,因此,考虑用循环神经网络来预测企业产品的销售额,同时为了避免训练陷入区域极小值,用遗传算法来改进网络的权值算法。
2.
Recurrent Neural Networks (RNN) is one important branch belonging to Artificial Neural Networks (ANN) with better ability for learning time series in comparison with Forward Neural Networks (FNN), howbeit no independent learning algorithm based on FNNs’.
循环神经网络(RecurrentNeuralNetworks)是人工神经网络(ArtificialNeuralNetworks)中重要的分支,与前馈神经网络(ForwardNeuralNetworks)相比具有更好的时间序列学习能力。
3.
By using Brouwer s fixed theorem, generalized Halanay s delay differential inequality and Dini s derivative, the existence of stationary point and globally exponential stability of recurrent neural networks with time-varying delay are studied.
利用Brouwer不动点定理,推广的Halanay时延微分不等式及Dini导数,讨论了具有变时滞循环神经网络模型的平衡点的存在性和全局指数稳定性,在不要求激活函数连续可导的条件下,得到了非常简单实用的判别条件。
3) Hopfield circular neural network
Hopfield循环神经网络
4) Discontinuous recurrent neural networks
不连续循环神经网络
5) loop architecture neural network(LANN)
环结构神经网络
6) ring neural network
环形神经网络
补充资料：Hopfield神经网络模型
Hopfield神经网络模型
Hopfield neural network model
收敛于稳定状态或Han加Ing距离小于2的极限环。 上述结论保证了神经网络并行计算的收敛性。 连续氏pfield神经网络中，各个神经元状态取值是连续的，由于离散H6pfield神经网络中的神经元与生物神经元的主要差异是:①生物神经元的I/O关系是连续的;②生物神经元由于存在时延，因此其动力学行为必须由非线性微分方程来描述。为此，在1984年J.J.H叩fi酗提出了连续氏pfield神经网络，它可用图1所示的电路实现，其动态方程┌───┐│·T叮 │└───┘图1连续F砧pfield神经网络 (a)Sigmoid非线性;(b)神经元模型可由下述微分方程式描述: 、，产 门J /r、l、1.。瓮一客、一佘Ii认=f(u￡)￡=l，2，…，n式中f(·)为连续可微的Sign101d函数;T，j=兀、i，j=1，2，“’，n几=0]=i1~.吞~·‘八文一Q*+，戮T，j‘一‘，2，”一”连续时间氏pfield神经网络式的计算能量函数定义为:一告客客几从砚 石l「Vi_1，、，合，，， +乞古!‘厂‘(x)dx一乙I，从(4) ’月R‘Jo“‘、一’一月一，” 对于式(3)，若f一‘为单调增且连续，C>0，T，j=几(i，j=1，2，一，n)，则沿系统的运动轨道有dE一。-丁丁足之Uat当且仅当贷一。时 箭一。式(3)的稳定平衡点就是能量函数E〔式(4)」的极小点，反之亦然。同时，连续氏pfield神经网络式(3)以大规模非线性连续时间并行方式处理信息。网络的稳定平衡点对应于其计算能量函数E的极小点，网络的计算时间就是它到达稳定的时间，网络的计算在系统趋于稳态的过程中也就完成了。这也是式(3)用于神经计算及联想记忆的基本原理，也即神经计算机的基本原理。HoPfield shenling wangluo moxingHopfield神经网络模型(Hopfieldne，Ine幻即0比m侧触l)一种单层全反馈的人工神经网络模型(后称之为氏p玉idd模型)，它对推动人工神经网络研究的复苏起了很重要的作用。 且，lield对人工神经网络研究的贡献主要有: (l)把有反馈的神经网络看作一个非线性动力系统，提出了系统的全局Lyap阴lov函数(或称能量函数)的概念，用于系统稳定性的分析; (2)利用上述分析方法解决人工智能中的组合优化问题，如15护;(3)给出了利用模拟电子线路实现的连续Hopfidd网络的电路模型，为进一步研究神经计算机创造了条件。
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条