1) RMLP
递归多层感知器
1.
By using the state space extension method, discretetime recurrent neural networks with sectortype monotone nonlinear activation functions, also known as recurrent multilayer perceptrons (RMLPs), were converted to the forms represented as linear differential inclusions(LDIs).
通过状态空间扩展法,将一类活化函数满足扇区条件和单调性的离散递归神经网络(即递归多层感知器RMLP)转化为线性微分包含(LDI)形式,而LDI的稳定性分析可转化为一组线性矩阵不等式(LMI)的求解,利用MATLAB/LMITOOLBOX求解LMI,从而判定RMLP的Lyapunov稳定性。
2) recurrent multilayer perceptron(RMLP)network
递归多感知器网络(RMLP)
3) multi-layer perceptron
多层感知器
1.
A modified multi-layer perceptron neural network technique.;
一种改进的多层感知器神经网络技术
2.
It is applicable to any small vocabulary hybrid speech recognition system that combines hidden Markov model (HMM) with multi-layer perceptron (MLP).
研究适用于隐马尔可夫模型 ( HMM)结合多层感知器 ( MLP)的小词汇量混合语音识别系统的一种简化神经网络结构。
4) multi-layer perception
多层感知器
1.
Concerning the spinning process and its key parameters in textile industry, a multi-layer perception neural net model was built up with backpropagation learning algorithms.
针对纺纱生产的工业过程和关键控制参数,建立了基于误差反向传输(BP)学习算法的多层感知器神经网络软件模型,以一组工业生产数据对模型进行了成功训练和验证,取得了优良的精度,证实了模型的有效性和实际应用价值。
2.
Based on the mechanism of multi-layer perception (MLP), a method with adaptive learning rate factors for the improvement of BP algorithm is presented.
从多层感知器原理分析出发，提出一种自适应学习速率因子方法，用于对多层感知器中ＢＰ算法的改进，并将改进算法用于ＸＯＲ问题的学习及某分类器实例样本的学习。
5) Multilayer perceptron
多层感知器
1.
Research on Multilayer Perceptron Learning Algorithm;
多层感知器学习算法研究
2.
Application of sensitivity analysis to hardwareimplementation of multilayer perceptron;
灵敏度分析在多层感知器硬件设计中的应用
3.
Research on Multilayer Perceptron Learning Algorithm;
多层感知器学习算法研究
6) MLP
多层感知器
1.
According to the analysis on the load-changing law and the effect factors of urban gas and combining the Self-Organizing Feature Map (SOFM) network with the Multi-Layer Pcrceptron (MLP) network, the method is developed to build the short-term load prediction model of urban gas.
通过对城市天然气负荷变化规律和影响因素的分析,提出了一种将自组织特征映射(SOFM)网络和多层感知器(MLP)网络相混合,建立城市天然气短期负荷预测模型的方法。
补充资料：多层递阶控制结构
大系统按控制的功能及决策的性质划分的一种层次结构（见大系统结构）。多层递阶控制结构主要用于解决复杂的决策问题。
大系统（见大系统理论）处于不确定的环境中，在决策时为了克服不确定性的影响，需要较长时间积累资料和经验,但是决策的制定和执行却要求及时而迅速,否则控制就不能适应环境变化。为了解决这种矛盾可采用多层控制结构。多层控制结构就是将复杂决策问题分解为子决策问题的序列。每个子决策问题有一个解，就是该决策单元的输出，同时也是下一决策单元的输入。根据这个输入，再确定下一决策单元中的参数，从而确定下一决策单元的输出。如此一层一层下去，形成决策层的递阶（见图）。
第Ⅰ层是直接控制层，包括各种调节器和控制装置，具有一般控制系统的功能。它执行来自第Ⅱ层的决策命令，直接对被控过程或对象发出控制作用u,使过程的输出y在T1期间内达到期望目标值yd，克服快扰动V1的影响。第Ⅱ层是最优化层。在决定这一层的数学模型时，只考虑对性能指标影响最严重的特定扰动V2，但数学模型的参数仍由第Ⅲ层供给的环境参数θ来确定。此层在T2≥T1期间内,根据确定了的数学模型计算出yd值,供给第Ⅰ层作为最优控制参数的设定值，实现动态最优化，克服较快扰动的影响。这一层因为能作出最优性能的决策，所以功能水平高于第Ⅰ层。第Ⅲ层是自适应层，它能根据环境条件的变化，经过较长时间T2积累资料，最终确定一组新的环境参数值θ，供给最优化层，供修正其目标函数、约束条件和数学模型的参数用。这一层具有适应不确定的环境变化的能力，适应较慢扰动变化，保持系统最优运行状态，所以功能水平更高。如果还需要根据大系统的总任务、总目标考虑结构的功能来决定最优策略，以调整各层工作，克服慢扰动的影响，则增加第Ⅳ层，即自组织层。一般可根据大系统控制的功能和决策的性质确定决策层次。
大系统（见大系统理论）处于不确定的环境中，在决策时为了克服不确定性的影响，需要较长时间积累资料和经验,但是决策的制定和执行却要求及时而迅速,否则控制就不能适应环境变化。为了解决这种矛盾可采用多层控制结构。多层控制结构就是将复杂决策问题分解为子决策问题的序列。每个子决策问题有一个解，就是该决策单元的输出，同时也是下一决策单元的输入。根据这个输入，再确定下一决策单元中的参数，从而确定下一决策单元的输出。如此一层一层下去，形成决策层的递阶（见图）。
第Ⅰ层是直接控制层，包括各种调节器和控制装置，具有一般控制系统的功能。它执行来自第Ⅱ层的决策命令，直接对被控过程或对象发出控制作用u,使过程的输出y在T1期间内达到期望目标值yd，克服快扰动V1的影响。第Ⅱ层是最优化层。在决定这一层的数学模型时，只考虑对性能指标影响最严重的特定扰动V2，但数学模型的参数仍由第Ⅲ层供给的环境参数θ来确定。此层在T2≥T1期间内,根据确定了的数学模型计算出yd值,供给第Ⅰ层作为最优控制参数的设定值，实现动态最优化，克服较快扰动的影响。这一层因为能作出最优性能的决策，所以功能水平高于第Ⅰ层。第Ⅲ层是自适应层，它能根据环境条件的变化，经过较长时间T2积累资料，最终确定一组新的环境参数值θ，供给最优化层，供修正其目标函数、约束条件和数学模型的参数用。这一层具有适应不确定的环境变化的能力，适应较慢扰动变化，保持系统最优运行状态，所以功能水平更高。如果还需要根据大系统的总任务、总目标考虑结构的功能来决定最优策略，以调整各层工作，克服慢扰动的影响，则增加第Ⅳ层，即自组织层。一般可根据大系统控制的功能和决策的性质确定决策层次。
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