1) fractional linear neural network
分式线性神经网络
1.
This paper presents a fractional linear neural network with simple structure, and proves that the fractional linear neural network can limitlessly approach any continuous mapping from limited close subset of R~ m to R~ n .
提出了结构简单的分式线性神经网络,证明该种神经网络可无限逼近Rm上有界闭子集到Rn上的任意连续映射,同时,证实该种神经网络可无限逼近Rm上无界闭子集到Rn上的在无穷远有极限的任意连续映射,扩充了BP神经网络的非线性逼近能力;给出了实现分式线性神经网络逼近有界或无界区域上连续映射的反向传播算法。
2.
A fractional linear neural network with simple structure is proposed.
给出了一种简单结构的分式线性神经网络模型,证明该种神经网络可无限逼近Rm上有界闭子集到Rn上的任意连续映射。
2) piecewise-linear neural network
分片线性神经网络
1.
During this process,feature points were used in place of sample data to do triangulation,then an algorithm of piecewise-linear neural networks approximation based on optimal triangulation was given.
针对非线性系统建模中用标准连续分片线性神经网络(SCPLNN)模型拟合二维平面上离散点的问题,依据逼近误差最小化的原则,提出了一种优化的三角形剖分算法进行区域划分。
3) continuous piecewise-linear neural networks
连续分片线性神经网络
4) Linear neural network
线性神经网络
1.
Application of linear neural network in calibration of accelerometer;
线性神经网络在加速度计静态模型标定的应用
2.
A Cointegration Analysis Based on Linear Neural Network;
基于线性神经网络的协整分析
3.
In this paper linear neural network was applied to adaptive noise cancellation technology,and the neural network was trained by least mean square (LMS) algorithm.
针对有源滤波器谐波检测实时精度高的要求,将线性神经网络应用于自适应噪声对消技术,采用最小均方(least mean square,LMS)误差算法对神经网络进行训练,通过线性神经网络实现的自适应格型滤波器,每个神经元对输入基波和谐波信号并行协同处理,对电网高次谐波分量进行滤波和预测,较常规滤波器有更好的实时性和鲁棒性。
5) linear neural networks
线性神经网络
1.
This method used genetic algorithm optima linear neural networks firstly, then fitting the output of sensor consistency, also putting up a stopping-genetic evolution and adapting-variation methods.
该方法首先使用遗传算法优化线性神经网络的权值,再用神经网络对浓度传感器的输出特性进行拟合,提出遗传进化停滞算子与自适应变异方法,实验验证该方法的有效性。
2.
Firstly the basic principles of linear neural networks and Fourier transform are introduced;meanwhile computational method of linear neural network weights is given;secondly the steps of periodic signals decompositions is given on the basis of linear neural networks.
提出一种利用线性神经网络进行周期信号傅立叶变换的方法。
6) nonlinear neural network
非线性神经网络
1.
A controlling model of the proposed system is then put forward based on nonlinear neural networks,with a neural identifier and a controller being also designed.
为了在保证行车安全的前提下,提高列车的横向平稳性能,提出一种基于天棚原理的列车横向半主动悬挂系统,并建立了半主动悬挂非线性神经网络控制模型,设计了神经辨识器和控制器。
补充资料：分式线性映射
分式线性映射
fractional -linear mapping
【补注】关于AutB”的出色的参考义献有[A IJ.分双线性映射，也称为M6bius孪攀(附bi‘哪forma-tinn劝分式线性映射[加改抽旧.一血。r“.价娜甩;八po6，。一二。。e‘-110e“T06pa‘e“，e]，分式攀性孪珍(frac‘lonal一加已灯肋m几n刃日lion) 用分式线性函数来实现的复空间C”~C”的映射(见分式线性函数(n习ctional刁in浅汀允nc加n)). 在复平面C’=C的情形下，这是形如 az+b “一w一L回一嚣篇~(‘)的非常数映射，其中ad一bc务0;通常采用么模正规化(朋i以对田ar non刀al达ltjon)诫一瓦=1.任一分式线性映射可通过补充定义叨~a/c及一d/c~的而成为扩充复平面C到自身的一一映射.最简单的分式线性映射是线性映射艺~w=汤+石，当c二O时便得到这种映射.所有非线性的分式线性映射均可表为两个线性映射同映射乌::~w二1八的复合.分式线性映射乌的性质可以在R翻改l.u.，球面(Rlen切山叮sPhe犯)上描述，因若采用球极平面射影，它对应于绕过点士16C的象点的直径作180。旋转. 特有性质，分式线性映射将〔一一共形地映射为自身.圆性质(c加le property):在分式线性映射下，C中任一圆(即C中圆或添上点田的直线)变成〔中的圆.两对称点的比的不变性:关于C中任一圆对称的一对点:，z’，在分式线性映射下变为关于该圆的象对称的一对点w，矿.〔中四点的交比关于分式线性映射不变，即若该映射把点亡}，岛，乌，氛分别变成点心，，几，乌，仇，则 七、一心t乱一心，C、一〔l么一C! 、3、1·、4、l=、3、l二纽一一兰上了2) 之3一屯:’氛一七:C3一屯:一弘一乌-对于任意给定的〔中两两不同的三点组着、，着2，着3和C，，CZ，乌，存在一个唯一的分式线性映射，分别把氛变成氛，k“l，2，3.这一分式线性映射可从方程(2)用:和、分别代换氛和众后求出·群性辱(gro叩Property):全体分式线性映射的集合关于复合(L:几)(z)=L、仇伺)构成非交换群，其单位元素为E(z)”2.万有性质(un-Iven曰五ty pmperty):C的任一共形自同构是分式线性映射，因此所有分式线性映射的群与〔的所有共形自同构的群A币、C一致， 单位圆盘B={:‘C:}:}
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