计算机与数字工程
計算機與數字工程
계산궤여수자공정
COMPUTER & DIGITAL ENGINEERING
2012年
1期
4-6,39
,共4页
量子神经网络%多层激励函数%双曲正切函数%字符识别
量子神經網絡%多層激勵函數%雙麯正切函數%字符識彆
양자신경망락%다층격려함수%쌍곡정절함수%자부식별
该文提出一种新的改进激励函数的量子神经网络模型.首先为了提高学习速率,在网络权值训练过程中引入了动量项.然后为了有效实现相邻类之间具有覆盖和不确定边界的分类问题,新网络采用区分度更大的双曲正切函数的叠加作为其隐层激励函数.最后将该算法用于字符识别,将双曲正切激励函数的量子神经网络应用于数字、字母和汉字样本的多次实验,并且与原多层激励函数量子神经网络和BP网络的实验效果进行比较,发现改进后量子神经网络不仅具有较高的识别率,而且在样本训练次数上相对原多层激励函数量子神经网络有明显减少.仿真结果证明该方法的优越性.
該文提齣一種新的改進激勵函數的量子神經網絡模型.首先為瞭提高學習速率,在網絡權值訓練過程中引入瞭動量項.然後為瞭有效實現相鄰類之間具有覆蓋和不確定邊界的分類問題,新網絡採用區分度更大的雙麯正切函數的疊加作為其隱層激勵函數.最後將該算法用于字符識彆,將雙麯正切激勵函數的量子神經網絡應用于數字、字母和漢字樣本的多次實驗,併且與原多層激勵函數量子神經網絡和BP網絡的實驗效果進行比較,髮現改進後量子神經網絡不僅具有較高的識彆率,而且在樣本訓練次數上相對原多層激勵函數量子神經網絡有明顯減少.倣真結果證明該方法的優越性.
해문제출일충신적개진격려함수적양자신경망락모형.수선위료제고학습속솔,재망락권치훈련과정중인입료동량항.연후위료유효실현상린류지간구유복개화불학정변계적분류문제,신망락채용구분도경대적쌍곡정절함수적첩가작위기은층격려함수.최후장해산법용우자부식별,장쌍곡정절격려함수적양자신경망락응용우수자、자모화한자양본적다차실험,병차여원다층격려함수양자신경망락화BP망락적실험효과진행비교,발현개진후양자신경망락불부구유교고적식별솔,이차재양본훈련차수상상대원다층격려함수양자신경망락유명현감소.방진결과증명해방법적우월성.