1 在對(duì)神經(jīng)網(wǎng)絡(luò)的激勵(lì)函數(shù)的三個(gè)假設(shè)下，研究了具有離散時(shí)滯的神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性。

2 經(jīng)數(shù)值計(jì)算結(jié)果表明，選擇徑向基函數(shù)作為隱層的激勵(lì)函數(shù)，可以得到較好的樣本擬合效果。

3 本文提出基于新的激勵(lì)函數(shù)BP算法建立誤差預(yù)測(cè)模型，修正新型廣義預(yù)測(cè)算法的預(yù)測(cè)輸出。

4 引入了基于其它契約變量的激勵(lì)函數(shù)，提高了政府效用和企業(yè)實(shí)施綠色物流的努力程度。

5 通過(guò)系統(tǒng)辨識(shí)的仿真實(shí)例，說(shuō)明了隱層神經(jīng)元激勵(lì)函數(shù)對(duì)網(wǎng)絡(luò)性能的影響，還驗(yàn)證了文中提出的NARX神經(jīng)網(wǎng)絡(luò)具有更快的收斂速度，并且能有效地避免算法陷入局部最小。zao jv.激勵(lì)函數(shù)造句

6 使用了高斯函數(shù)作為神經(jīng)網(wǎng)絡(luò)的激勵(lì)函數(shù)，并以最小二乘準(zhǔn)則對(duì)字符進(jìn)行識(shí)別。

7 本文采用一類正交多項(xiàng)式集合作為神經(jīng)元的激勵(lì)函數(shù)，構(gòu)成一個(gè)正交多項(xiàng)式基神經(jīng)網(wǎng)絡(luò)。

8 通過(guò)優(yōu)化組合小波基元激勵(lì)函數(shù)，大大減小了小波神經(jīng)網(wǎng)絡(luò)的規(guī)模，改善了網(wǎng)絡(luò)學(xué)習(xí)特性。

9 同時(shí)在激勵(lì)函數(shù)單調(diào)遞增的條件減弱的情況下，給出了兩條漸近穩(wěn)定的定理，并給了嚴(yán)格的數(shù)學(xué)證明。

10 為此，本文提出了一種帶可以修正激勵(lì)函數(shù)的BP算法，其特點(diǎn)是它能更好地模擬人腦神經(jīng)元的特性。

11 新的網(wǎng)絡(luò)激勵(lì)函數(shù)和訓(xùn)練算法切實(shí)滿足過(guò)程控制的需要。

12 針對(duì)背景輻射均勻穩(wěn)定，劑量速率較小和太陽(yáng)耀斑突發(fā)、劑量速率大的特點(diǎn)，對(duì)激勵(lì)函數(shù)進(jìn)行不同處理，從而得到不同的理論模型。

13 本文通過(guò)強(qiáng)夯振動(dòng)頻域分析，提出了介質(zhì)作用函數(shù)和強(qiáng)夯激勵(lì)函數(shù)的計(jì)算方法，對(duì)于強(qiáng)夯振動(dòng)規(guī)律的認(rèn)識(shí)和巖土體動(dòng)力學(xué)特性的研究具有重要意義。

14 以往的BP算法調(diào)節(jié)神經(jīng)元網(wǎng)絡(luò)的權(quán)值，其網(wǎng)絡(luò)的隱層結(jié)點(diǎn)數(shù)、網(wǎng)絡(luò)學(xué)習(xí)快慢程度及網(wǎng)絡(luò)的泛化能力都與網(wǎng)絡(luò)的激勵(lì)函數(shù)有關(guān)的。

15 以JK觸發(fā)器為例，提出了一種基于觸發(fā)器行為的J、K激勵(lì)函數(shù)的最小化技術(shù)。

16 針對(duì)不同樣本之間存在交叉數(shù)據(jù)的模式識(shí)別問(wèn)題，將多層激勵(lì)函數(shù)的量子神經(jīng)網(wǎng)絡(luò)引入模式識(shí)別之中，提出一種基于量子神經(jīng)網(wǎng)絡(luò)的模式識(shí)別算法。