1.本文給出新的基于梯度方向直方圖統(tǒng)計(jì)的權(quán)值計(jì)算方法，實(shí)現(xiàn)穩(wěn)定的圖切割。

2.該方法引進(jìn)了權(quán)值，使得它比全域法具有更好的自適應(yīng)能力和較高的預(yù)測精度。

3.這些權(quán)值是全局最小點(diǎn)。

4.在修改權(quán)值時(shí)采用逐漸減小學(xué)習(xí)速率的方法。

5.首先將被控對象進(jìn)行離線辨識，確定NNC的初始權(quán)值再進(jìn)行神經(jīng)網(wǎng)絡(luò)在線控制m.9061xoxo.com，從而能夠進(jìn)一步提高系統(tǒng)的控制精度。

6.通過控制點(diǎn)位置和權(quán)值節(jié)點(diǎn)分布以及高斯標(biāo)準(zhǔn)誤差來控制曲線形狀。

7.利用B樣條基函數(shù)的正定性、緊密性和歸一性，可使訓(xùn)練過程中權(quán)值的調(diào)整在局部范圍內(nèi)，且系統(tǒng)的輸出簡單可靠。

8.文章提出了一種新的優(yōu)化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及權(quán)值的方法——兩級進(jìn)化的方法。

9.它的學(xué)習(xí)規(guī)則是使用最速下降法，通過反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小。

10.利用遺傳神經(jīng)網(wǎng)絡(luò)，通過對其權(quán)值的訓(xùn)練，優(yōu)化權(quán)系數(shù)和網(wǎng)絡(luò)結(jié)構(gòu)。

11.它并不構(gòu)成對工業(yè)產(chǎn)權(quán)值得，給予相對的權(quán)利，或任何牌照發(fā)放。

12.實(shí)現(xiàn)方法主要有:骨骼空間變形、根據(jù)示例生成形狀和多重權(quán)值計(jì)算。

13.所用的RBF神經(jīng)網(wǎng)絡(luò)算法是從輸入信號的數(shù)據(jù)中訓(xùn)練出中心值和寬度值，再訓(xùn)練通過用最大熵值的代價(jià)函數(shù)推導(dǎo)的權(quán)值。

14.根據(jù)任意給定的一組權(quán)值，構(gòu)造一棵哈夫曼樹。

15.從數(shù)學(xué)意義上講，這種權(quán)值學(xué)習(xí)相當(dāng)于歐氏空間中對一組點(diǎn)進(jìn)行了一個(gè)線性變換。

16.在構(gòu)建系統(tǒng)發(fā)生樹時(shí)，首先根據(jù)回路構(gòu)建其拓?fù)浣Y(jié)構(gòu)，然后根據(jù)拓?fù)浣Y(jié)構(gòu)和距離矩陣給各邊分配權(quán)值。

17.其次采用特爾斐法確定高層指標(biāo)的權(quán)值。

18.提出了一種新穎的基于權(quán)值的微機(jī)械數(shù)模轉(zhuǎn)換器，它的原理與電路中的權(quán)電阻數(shù)模轉(zhuǎn)換器類似。

19.然后通過訓(xùn)練神經(jīng)網(wǎng)絡(luò)把這些知識儲存于神經(jīng)網(wǎng)絡(luò)的權(quán)值中，幷在其它的地震輸人下使用。

20.實(shí)驗(yàn)結(jié)果表明，選擇適當(dāng)?shù)倪B接權(quán)值可以得到環(huán)路的持續(xù)振蕩發(fā)放。

21.算法具有低的運(yùn)算復(fù)雜度，仿真結(jié)果表明該算法具有好的時(shí)延捕獲和波束形成權(quán)值捕獲性能。

22.算法利用人耳的聽覺掩蔽效應(yīng)動態(tài)確定每一幀的權(quán)值，有選擇地增強(qiáng)。

23.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。

24.針對回歸神經(jīng)網(wǎng)絡(luò)訓(xùn)練效率低，泛化能力差等問題，嘗試引入一種初始權(quán)值優(yōu)化方法加以改進(jìn)。

25.同時(shí)運(yùn)用層次分析法獲取多目標(biāo)優(yōu)化函數(shù)的權(quán)值向量，并通過知識引導(dǎo)有效地提高了算法效率。

26.在前饋網(wǎng)絡(luò)中，不同的權(quán)值組合可逼近同一映射。

27.提出了一種基于權(quán)值模板匹配的全自主足球機(jī)器人目標(biāo)識別方法。

28.將初始權(quán)值的修正和網(wǎng)絡(luò)各層神經(jīng)元個(gè)數(shù)及傳遞函數(shù)緊密聯(lián)系。

29.運(yùn)用冪指數(shù)法對導(dǎo)彈武器系統(tǒng)的生存能力進(jìn)行計(jì)算，對于指數(shù)法中各因素的重要性程度，采用模糊層次分析法來計(jì)算各因素的權(quán)值。

30.神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值的優(yōu)化方法。

31.除了字詞權(quán)值以外，網(wǎng)頁也可根據(jù)其他策略來排行。

32.隱層輸出層的權(quán)值用最速下降法學(xué)習(xí)，輸入層隱層的權(quán)值用遺傳算法進(jìn)行學(xué)習(xí)。m.9061xoxo.com

33.加權(quán)值會因時(shí)間而改變，比如出現(xiàn)細(xì)微差別或傾向。

34.這些特征模型用來作為權(quán)值函數(shù)的因子。

35.神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及其權(quán)值優(yōu)化的遺傳算法。

36.在修改權(quán)值時(shí)，引入串行修正權(quán)值的思想。

37.在信息完備化過程中，該模型考慮了屬性重要性之間的差異，并賦予了相應(yīng)的權(quán)值。

38.對于權(quán)值低于屏蔽層的義原，我們不將其選入特征集，并相應(yīng)保留原詞。

39.該方法是利用遺傳算法的全局優(yōu)化功能搜索BP網(wǎng)絡(luò)各神經(jīng)元之間的連接權(quán)值。

40.將遺傳算法與神經(jīng)網(wǎng)絡(luò)盲均衡算法相結(jié)合，提出了兩段式優(yōu)化神經(jīng)網(wǎng)絡(luò)權(quán)值的方案。

41.神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及權(quán)值優(yōu)化屬兩級進(jìn)化方法。

42.各神經(jīng)元的連接權(quán)值具有一定的分布。

43.該算法從負(fù)載平衡的思想出發(fā)，賦予每條鏈路一個(gè)與全局資源相關(guān)的權(quán)值即鏈路相對空閑率，尋找鏈路相對空閑率較高的選播路徑。

44.該算法經(jīng)兩個(gè)常用函數(shù)檢驗(yàn)，并在圖象識別的神經(jīng)網(wǎng)絡(luò)權(quán)值訓(xùn)練中得到應(yīng)用。

45.貝葉斯神經(jīng)網(wǎng)絡(luò)中，每個(gè)權(quán)值和誤差被視為隨機(jī)變量，它們的先驗(yàn)概率分布是遵從正態(tài)分布的。

46.提出了一種基于最少轉(zhuǎn)接次數(shù)原則且提供多權(quán)值路徑解集的算法。

47.對于光順?biāo)惴ǎ疚闹胁徊捎霉忭樒戒佭吔?，而是采用光?B>權(quán)值差內(nèi)部邊界。

48.利用DOA信息，初始化自適應(yīng)波束成形的權(quán)值。