激勵函數(shù)造句

激勵函數(shù)造句

• 1、經(jīng)數(shù)值計算結(jié)果表明，選擇徑向基函數(shù)作為隱層的激勵函數(shù)，可以得到較好的樣本擬合效果。
• 2、使用了高斯函數(shù)作為神經(jīng)網(wǎng)絡(luò)的激勵函數(shù)，并以最小二乘準則對字符進行識別。
• 3、針對不同樣本之間存在交叉數(shù)據(jù)的模式識別問題，將多層激勵函數(shù)的量子神經(jīng)網(wǎng)絡(luò)引入模式識別之中，提出一種基于量子神經(jīng)網(wǎng)絡(luò)的模式識別算法。
• 4、通過優(yōu)化組合小波基元激勵函數(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)學習特性。
• 5、本文采用一類正交多項式集合作為神經(jīng)元的激勵函數(shù)，構(gòu)成一個正交多項式基神經(jīng)網(wǎng)絡(luò)。
• 6、新的網(wǎng)絡(luò)激勵函數(shù)和訓練算法切實滿足過程控制的需要。
• 7、同時在激勵函數(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，并給了嚴格的數(shù)學證明。
• 8、以觸發(fā)器為例，提出了一種基于觸發(fā)器行為的、激勵函數(shù)的最小化技術(shù)。
• 9、在對神經(jīng)網(wǎng)絡(luò)的激勵函數(shù)的三個假設(shè)下，研究了具有離散時滯的神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性。
• 10、通過系統(tǒng)辨識的仿真實例，說明了隱層神經(jīng)元激勵函數(shù)對網(wǎng)絡(luò)性能的影響，還驗證了文中提出的神經(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。激勵函數(shù)造句。
• 11、本文提出基于新的激勵函數(shù)算法建立誤差預(yù)測模型，修正新型廣義預(yù)測算法的預(yù)測輸出。
• 12、引入了基于其它契約變量的激勵函數(shù)，提高了政府效用和企業(yè)實施綠色物流的努力程度。
• 13、以往的算法調(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)點數(shù)、網(wǎng)絡(luò)學習快慢程度及網(wǎng)絡(luò)的泛化能力都與網(wǎng)絡(luò)的激勵函數(shù)有關(guān)的。
• 14、本文通過強夯振動頻域分析，提出了介質(zhì)作用函數(shù)和強夯激勵函數(shù)的計算方法，對于強夯振動規(guī)律的認識和巖土體動力學特性的研究具有重要意義。
• 15、為此，本文提出了一種帶可以修正激勵函數(shù)的算法，其特點是它能更好地模擬人腦神經(jīng)元的特性。 (hao86.com好工具)
• 16、針對背景輻射均勻穩(wěn)定，劑量速率較小和太陽耀斑突發(fā)、劑量速率大的特點，對激勵函數(shù)進行不同處理，從而得到不同的理論模型。