Linyun2tt的博客

一个简单的Boltzmann 机算法解决TSP问题

Hopfield网络提供了模拟人类记忆的模型。使用下述公式更新霍普菲尔德中节点的值:公式中：wji是节点j到节点i的权重。si 节点i的值（状态s）。

来源：小凌のBlog—Good Times|一个不咋地的博客一、正则化RBF用RBF网络解决插值问题时，基于上述正则化理论的 RBF网络称为正则化网络。其特点是隐节点数等于输人样本数，隐节点的激活函数为Green函数，常具有式a（r）=exp（-r的平方/2*σ的平方）的Gauss形式，并将所有输入样本设为径向基函数的中心，各径向基函数取统一的扩展常数。由于正则化网络的训练样本与“基函数”是一一对应的。当样本数 P 很大时，实现网络的计算量将大得惊人，此外 P 很大则权值矩阵也很大，求解网络..

一、基于BP算法的多层感知器模型采用BP算法的多层感知器是至今为止应用最广泛的神经网络，在多层感知器的应用中，以图3-15所示的单隐层网络的应用最为普遍。一般习惯将单隐层前馈网称为三层感知器，所谓三层包括了输入层、隐层和输出层。算法最终结果采用梯度下降法，具体详细过程此处就省略了！二、BP算法的程序实现流程三、标准BP算法的改进——增加动量项标准BP算法在调整权值时，只按t时刻误差的梯度降方向调整，而没有考虑t时刻以前的梯度方向，从而常使训练过程发生振荡，收敛缓慢。为了提