(1) 然后通過訓練神經(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。

(2) 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。

(3) 本文給出新的基于梯度方向直方圖統(tǒng)計的權(quán)值計算方法，實現(xiàn)穩(wěn)定的圖切割。

(4) 隱層輸出層的權(quán)值用最速下降法學習，輸入層隱層的權(quán)值用遺傳算法進行學習。

(5) 加權(quán)值會因時間而改變，比如出現(xiàn)細微差別或傾向。

(6) 貝葉斯神經(jīng)網(wǎng)絡(luò)中，每個權(quán)值和誤差被視為隨機變量，它們的先驗概率分布是遵從正態(tài)分布的。

(7) 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。

(8) 從數(shù)學意義上講,這種權(quán)值學習相當于歐氏空間中對一組點進行了一個線性變換.

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

(10) 首先將被控對象進行離線辨識,確定NNC的初始權(quán)值再進行神經(jīng)網(wǎng)絡(luò)在線控制,從而能夠進一步提高系統(tǒng)的控制精度.

(11) 該方法引進了權(quán)值,使得它比全域法具有更好的自適應能力和較高的預測精度.

(12) 提出了一種新穎的基于權(quán)值的微機械數(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。

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

(14) 該算法經(jīng)兩個常用函數(shù)檢驗，并在圖象識別的神經(jīng)網(wǎng)絡(luò)權(quán)值訓練中得到應用。

(15) 通過控制點位置和權(quán)值節(jié)點分布以及高斯標準誤差來控制曲線形狀。

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

(17) 在修改權(quán)值時采用逐漸減小學習速率的方法.

(18) 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，并賦予了相應的權(quán)值。

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

(20) 該算法從負載衡的出發(fā)，賦予每條鏈路一個與全局資源相關(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。

(21) 它的學習規(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)的誤差方和最小。

(22) 在構(gòu)建系統(tǒng)發(fā)生樹時，首先根據(jù)回路構(gòu)建其拓撲結(jié)構(gòu)，然后根據(jù)拓撲結(jié)構(gòu)和距離矩陣給各邊分配權(quán)值。

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

(24) 運用冪指數(shù)法對導彈武器系統(tǒng)的生存能力進行計算，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算各因素的權(quán)值。

(25) 對于光順算法，本文中不采用光順鋪邊界，而是采用光順權(quán)值差2的內(nèi)部邊界。

(26) 算法具有低的運算復雜度，仿真結(jié)果表明該算法具有好的時延捕獲和波束形成權(quán)值捕獲性能。

(27) 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。