1) Sigma-Pi functional networks
Sigma-Pi泛函网络
1.
This paper converts a structure of a functional neuron,presents a Sigma-Pi functional network(SPFN) structure,and proposes the Sigma-Pi functional networks learning algorithm.
将泛函神经元结构变形,建立Sigma-Pi泛函网络模型,给出Sigma-Pi泛函网络学习算法。
2) sigma-pi network
sigma-pi网络
1.
And off-line training approach of F16 inverse model using sigma-pi networks was researched in simulation.
接着通过仿真研究了离线训练sigma-pi网络实现F16逆模型的方法。
3) pi-sigma neural network
pi-sigma神经网络
1.
Modelling of solid oxide fuel cells based on hybrid pi-sigma neural networks;
基于混合pi-sigma神经网络的固体氧化物燃料电池建模
2.
Hybrid learning algorithm for Pi-sigma neural network and analysis of its convergence;
Pi-sigma神经网络混合学习算法及收敛性分析
3.
Research on Pi-Sigma Neural Networks Learning Algorithms;
Pi-Sigma神经网络的学习算法研究
4) Binary Pi-Sigma neural network
二进Pi-Sigma神经网络
6) Function network
泛函网络
1.
In this paper, a kind of function networks with single input and single output and function network with double inputs and single output as basis functional network model is designed, and a new hierarchical functional network is presented.
文中设计了一类单输入单输出泛函网络与双输入单输出泛函网络作为构造层次泛函网络基本模型,提出了一种层次泛函网络模型,给出了层次泛函网络构造方法和整体学习算法,而层次泛函网络的参数利用解方程组来进行逐层学习。
补充资料：Марков过程的泛函
Марков过程的泛函
functional of a Markov process
M仰助“过程的泛函【加犯份班司健a扮如d如vpr以犯岛;中y业，o.a月oT Map二招e.o np()朋eCea] 一个以可测方式依赖于MaPKo.过程轨道的随机变量或随机函数，其可测性条件随具体情况而定.在MaP盆oB过程的一般理论中，采用以下的泛函定义.假设给定一个具有时间推移算子氏的非停止齐次M叩-Ko。过程(M田玉ov plx兀启弥)X二(xr，风，氏)，其相空间为可测空间(In纷s幽 blespaCe)LE，少)，设才是基本事件空间中包含每个形如{。:x，“B}(t)0，B任分)的事件的最小。代数，/’是对于所有可能的测度Px(x‘E)关于/’的完全化的交.如果对于每个t)O，7，关于。代数才门不是可测的，那么，称随机函数叭(‘)0)为Ma伴oB尽捍X的攀甲(丘功d沁n目of此MaJ改ov Pnx君邓)· 人们特别关心的是M川阵..过程的乘性和加性泛函.它们分别润足条件下，十:，下;疏凡和，，十，，，，+氏大，s，亡》0.这里假定，，在【0，co)上是右连续的(代替这些条件，有时只假定对所有固定的s，t)O，这些条件关于P:几乎处处成立).在停止和非齐次过程的情形下，采用类似的方式来定义.MaPI..过程x‘(x，，心，不，P)的加性泛函的例子可以通过以下方式得到:设对于t<‘，，，等于f(x，)一f(x。)，或北f(气)d:，或随机函数f(x，)在:。10，，]中跳跃值的和，这里f(x)是有界并且关于岁可侧的函数(第二和第三个例子只在某些附加限制下有效).从任意加性泛函，.，可以得到乘性泛函以py，.在标准MaP-血过程的情况下，设t
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条