“激勵函式”造句，怎麼用激勵函式造句

在對神經網路的激勵函式的三個假設下，研究了具有離散時滯的神經網路的穩定*。

通過優化組合小波基元激勵函式，大大減小了小波神經網路的規模，改善了網路學習特*。

針對不同樣本之間存在交叉資料的模式識別問題，將多層激勵函式的量子神經網路引入模式識別之中，提出一種基於量子神經網路的模式識別演算法。

以往的bp演算法調節神經元網路的權值，其網路的隱層結點數、網路學習快慢程度及網路的泛化能力都與網路的激勵函式有關的。

為此，本文提出了一種帶可以修正激勵函式的bp演算法，其特點是它能更好地模擬人腦神經元的特*。

新的網路激勵函式和訓練演算法切實滿足過程控制的需要。

以jk觸發器為例，提出了一種基於觸發器行為的j、k激勵函式的最小化技術。

本文通過強夯振動頻域分析，提出了介質作用函式和強夯激勵函式的計算方法，對於強夯振動規律的認識和岩土體動力學特*的研究具有重要意義。

針對背景輻*均勻穩定，劑量速率較小和太陽耀斑突發、劑量速率大的特點，對激勵函式進行不同處理，從而得到不同的理論模型。

本文提出基於新的激勵函式bp演算法建立誤差預測模型，修正新型廣義預測演算法的預測輸出。

同時在激勵函式單調遞增的條件減弱的情況下，給出了兩條漸近穩定的定理，並給了嚴格的數學*。

本文采用一類正交多項式*作為神經元的激勵函式，構成一個正交多項式基神經網路。

使用了高斯函式作為神經網路的激勵函式，並以最小二乘準則對字元進行識別。