1、“.....打乱了类内的原有的按照样本序号的排列顺序，又通过不同的类与类之间的均匀排列实现了不同类别的均匀分布。两个步骤依次循环迭代，直到把样本集所有的样本都均匀重组完毕，就得到期望的随机均匀分布的样本训练空间集。如下所示由于均匀分布的相邻样本分属于不同的类别，具有个体差异大，相似度低，关联性小等优点，有利于神经网络对样本的循环辨别记忆，有效改进了传统神经网络收敛速度慢，易陷入局部极值的问题。实验仿真基于细对传统的算法存在的问题，增加了训练集重组优化，把训练样本先聚类，再分别对样本空间进行类内和类间的随机均匀分布重组，打乱传统算法的按照样本序号的顺序输入，在保留传统算法优点的基础上，有效地改进了传统算法的收敛速度慢和易陷入局部极值的问题，实验结果证明，该改进型算法有效地提高了神经网络识别性能。参考文献孙即祥模式识别高等教育出版社......”。

2、“.....甘基于样本随机均匀分布的神经网络改进算法论文原稿机均匀分布的样本训练空间集。如下所示由于均匀分布的相邻样本分属于不同的类别，具有个体差异大，相似度低，关联性小等优点，有利于神经网络对样本的循环辨别记忆，有效改进了传统神经网络收敛速度慢，易陷入局部极值的问题。实验仿真基于细胞识别平台，进行了实验仿真，利用传统神经网络算法和改进的神经网络算法对白细胞红细胞管型细胞类细胞进行分类，每类细胞选个训练样本，每个样本提取维特征。本文选用层的神经网络，只包含个隐含层，统算法的收敛速度慢和易陷入局部极值的问题，实验结果证明，该改进型算法有效地提高了神经网络识别性能。参考文献孙即祥模式识别高等教育出版社，年月张德丰神经网络应用设计年月唐磊网络结构确定算法的研究及仿真年月彭汉川，甘强......”。

3、“.....胡泽，吴宁，陈伟神经网络算法用于类基本波形分类时训练样本输入方式的研究西南石油学院学报，年月蒋宗礼，王义和，毕克滨算法研究哈序所带来的样本特征差别的大小成正比。样本的随机均匀分布正是利用了相邻的输入样本和分属于不同类别，样本特征差别会很大，彼此之间相似度低，个体差异大，关联性小等特点而导致误差曲线产生局部震荡，这些局部的震荡使网络的权值调整步长增大，这虽然在定程度上延长了训练时间，但是正是因为训练步长的增大，才有效提高了网络的收敛速度。随着训练次数的增加，网络对均匀化样本逐渐适应，开始快速收敛到全局最优。所以，从全局上考虑均匀分布的样本输入虽然文献通过比较类波形分类时训练样本输入顺序对识别结果的影响，提出随机输入顺序和部分输入法的输入方式为较佳。文献提出了让系列样本并行混合学习，在定程度上改进了学新忘旧的不足。本文是在这些改进算法基础上......”。

4、“.....神经网络样本次序与收敛速度层神经网络原理文献提出层网络可以实现任何的非线性的输入至输出的映射，所以本文采用层神经网络，其结构模型如图所示。第层是样本输析和实验验证。实验结果表明，改进型算法能够有效的改进传统网络收敛速度慢和容易陷入局部极值的问题。关键词网络随机均匀分布收敛速度中图分类号文献标识码文章编号引言人工神经网络是近年来发展起来的门十分活跃的交叉学科，是种类似于人类神经系统的信息处理技术，可以视为种功能强大应用广泛的机器学习算法，广泛应用于实现分类聚类拟合预测压缩等功能，在高校研究和工程实践中均有研究。其中应用最广泛的是神经网络学习算法，它是种采用非线性图分类号文献标识码文章编号引言人工神经网络是近年来发展起来的门十分活跃的交叉学科，是种类似于人类神经系统的信息处理技术......”。

5、“.....广泛应用于实现分类聚类拟合预测压缩等功能，在高校研究和工程实践中均有研究。其中应用最广泛的是神经网络学习算法，它是种采用非线性转换单元构成的前向网络，采用了反向传播的学习算法。神经网络是前向神经网络的核心部分，也是整个人工神经网络体系中的精华，在实际应用中，体差异大，关联性小等特点而导致误差曲线产生局部震荡，这些局部的震荡使网络的权值调整步长增大，这虽然在定程度上延长了训练时间，但是正是因为训练步长的增大，才有效提高了网络的收敛速度。随着训练次数的增加，网络对均匀化样本逐渐适应，开始快速收敛到全局最优。所以，从全局上考虑均匀分布的样本输入虽然是局部增加了网络学习训练过程产生的震荡现象，但是实质上是提高了全局的收敛速度，并且有效的避免了陷入局部极值的问题。基于样本随机均匀分学习，在定程度上改进了学新忘旧的不足。本文是在这些改进算法基础上......”。

6、“.....神经网络样本次序与收敛速度层神经网络原理文献提出层网络可以实现任何的非线性的输入至输出的映射，所以本文采用层神经网络，其结构模型如图所示。第层是样本输入层，网络输入模式为，第层是隐含层，有个神经元，它们的输出记为，第层输出层，有个神经元，收敛速度与样本次序关系的数学分析训练收敛基于样本随机均匀分布的神经网络改进算法论文原稿转换单元构成的前向网络，采用了反向传播的学习算法。神经网络是前向神经网络的核心部分，也是整个人工神经网络体系中的精华，在实际应用中，大约的神经网络模型采取了网络或者其变化形式。网络有较好的泛化应用能力，但同时也存在许多的不足，比如收敛速度慢，很容易陷入局部极值，难以确定隐层数和隐层节点数等等，特别是网络收敛速度慢和容易陷入局部极值的问题，已经成为了神经网络发展的个瓶颈性问题......”。

7、“.....分别为，即。样本随机均匀空间分布这个过程包括两个步骤，分别是类内的随机均匀分布抽样和类间的均匀分布。两个步骤依次迭代循环，直到把样本集所有的样本都均匀重组完毕。摘要人工神经网络在样本特征的模式识别方面具有很强的分类能力，并且具有较好的泛化能力，但同时也存在不足之处，如收敛速度慢，很容易陷入局部极值，难以确定隐层数和隐层节点数等等。因此本文提出了种基于样本随机均匀分布的网络识别的改进算法，进行了深入的数学分的排列分布，实现抽样样本按照不同类别均匀分布，样本不同类别的均匀分布可用均匀分布函数表示总之，经过类内和类间的两次随机均匀分布，既实现了类内样本的随机均匀等概率抽样，打乱了类内的原有的按照样本序号的排列顺序，又通过不同的类与类之间的均匀排列实现了不同类别的均匀分布。两个步骤依次循环迭代，直到把样本集所有的样本都均匀重组完毕......”。

8、“.....如下所示由于均匀分布的相邻样本分属于不同的类别，具有个体差异大约的神经网络模型采取了网络或者其变化形式。网络有较好的泛化应用能力，但同时也存在许多的不足，比如收敛速度慢，很容易陷入局部极值，难以确定隐层数和隐层节点数等等，特别是网络收敛速度慢和容易陷入局部极值的问题，已经成为了神经网络发展的个瓶颈性问题，严重影响了神经网络在许多领域的实际应用。样本空间定义首先，假设样本空间的训练样本各类别中的样本数量相等，根据已知的样本输出类型对样本集合进行聚类预处理。假设样本的输出类型为布的神经网络改进算法论文原稿。摘要人工神经网络在样本特征的模式识别方面具有很强的分类能力，并且具有较好的泛化能力，但同时也存在不足之处，如收敛速度慢，很容易陷入局部极值，难以确定隐层数和隐层节点数等等。因此本文提出了种基于样本随机均匀分布的网络识别的改进算法，进行了深入的数学分析和实验验证......”。

9、“.....改进型算法能够有效的改进传统网络收敛速度慢和容易陷入局部极值的问题。关键词网络随机均匀分布收敛速度中程是根据样本训练总误差通过反向传播计算每个权值的调整量的过程，总误差公式为根据公式和推出结论学习速率和权值调整与样本特征差别成正比，因此，网络的收敛速度与样本的输入顺序所带来的样本特征差别的大小成正比。样本随机均匀分布的顺序与网络收敛速度的关系由上小节可知，网络的收敛速度与样本的输入顺序所带来的样本特征差别的大小成正比。样本的随机均匀分布正是利用了相邻的输入样本和分属于不同类别，样本特征差别会很大，彼此之间相似度低，个，相似度低，关联性小等优点，有利于神经网络对样本的循环辨别记忆，有效改进了传统神经网络收敛速度慢，易陷入局部极值的问题。实验仿真基于细胞识别平台，进行了实验仿真，利用传统神经网络算法和改进的神经网络算法对白细胞红细胞管型细胞类细胞进行分类......”。