简介:将分支前馈神经网络(BFNN)运用于数字字符的模式识别问题中,其某些性能优于标准反向传播(BP)网络。BFNN的隐层神经元与输出神经元之间为分组对应关系,采用的学习算法与标准BP算法类似。BFNN可以根据样本的可分性构建最适宜的网络结构。在对大规模、分类复杂的样本进行识别时,性能优于标准BP网络。
简介:利用勒贝格可测函数的本性化定理的性质,给出一个特征函数与狄里克莱函数有些相仿的勒贝格不可测集。
基于分支前馈神经网络的数字字符识别算法
关于勒贝格不可测集的再认识