本文考虑采用平滑L0正则化（BGSL0）的批梯度方法进行训练和修剪前馈神经网络。 我们展示了为什么BGSL0可以产生稀疏的权重，这对于修剪网络。 我们证明了在温和条件下BGSL0的弱收敛和强收敛。 还获得了误差函数在训练过程中递减的单调性。 两个例子是用来证实理论分析并显示BGSL0的稀疏性比三个典型Lp正则化更好方法。

针对时间序列识别的难点，介绍了一种被称为动态时间规整神经网络（DTW-NN）的新颖的时间序列识别模型，DTW-NN是一种利用动态时间规整（DTW）的弹性匹配能力来将层的输入与权值动态对齐的前馈神经网络。通过这种方式，DTW-NN能够解决时间序列识别的困难，例如在前馈结构中的时间失真和可变模式长度。结合在4个不同的数据集上的实验，证明了DTW-NN的有效性：在线手写字符、基于加速度计的活跃的日常生活活动、阿拉伯数字口语的Mel频率倒谱系数（MFCC）和叶形的一维质心半径序列。通过在这些数据集上获得的结果，证明了该方法是一种有效的时间模式学习的通用方法。

随着无线通信的迅速发展，频谱资源变得越来越稀少，对不同卫星系统传输的数据的需求不断增长，并且随着无线通信与移动通信系统的融合变得越来越普遍。高阶调制信号用于传输较多的数据，同时这也变成了一种趋势。但高阶调制信号，星座点密度更大，Euclidean Distance更小，对频率和相位变化更敏感，使载波同步变得困难。 同时，由于在通信过程中，需要传输的信号发生抖动，以及两端位置的不同，会导致普勒频率偏移，必然导致载频偏差更大。无线通信在发展迅速，空间电磁场越来越复杂，信道被各种信号填充，从而对正常通信产生干扰。有效的载波同步算法是无线通信传输中解决这些问题的重要一步，所以本文就这些问题研究了几种常见的载波同步算法。 本文介绍了载波同步的基本流程，参数估计的指标，然后简述了各种载波同步算法的底层原理，进一步研究了具体的开环前馈载波同步算法，本文研究包括Kay算法、Fitz算法、L&W算法、L&R算法、M&M算法，并通过仿真比较各算法的估计性能。

人工智能-多层前馈神经网络算法的改进及应用.pdf

人工智能-多层前馈神经网络拓扑结构的遗传优化研究.pdf

人工智能-多隐层前馈神经网络的随机赋权训练算法研究.pdf

QPSK,APSK信号，信号可以自己设置，主要包括kay.l&r.m&m.fitz.l&w算法，变量是频偏和信噪比，比较mcrb，完整程序

机器学习《前馈神经网络》课件 前馈神经网络，是一种最简单的神经网络，各神经元分层排列，每个神经元只与前一层的神经元相连。接收前一层的输出，并输出给下一层，各层间没有反馈。是应用最广泛、发展最迅速的人工神经网络之一。研究从20世纪60年代开始，理论研究和实际应用达到了很高的水平。前馈神经网络（feedforward neural network，FNN），简称前馈网络，是人工神经网络的一种。前馈神经网络采用一种单向多层结构。其中每一层包含若干个神经元。在此种神经网络中，各神经元可以接收前一层神经元的信号，并产生输出到下一层。第0层叫输入层，最后一层叫输出层，其他中间层叫做隐含层（或隐藏层、隐层）。隐层可以是一层。也可以是多层

前馈控制PPT讲义，前馈控制方法，前馈控制介绍

在dq旋转坐标系下提出了基于LCCL滤波的三相并网逆变器前馈控制策略，该控制策略可以有效抑制电网电压畸变造成的并网电流谐波。首先在dq坐标系下分析了基于LCCL滤波的三相并网逆变器控制策略的优点．但在该控制策略下，网侧电流没有直接受控导致其对于电网电压畸变的抑制能力较差，这将造成网侧电流较大的谐波。通过推导闭环系统中网侧电压与给定量之间的关系，完全前馈电网电压以减小电网电压畸变对网侧电流的影响，同时分解前馈量，分别前馈至电流给定以及控制量上从而增加了该前馈策略的可行性。最后，仿真以及100 kW样机的实验