1在對神經網絡的激勵函數的三個假設下，研究了具有離散時滯的神經網絡的穩定性。
2經數值計算結果表明，選擇徑向基函數作為隱層的激勵函數，可以得到較好的樣本擬合效果。
3本文提出基于新的激勵函數BP算法建立誤差預測模型，修正新型廣義預測算法的預測輸出。
4引入了基于其它契約變量的激勵函數，提高了政府效用和企業實施綠色物流的努力程度。
5通過系統辨識的仿真實例，說明了隱層神經元激勵函數對網絡性能的影響，還驗證了文中提出的NARX神經網絡具有更快的收斂速度，并且能有效地避免算法陷入局部最小。激勵函數造句
6使用了高斯函數作為神經網絡的激勵函數，并以最小二乘準則對字符進行識別。
7本文采用一類正交多項式集合作為神經元的激勵函數，構成一個正交多項式基神經網絡。
8通過優化組合小波基元激勵函數，大大減小了小波神經網絡的規模，改善了網絡學習特性。
9同時在激勵函數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，并給了嚴格的數學證明。
10為此，本文提出了一種帶可以修正激勵函數的BP算法，其特點是它能更好地模擬人腦神經元的特性。
11新的網絡激勵函數和訓練算法切實滿足過程控制的需要。
12針對背景輻射均勻穩定，劑量速率較小和太陽耀斑突發、劑量速率大的特點，對激勵函數進行不同處理，從而得到不同的理論模型。
13本文通過強夯振動頻域分析，提出了介質作用函數和強夯激勵函數的計算方法，對于強夯振動規律的認識和巖土體動力學特性的研究具有重要意義。
14以往的BP算法調節神經元網絡的權值，其網絡的隱層結點數、網絡學習快慢程度及網絡的泛化能力都與網絡的激勵函數有關的。
15以JK觸發器為例，提出了一種基于觸發器行為的J、K激勵函數的最小化技術。
16針對不同樣本之間存在交叉數據的模式識別問題，將多層激勵函數的量子神經網絡引入模式識別之中，提出一種基于量子神經網絡的模式識別算法。
