基于Bernstein多项式的SISO三层前向神经网络的设计与逼近

利用一元Bernstein多项式在相邻等距剖分点的差值和Sigmodial转移函数性质设计单输入单输出(single input single output, SISO)三层前向神经网络,并给出选取连接权和阈值的方法。此外,依据一元Bernstein多项式逼近连续函数定理证明SISO三层前向神经网络对连续函数也具有逼近性,进而通过实例获得该网络的一种输入输出解析表达式。     

动态数学神经网络模型及其应用

本文在（１）的基础上建立了广义数学神经元,并引入动态机制,形成动态数学神经网络,由网络当前状态决定网络结点数,从而在一定程度上解决了前向神经网络隐层结点数无法确定的难题,并成功地将其运用于解决用多项式逼近连续函数的魏尔斯特拉斯定理,并建立了龙贝格求定积分的动态数学神经网络模型。     

多项式基函数神经网络模型

从函数逼近理论出发，用一组正交基函数作为三层前向神经网络各隐含单元的输出特性，以其加权和作为网络的非线性输出，构成一种单输入单输出正交基函数神经网络模型。建立了多输入的多项式基函数神经网络，并给出了非线性静态特性拟合，ＸＯＲ特性和动态特性拟合计算机仿真结果。     

多项式前向神经网络

提出了一种新型的前向神经网络模型-多项式神经网络。该网络具有三层结构,隐层、输出层神经元激活函数分别为：f(x)=x^p和线性函数,网络隐层-输出层的权值采取最速下降法学习,输入层-隐层的权值采用遗传算法进行学习;网络学习时,其误差函数单调递减,学习算法具有较好的收敛性;该网络能逼近任意的连续函数,且具有较好的稳定性,应用实例表明该网络的性能是优良的。     

多层线性神经网络与单层线性神经网络的等效性研究

针对自适应线性神经网络的大量理论和应用文献都没有多层线性网络应用、讨论的现象,研究基于线性神经元作用函数,推导出多层的多输入/单输出和多输入/多输出的线性神经网络数学表达式,其函数形式等效于单层线性神经网络,同样是关于输入变量的线性关系,仅权值和阈值更加复杂而已.为了验证多层自适应线性神经网络与单层自适应线性神经网络的等效性,分别以两个线性函数的逼近为例,通过MATLAB软件仿真平台作了进一步的验证.仿真结果表明,多层线性神经网络能实现线性函数的逼近,但效果不如单层线性神经网络理想.因此,多层线性神经网络的功能完全可由单层线性神经网络精确地实现,多层线性神经网络的存在是没有必要的.     

动态数学神经网络模型及其应用

本文在［１］的基础上建立了广义数学神经元，并引入动态机制，形成动态数学神经网络，由网络当前状态决定网络结点数．从而在一定程度上解决了前向神经网络隐层结点数无法确定的难题，并成功地将其运用于解决用多项式逼近连续函数的魏尔斯特拉斯定理，并建立了龙贝格求定积分的动态数学神经网络模型．     

基于EBE策略的有限元法温度场神经网络计算

基于Element-By-Element(EBE)策略，提出了一种反馈网络和前向网络共同组成的多层神经网络以实现热传导有限元分析。输入层与中间层的联接权值为单元刚度矩阵与总体刚度矩阵的联系矩阵A，中间层与输出层的联接权值为A的转置阵，中间超单元联接权值为求解问题的单元刚度矩阵。分析和数值仿真结果表明，该神经网络稳定收敛于有限元模型解，为有限元分析并行计算提供一种新的方法。     

基于代数神经网络的多元多项式不可约判定及学习算法

把感知器作为数学模型,充分利用神经元的运算特性,以二元多项式近似求根神经网络模型为基础,设计一类多元多项式不可约判定的神经网络模型,它是单输入多输出三层前向神经网络,给出神经网络学习算法,这种学习算法在ｐ－ａｄｉｃ意义下,通过调整隐层与输出层的权值Ｃｉ,ｊ完成学习,可确定出多元多项式不可约,通过算例表明,该算法有效,相比传统的判定算法,可操作性强。     

一种新型前向神经网络用于汉语四声识别

提出了一种新型的前向神经网络，并研究了其在语音识别中的应用。该神经网络为只含一层非线性隐层的前向神经网络，以线性的输出层代替一般ＢＰ网络的非线性输出层，可以更准确地，范围更大地完成非线性函数估值功能。该神经网络采用了包括反向传播算法及最小均方算法的混合算法进行训练，可以减少落入局部最小点的概率以及提高收敛速度。     

含时滞的单输入单输出的非线性系统的自适应神经网络控制(英文)

对一类含时滞的单输入单输出的非线性系统提出了一种新的自适应神经网络控制方法.利用径向基神经网络来估计未知的连续函数.在设计中利用积分型Lyapunov-Krasovskii来消除未知的时滞.该文的结果的主要优点是:不仅有效地避免了控制奇异问题,也消除了对未知虚拟控制条件的限制.     

模糊前向神经网络在瓦斯涌出量预测中的应用

为解决多输入单输出数据集的建模预测问题,提出一种基于Mamdani型模糊系统和前向神经网络的模糊神经网络,实现了瓦斯涌出量的建模预测.首先由采样数据生成模糊规则,明确了前向神经网络的网络结构.在Mamdani型模糊系统中提取出了隐含层神经元激励函数,并据此确定了模糊前向神经网络的表达式.然后对BP学习算法进行了改进,得到了权值直接确定的矩阵式.最后在瓦斯涌出量预测中,利用主成分分析法选取了较为重要的3个因素.仿真实验表明模糊前向神经网络具有较高的建模和预测精度.     

用模糊神经网络建立模糊模型方法的推广

本文利用文献 [1 ]中提出的五层前馈式模糊神经网络及其修剪和调整方法 ,将单输入单输出网络推广到二输入一输出系统 ,仿真结果表明效果良好。图 5 ,参 5。     

神经网络对Rd上连续函数最佳逼近的一个注记

本文构造了一类单隐层神经网络,使其逼近Rd上连续函数的速度达到最佳代数多项式逼近速度,并刻划了该类单隐层神经网络的逼近性质．     

基于神经网络的模糊控制器

提出一种基于神经网络的模糊控制器。它可以把模糊控制的控制规则转化为多层前向神经网络的一对输入、输出样本。用Ｂａｃｋ－Ｐｒｏｐａｇａｔｉｏｎ学习算法对网络进行训练,使得网络记忆这些样本,并将这些样本以权值矩阵的形式存储的网络中。网络以”联想记忆“的形式来使用获得的经验对对象实施控制。知道了被控对象少量的定性知识,就可以用这种方法控制对象的行为,这种控制方案可用于对受控对象缺乏精确的数学描述或具有时滞     

基于Laguerre正交基神经网络的动态手势识别

提出一种基于Laguerre正交基前向神经网络的动态手势识别方法.首先根据多项式逼近和矩阵理论,构造了一种以Laguerre正交多项式作为隐含层神经元激励函数的多输入、多输出三层前向神经网络模型,在网络权值迭代计算公式基础上推出一种基于伪逆的直接计算网络权值方法,避免求取权值的反复迭代过程;提出一种快速的基于颜色的指尖...     

基于RBF神经网络的射频功放器件大信号建模方法研究

基于多层前向神经网络对任意非线性连续函数有较好的逼近效果，对BP(反向传播算法)神经网络和RBF(径向基函数)神经网络作了理论上的分析比较。并采用实际数据进行训练。说明了RBF神经网络在逼近精度和速度上都要优于BP神经网络。最后，以RBF神经网络作为函数逼近器对射频功率器件建立了大信号特征模型，并进行了模型检验，证明了基于RBF网络的建模方法具有较高的精度。     

量子神经网络在心电图分类中的应用

将量子叠加的概念引入前向神经网络,提出了量子神经网络的计算模型.量子神经网络分类器是将量子迁移(量子间隔)概念引入前向神经网络,在隐含层和输出层借鉴量子理论中的量子迁移(量子间隔)思想,神经元采用多个激励函数的叠加,形成对特征空间的多级划分,在训练过程中,量子神经元能够根据需要伸展或坍塌.当输入模糊信息时,该算法可以学习数据集中的不精确性或不确定性,具有较高的分类精度.将该算法应用于心电图诊断中,结果表明具有较好的分类效果和较快的训练速度.     

权值直接确定的三角型模糊前向神经网络

为了确定前向神经网络的网络结构,提出了一种基于采样数据的含单隐层神经元的模糊前向神经网络,反映了构造数据所蕴含的系统信息,其隐层神经元激励函数选择为三角型隶属函数和构造数据相应输出的乘积。该网络模型可以随采样数据的多少自主选择构造数据,自主设定隐层神经元,利用权值直接确定法得到网络最优权值。数值仿真实验表明,相比于现有文献的已有网络模型,模糊前向神经网络具有逼近精度高、网络结构可调、较好的预测性和实时性高的优点。     

正则模糊神经网络对保极大值函数类的泛逼近性

在模糊神经网络中将紧集上多元连续函数类推广为保极大值函数类,进而借助于保极大值性研究了紧集上扩展模糊函数类的特性和度量问题。最后,获得三层正则模糊神经网络关于其扩展模糊函数类具有泛逼近性,并通过实例分析了目标输出与正则模糊神经网络实际输出的逼近效果。     

基于RBF神经网络的射频功放器件大信号建模方法研究

基于多层前向神经网络对任意非线性连续函数有较好的逼近效果，对BP（反向传播算法）神经网 络和RBF（径向基函数）神经网络作了理论上的分析比较，并采用实际数据进行训练，说明了RBF神经网 络在逼近精度和速度上都要优于BP神经网络。最后，以RBF神经网络作为函数逼近器对射频功率器件建 立了大信号特征模型，并进行了模型检验，证明了基于RBF网络的建模方法具有较高的精度。