基于改进RBF神经网络的美元指数预测

首先介绍了RBF神经网络的原理.然后叙述了RBF神经网络的正交最小二乘算法,针对此算法在选择网络宽度上的不足,在原算法的基础上提出一种改进算法,该算法通过优化网络的宽度,提高了网络对时间序列逼近的准确度.对美元指数进行预测,预测结果表明改进的算法有良好的性能.     

一种基于神经网络的运输问题优化方法

将Hopfield神经网络与亚当姆斯公式相结合,在此基础上提出了一种解决运输问题的优化算法.该算法结合Hopfield神经网络优化功能,并根据运输问题的实际情况,将优化运输问题转换成求解网络系统的平衡点.通过实例验证了该方法的有效性、可行性,并且提高了网络的收敛速度.     

一种新的前馈神经网络删剪算法

前馈神经网络中隐层神经元的个数与它的学习和泛化能力密切相关.通过广义逆矩阵算法解决最小二乘问题改进神经网络自构行学习算法,得到一种新的前馈神经网络删剪算法.将新算法用于已经训练好的大型网络,能删剪“冗余”的隐层神经元,得到一个最精简的神经网络.此精简的神经网络不需要重新训练仍能保持原有的性能,并且泛化能力很好.仿真实例说明此算法的有效性和可行性.     

基于Web方式的神经网络智能预测系统设计与应用

针对传统BP神经网络的一些缺陷,设计一种综合改进的BP神经网络算法.在此基础上,采用.NET架构以及Web Services等技术,用主成分分析算法和置信度区间算法对BP网络结构进行全后处理,以经济预测为例,设计开发了一个基于B/S结构的智能经济预测系统.该系统具有较好的易用性和一定的通用性,提高了预测结果的准确度和神经网络的泛化能力.     

基于文化算法的神经网络集成方法

提出了一种基于文化算法的神经网络集成方法,在训练好个体神经网络后,使用文化算法选择部分网络来组成神经网络集成.该方法将遗传算法纳入文化算法框架,充分利用优秀个体的经验知识来指导算法的搜索过程,从而提高了算法的搜索速度.实验结果表明,使用文化算法进行集成,能够提高构造差异性大的神经网络集成的效率.     

一类神经网络非线性系统模型参考自适应控制

针对一类非线性系统 ,提出了一种神经网络模型参考自适应控制方案 .用GA离线辨识网络NNM ,在此基础上用BP算法在线训练控制器网络NNC .仿真结果验证了此控制方案的有效性 .     

一种基于遗传算法和LM算法的混合学习算法

针对遗传算法与神经网络结合方式中存在的早熟收敛、泛化能力弱等问题, 提出一种交替使用遗传算法和Levenberg Marquardt算法优化神经网络的混合学习算法（GALM算法）. 该算法先通过遗传算法粗调得到一组全局最优近似解, 再以该近似解为初值, 交替使用遗传算法和LM算法优化神经网络训练, 直至发现满意的网络参数. 实验结果表明, 新算法提高了网络的学习能力和收敛速度.     

基于自适应粒子群优化算法的神经网络的优化研究

针对传统的神经网络训练算法收敛速度慢和泛化性能低的缺陷,提出一种新的自适应粒子群优化算法用于神经网络的训练.该算法通过改进自适应搜索策略以提高网络泛化性能,并结合Ionosphere雷达信号分类数据集进行仿真测试.研究结果表明:基于自适应粒子群优化算法训练的神经网络在分类准确率和分类误差上明显优于传统的BP算法,且很好地提高了网络泛化能力和优化效果.     

基于Lagrange优化神经网络的盲多用户检测

Lagrange优化神经网络克服传统的基于罚函数的神经网络的缺陷,直接对不等式约束进行处理,降低网络规模和复杂度,是一种新型的优化神经网络.基于这种Lagrang优化神经网络,提出一种盲多用户检测算法,并通过仿真表明,该算法在误码率性能方面有所改善,收敛速度也明显提高.     

基于免疫算法的RBF神经网络盲均衡算法

本文采用免疫算法来优化RBF神经网络,得到一种更加优化、更加合理的混合算法,即免疫神经网络,并将此算法用于盲均衡器的优化设计,MATLAB仿真实验结果表明,经此算法优化后的盲均衡器,其均衡效果显著提高.     

带饱和执行器的非线性离散时滞系统的最优控制

主要针对带有饱和执行器的时滞非线性离散时间系统更加一般的形式,通过启发式动态规划(HDP)算法求解无限时间最优控制策略问题,并在值函数中引入折扣因子.首先通过迭代HDP算法给出值函数序列和相应的控制序列,并给出了收敛性证明,即值函数序列收敛到值函数的最优值,以及控制序列收敛到最优控制;其次为了实现HDP算法,引入3个神经网络:模型网络、评判网络、控制作用网络.模型网络用来近似系统模型,评判网络用来近似值函数,控制作用网络用来近似控制;最后通过一个仿真例子说明上述方法的可行性.     

BP神经网络在信用风险评估中的应用

采用人工神经网络模型研究信用风险评估问题。研究利用BP算法训练多层前馈神经网络,给出了基于BP算法的信用风险评估计算步骤,最后以对个人信用评估为例,说明了人工神经网络在信用风险评估系统中的应用。     

基于DSP的人工神经网络环境控制系统

文章提出了将人工神经网络结合遗传算法应用于环境控制的新方法。该方法利用遗传算法在线计算控制量,利用人工神经网络模拟被控对象的动态特性,从而代替被控环境进行分析。同时,针对DSP的高速运算机能,解决了在工程应用中难以用一般的CPU完成实时控制的要求。该系统充分发挥了人工神经网络和遗传算法各自的特点,是具有良好发展前途的新型的环境控制系统。     

神经网络在直流无刷电机控制系统中的应用

采用多层神经网络结构控制电传动系统中的无刷直流电机。首先，离线训练神经网络；然后，采用神经网络在线控制电机的速度。建立了带有神经网络的电传动系统仿真模型来验证所采用的神经网络结构，仿真结果表明，系统抗扰动性很明显。     

基于神经网络推理的故障诊断专家系统

本文利用神经网络(NN)的知识并行处理、自学习及联想记忆等功能，建立了基于神经网络推理的专家系统论述了NN的结构、算法参数的确定、系统知识获取和离线／在线自学习功能，提出了NN数值推理和ES深层逻辑概念相结合的输入／输出转换机制与NN推理的解释机制．研究表明系统具有良好的实用性。     

An integrated scheme of neural network and optimal predictive control

An approach of adaptive predictive control with a new structure and a fast algorithm of neural network (NN) is proposed. NN modeling and optimal predictive control are combined to achieve both accuracy and good control performance. The output of nonlinear network model is adopted as a measured disturbance that is therefore weakened in predictive feed-forward control. Simulation and practical application show the effectiveness of control by the proposed approach.     

基于理想轨迹学习的机械手神经自适应控制

在机械手鲁棒控制的基础上,讨论了神经网络逼近误差界未知情形下机械手的神经网络直接自适应控制方法,这里神经网络用于补偿系统的不确定性,提高整个系统的跟随性能。提出设计方法的主要特点是神经网络控制器设计采用机械手待跟随的理想关节信号代替实际的机械手关节角、关节速度和关节角加速度作为神经网络的输入,此外神经网络的逼近误差界假设是未知的。给出了具体的系统设计算法,并证明了神经网络学习算法的收敛性和整个系统的全局稳定性。最后,一两连杆机械手的控制器设计仿真实例验证了提出算法的有效性。     

一种基于模糊神经网络的自适应PID智能控制器

设计了一种新的基于模糊神经网络的自适应PID智能控制器,该系统利用模糊神经网络对被控对象进行模糊辨识,同时,采用BP学习算法的神经网络自适应地调整PID控制器的参数,将模糊技术、神经网络与PID控制综合起来,从而实现PID控制的自适应和智能化。仿真实验表明,该控制器具有较高的控制品质。     

神经网络在自动控制中的应用

文章介绍了神经网络在自动控制领域中的应用，论述了神经网络与模糊控制、PID控制、专家系统、遗传算法和粗糙集相结合的应用，对神经网络的发展前景提出了看法。