基于Gaussian型RBF神经网络的一元函数逼近性能研究

为了研究Gaussian型RBF神经网络对于一元非线性函数的逼近能力，编程建立了Gaussian型RBF神经网络和BP神经网络，并以正弦函数、指数函数、阶跃函数三种典型的一元非线性函数为例，分别用两种神经网络对其进行逼近．仿真结果表明，相对于传统BP神经网络而言，Gaussian型RBF神经网络对于一元非线性函数的逼近精度更高、收敛速度更快，具有良好的逼近能力，为解决一元非线性函数的逼近问题提供了良好的解决手段．     

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。     

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.     

多子波神经网络的预滤波

函数的采样值进行预滤波处理后作为多子波神经网络的初始权值,明显地改善了多子波神经网络的逼近性能,提高了训练速度．     

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。     

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。     

高阶神经网络与太阳黑子序列

一阶神经网络的函数逼近理论虽已研究得相当深入,但对高阶神经网络在这方面的研究却报道甚少.本文给出了高阶神经网络的逼近理论.其具体内容是:如果网络的激励函数σ∈C~∞不是一个多项式,那么高阶神经网络能够以任意精度逼近任意定义在紧集上的连续函数.根据这个理论,可知稀疏或部分连接的高阶神经网络象全连接的网络一样能够逼近任意连续函数.基于此观点,我们设计了一个稀疏连接的高阶网络和另一个具有相同数目连接权的一阶神经网络,并把它们应用于太阳黑子序列进行逼近和预测.模拟实验结果表明,不论在收敛速度还是在推广能力方面,稀疏连接的高阶神经网络都优于一阶神经网络.     

基于模糊系统的新型CMAC神经网络及学习算法

提出了一种基于模糊系统的新型CMAC神经网络，该神经网络与CMAC相比，它不需要对输入分量进行量化，而且能够根据实际问题的性质来初始化网络参数，有利于提高网络的收敛速度，与一般的FCMAC相比，它的逼近精度更高，能够解决CMAC系列网络逼近精度不高的弱点，所以此网络的实际应用前景更广阔，所做的大量仿真实验也证明了这一特性。     

模糊算子神经网络的函数逼近能力

研究模糊算子神经网络的函数逼近能力，首先提出传统神经网络和模糊神经网络的一般模型即模糊算子神经网络，又将其进一步推广为广义模糊算子神经网络，考虑这两种通用模型的代数结构和分析性质，给出其连续函数的一致逼近定理，其结论是传统神经网络逼近性质的推广，适用于由任何连续算子构成的多层神经网络（模糊神经网络）。     

基于神经网络的函数逼近问题

给出了函数逼近问题,提出了一种新的神经网络模型,结合函数逼近问题及该神经网络模型给出了一种学习算法,并利用该算法对函数逼近进行了仿真.说明了该算法的实用性.     

多维离散傅立叶变换神经网络函数逼近

利用多维离散傅立叶变换原理构造新颖的神经网络模型用于函数逼近,网络结构为分层前向网络。给出了网络的学习算法,网络的大部分权值都是固定的,只有输出层与最后隐层之间的权值需要调节。     

基于单隐层前馈神经网络的优化算法

前馈神经网络是神经网络中最常用的函数近似技术。根据普适定理,单隐层前馈神经网络(a single-hidden layer feedforward neural network,SFNN)可以任意接近相应的期望输出。一些研究人员使用遗传算法(genetic algorithms,GAs)探索FNN结构的全局最优解。然而,使用GAs来训练SFNN是相当费时。提出了一种新的SFNN优化算法。该方法是基于凸组合算法(convex combination algorithm,CCA)在隐含层上分析信息数据。事实上,该技术是将分类遗传演算法结合交叉策略的GAs算法。改进方法比GAs算法性能更优,但在进行学习和遗传演算前需要大量预处理工作如将数据分解为二进制代码。同时设置一个新的误差函数量化SFNN性能、获得连接权值最优选项以直接解决非线性优化问题。采用几个计算实验验证改进算法,结果表明改进方法更适合寻找单隐含层SFNN的最优权重。     

BP神经网络用于函数逼近的最佳隐层结构

研究采用反向传播算法的人工神经网络用于函数逼近时的支结构。方法,以典型的ｎ输入、单输出的多层ＢＰ网为例,在几种不同的网络隐层结构下对典的连续函数进行逼近训练。,分析各网络输出的全局误差。     

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。     

一般有界Sigmoidal函数神经网络的插值与逼近

研究了一维欧氏空间中神经网络的插值问题.首先,对于一组插值样本和定义在R上的一般有界Sig-moidal激活函数,给出了精确插值的单隐层前向神经网络存在的条件;然后,构造了近似插值网络,给出了估计精确和近似插值网络之间的误差;最后,利用连续模作为度量,分别估计了两类网络对连续函数的逼近误差.     

前向神经网络的处理能力和推广性量度

目标问题的复杂程度和网络处理能力的适合程度是影响人工神经网络推广性的本质因素。为了衡量前向神经网络（ Ｆ Ｎ Ｎ）的处理能力,该文对 Ｆ Ｎ Ｎ 的插值误差进行了研究,得到了统计意义下 Ｆ Ｎ Ｎ 处理能力的估计值,进而定义了能间接反映神经网络推广性的推广性量度。该方法能够估计出适合目标问题的网络规模,应用于函数逼近和样本分类问题,仿真结果证实了该方法的有效性。     

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。     

基于子空间分析的前馈神经网络隐层评测方法

针对最佳平方逼近3层前馈神经网络模型,采用子空间分析方法,讨论了隐单元的误差补偿性能,提出了隐层评测方法.研究结果表明隐单元选取策略应遵循其输出向量有效分量位于误差空间、回避耗损空间和尽可能靠近某一能量空间的原则,这一结果与隐单元采用什么激发函数无关,也允许各隐单元采用不同激发函数.网络的隐层性能评价可以通过隐层品质因子、隐层有效系数、隐单元剩余度来进行,而总体结果可采用隐层评价因子进行评测.评测实验表明,所提出的隐层评测方法是合理有效的.图1,表1,参11.     

一类三层前向折线模糊神经网络的构造

为克服模糊数运算的复杂性引入了折线模糊数的概念,并应用其优良性质和折线模糊值函数的表示定理,通过插值神经网络的构造方法获得了一类三层前向折线模糊神经网络,证明了该折线模糊神经网络是连续折线模糊值函数的泛逼近器.