一种新的学习算法及在导弹故障诊断中的应用研究

本文提出了一种多怪前向神经网络快速误差后向传播学习算法ＦＢＰ，通过某运载火箭姿态控制系统故障诊断的仿真研究，验证了ＢＰ和ＦＢＰ用于导弹姿态控制系统故障诊断的有效怀，ＦＢＰ学习算法较之ＢＰ算法学习速度的快速性。     

多层前馈二阶神经网络模型

本文首先建立多层前馈二阶神经网络模型，继而给出该模型的二阶Ｂ－Ｐ学习算法，在此基础上构造了二阶快速Ｂ－Ｐ（即ＦＢ－Ｐ）和改进的二阶ＦＢ－Ｐ（即ＭＦＢ－Ｐ）学习算法，在计算机上以两类飞机图像目标识别为例，对本文提出的多层前馈二阶神经网络模型及其三种二阶学习算法的性能进行仿真实验，并与传统的多层前馈一阶神经网络及其相应学习算法的性能作比较，从而获得若干有意义的结果。     

遗传算法在神经网络控制中的应用与实现

比较了遗传算法与神经网络的特点，并对将遗传算法用于前向神经网络的可能性进行了研究，同时阐明了遗传算法和神经网络结合的必要性，提出了一种融合遗传算法的神经网络控制方法，该方法采用多层前向神经网络作为遗传搜索表示方式的思维，以神经网络为基础，用遗传算法 习神经网络的权系数，即保留了遗传算法的强全局随机搜索能力，又具有神经网络的鲁棒性和自学习能力，将遗传算法和神经网络相结合，分析了遗传算法基本参数及神经网络结构、隐层和输出层节点非线性函的选择，设计了用遗传算法学习神经网络权系数的软件实现方法，成功地实现了机械手逆运动学求解问题及倒立摆的控制，仿真结果显示了遗传算法快速学习神经络权系数的学习效率与收敛精度，确保了快速达到全局收敛，克服了多层前向神经网络传统的BP学习算法精度低、收敛速度慢、容易陷入局部极小的缺陷，表明了该方法的可行性与有效性。     

基于模糊推理的自适应BP算法

ＢＰ网络是迄今为止应用最广泛的一种神经网络，但这种算法也存在着收敛速度慢、容易陷入局部极小点等问题．本文在标准ＢＰ算法的基础上提出一种改进ＢＰ算法，称之为自适应ＢＰ算法．这种自适应ＢＰ算法采用模糊规则动态调整学习参数，并且能在学习过程中和学习完成后通过隐节点调整算法优化网络结构，有比标准ＢＰ算法更好的收敛性和更好的泛化能力     

加快神经网络学习的梯度幂次法

分析了前向神经网络极值点附近的性态,指出基本ＢＰ算法用于分类问题时收敛缓慢的原因．我们利用梯度模的幂次去修改学习率,仿真结果表明,将此方法用于分类问题的训练时,收敛速度明显优于基本的ＢＰ算法．     

人工神经网络控制的Sigmoidal函数研究

本文针对前馈神经网络误差反向传播算法（ＢＰ）算法应用于控制系统收敛速度慢，神经元非线性处理函数选择难等问题，提出了自动寻找最优Ｓｉｇｍｏｉｄａｌ函数方法。与ＢＰ算法相比较，该方法不仅收敛速度快，而且学习次数和隐节点数减少。仿真计算结果表明，该方法应用于控制系统鲁棒性能好，提高了网络学习能力，改善了学习性能，在神经网络控制中有一定推广价值。     

基于免疫算法的前向神经网络学习方法

提出了一种采用免疫算法训练多层前向神经网络的方法。该方法利用免疫算法训练前向神经网络,能够使网络优化过程趋于全局最优。利用基于遗传策略的聚类机制确定前向神经网络的初始权值,增加了网络训练算法收敛于全局最优的概率。将这种神经网络用于雷达模拟调制信号的调制方式识别的仿真结果表明,采用该算法设计的前向神经网络达到了较高的性能。     

基于变尺度优化方法的快速神经网络学习算法研究

本文提出一种基于变尺度优化方法的多层前向神经网快速学习算法（ＭＤＦＰ），实验结果表明，这种算法对于加快网络的收敛速度有着显著成效     

根据粗糙集理论进行BP网络设计的研究

提出了一种根据粗糙集理论进行ＢＰ网络设计的方法,它结合了粗糙集理论的强大的定性分析能力和ＢＰ网络的准确的逼近能力,得到一种可理解性好、计算简单、收敛速度快的神经网络模型．这种神经网络的学习算法的要点是：应用粗糙集的理论和方法,从给定学习样本数据中发现一组规则,并根据这些规则去建立网络模型中相应的隐层节点;然后用ＢＰ算法迭代求出网络的参数,从而完成网络的设计.     

一种新型δ函数神经元构成的神经网络及学习算法

本文提出一种新型δ函数神经元构成的三层前馈神经网络，其隐层中神经元采用δ变换函数而不是ｓｉｇｍｏｉｄ函数。学习算法不再采用误差反向传播（ＢＰ）算法，而是通过选定隐层与输入层之间的自由权来确定隐层与输出层间的待求权的直接算法完成学习。这种学习算法运算速度快，不存在局部极小和收敛速度慢的问题，只要隐层δ函数神经元个数等于样本对数量就一定能完成学习，这是传统ＢＰ算法不能比拟的。计算机仿真实例表明该算法是十分有效的。