用面向对象程序设计神经网络的算法类库

依据面向对象的程序（ＯＯＰ）设计的优越性,用Ｃ＋＋语言,针对神经网络ＢＰ算法和ＧＡ算法,编写了神经网络及其算法类库：目的是为神经网络学习算法的发展和深入及其应用于工程提供方便和有利工具．且给出利用该类库实现的非线性系统辨识结果     

连续时间环结构神经网络及其设计

在已有文献的基础上，给出了环结构神经网络的连续形式，它是Ｈｏｐｆｉｅｌｄ神经网络和双向联想记忆（ＢＡＭ）神经网络的推广，可以完成多类样本之间的互联想记忆．文中还给出了其综合设计方法．     

考虑随机因素的单件车间生产作业计划方法研究

本文应用改进的随机动态神经网络解决单件车间生产作业计划问题（ＪＳＰ），然后在以较好的生产作业计划为起点寻优的过程中，使用了基于工件加工时间服从概率分布的禁忌搜索，并且用ＴｕｒｂｏＣ＋＋１．０和Ｆｏｘｐｒｏ２．５ｆｏｒ Ｗｉｎｄｏｗｓ在微机上实现上述神经网络和禁忌搜索方法。     

模糊系统和神经网络的融合技术

概述了模糊、神经网络和人工智能技术之间的关系，重点探讨了模糊和神经网络的特点；综合并分析了模糊系统和神经网络的结合方式，其中包括两种系统的串、并联结合方式，基于神经网络的自适应模糊系统和基于模糊系统的神经网络模型等；此外，还就模糊系统和神经网络系统的输出，从定量角度讨论了模糊系统和神经网络的功能等价性，并给出了相应的定理和证明。     

用神经网络来挖掘数据库中的关联规则

在数据库中进行数据挖掘的方法有多种，神经网络方法是其中之一，在某些场合下神经网络方法有它的优势。本文讨论了一种适用于知识发现的神经网络模型，并给出了神经网络知识发现系统的设计过程，最后讨论了该方法的优缺点。     

神经网络在金融业务中的应用及实现

本文从信息论的观点出发，讨论了神经网络技术在金融业务中应用的可能性和实现途径。探讨了金融和经济中存在的信息处理的难点，并给出了应用神经网络技术解决问题的方法。进一步地，阐述了神经网络与模糊系统理论和专家系统相结合，是今后金融领域智能信息处理发展的新方向。     

神经网络专家系统及其数据挖掘技术的探讨

知识发现是目前数据库和机器学习的热门方向，本文在讲座了神经网络专家系统技术的基础上，探讨了如何在神经网络专家系统中融入发现的过程，给出了一个系统框架及其中的一些算法，并给予了深入讨论。     

用神经网络确定动态系统最优决策

本文提出了用神经网络确定动态系统最优决策的方法，介绍了实现这种人工神经网络的电路，并给出了仿真计算实例。本文提出的方法容易掌握，所设计的神经网络运算速度快、稳定性能好，可用于确定动态系统的最优决策。     

关于前馈神经网络的激活函数与认知能力

讨论了目前前馈神经网络研究中存在的一些问题 ,给出了前馈神经网络的一种数学框架。在这种框架下 ,提出了网络神经元激活函数的选取原则 ,给出了前馈神经网络认知能力的概念 ,证明了静态前馈神经网络的认知能力是有限的。指出了网络的认知能力与激活函数、隐层神经元个数的选取都有关 ,并提出了隐层神经元个数的选取原则。最后 ,给出了前馈神经网络泛化能力的概念 ,指出前馈网络的泛化能力是有条件的。     

Hammerstein系统自适应神经网络控制算法的收敛性分析

对一类确定性Hammerstein系统，给出了基于神经网络的自适应控制算法。考虑到神经网络的非线性特点，特别是其自适应学习能力，控制系统采用两个神经网络分别作为估计器和控制器，通过在线训练网络的权重来获得模型参数和控制输入。神经网络的训练用Widrow-Hoff学习规则。对算法的全局收敛性进行分析表明系统具有总体收敛性，输入输出有界。     

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。     

AN INFORMATION THEORETICAL APPROACH TO NEURAL NETWORKS

The purpose of this paper is to present a unified theory of several differentneural networks that have been proposed for solving various computation, pattern recog-nition, imaging, optimization, and other problems. The functioning of these networks ischaracterized by Lyapunov energy functions. The relationship between the deterministicand stochastic neural networks is examined. The simulated annealing methods for findingthe global optimum of an objective function as well as their generalization by injectingnoise into deterministic neural networks are discussed. A statistical interpretation of thedynamic evolution of the different neural networks is presented. The problem of trainingdifferent neural networks is investigated in this general framework. It is shown how thisapproach can be used not only for analyzing various neural networks, but also for the choiceof the proper neural network for solving any given problem and the design of a trainingalgorithm for the particular neural network.     

电液系统神经网络自适应控制的研究

提出一种采用神经网络非线性系统控制的结构及原理．即采用两个ＢＰ神经网络，一个用来对被控系统进行在线辨识，另一个用做非线性自适应控制器．并对具有未知外部负载干扰的电液位置伺服系统进行了动态仿真，讨论了神经元激励函数形状因子、神经网络节点数以及神经网络训练次数对控制系统性能的影响     

基于细胞神经网络的牌照倾斜校正及单字切分

车牌自动识别中 ,牌照倾斜和单字切分不准确会使字符识别率下降。为此提出基于细胞神经网络的牌照倾斜校正及单字切分的方法。由阴影检测器得到包含字符的块状区域 ,并得到块状区域的上、下边缘线 ,从而得到牌照的倾斜角度 ,对牌照进行倾斜校正。对校正后的图像 ,用相连单元检测器去除边框及其它干扰 ,并用另一个离散时间细胞神经网络模板完成单字切分。结果表明 ,利用细胞神经网络可以较好地完成牌照倾斜校正和单字切分 ,为后面的字符识别作了较好的准备。     

不确定性机器人实时智能补偿控制

在神经网络在线学习控制中 ,实时性和控制精度是非常重要的两大指标。提出的一类具有多维存储结构的CMAC网络 ,提高了网络的泛化能力和学习速度。利用这一网络 ,针对不确定性机器人系统 ,考虑其标称模型 ,提出了一种新的实时智能补偿控制策略 ,并利用Lyapunov方法得出了系统全局渐近稳定的充分条件和网络学习律。在该控制策略中 ,系统的控制输入由两部分组成 :基于标称模型的计算力矩及补偿输入 ,其中补偿输入为系统标称惯性矩阵与神经网络输出的乘积。最后给出了仿真实例来说明该控制策略的有效性     

高阶带阻滤波器优化设计研究

众所周知，传统BP神经网络收敛速度慢、学习效率低。之所以如此，主要原因在于人工神经元输出函数的同一化。本文提出的神经网络模型的主要特点是：用正交基函数作人工神经元的输出函数，而且每个神经元的输出函数各不相同。该神经网络模型有效克服了传统BP神经网络收敛速度慢、学习效率低的致命缺陷。本文还详细研究了FIR线性相位滤波器的幅频特性与余弦基函数神经网络算法的关系，给出了高阶带阻滤波器优化设计实例。计算机仿真结果表明了该算法在高阶带阻滤波器设计中的有效性和优异性能。     

多层前向网络灵敏度的分析和降低方法

本文将前向网络的输入误差看作服从加性和乘性随机噪声，进行了网络输出误差的统计分析，并依此定义网络的灵敏度。在此基础上，分析了Ｓｉｇｍｏｉｄ函数的斜度对网络灵敏度的影响，结合仿真实验，提出了一个降低前向网络灵敏度的有效方法。     

前馈网络泛化性能改进的目的规划方法研究

以目的规划模型为基础，将前馈网络准则函数改进、网络灵敏度降低、先验知识运用有机地结合在一起，提出了前馈网络泛化性能改进的目的规划方法．文中给出了该方法的数学模型、求解方法以及算例     

仿真转台的神经网络复合控制

介绍了一种神经网络复合控制方法，即在不抛弃众多工程技术人员所熟悉的经典控制方法的基础之上，采用神经网络控制来处理系统中的各种非线性及不确定性。给出了神经网络的迭代算法，讨论了系统的稳定性问题，并将该方法应用于高精度三轴飞行仿真转台的实时自适应控制中。实验结果表明了该控制方法的有效性。     

基于神经网络辨识的质子交换膜燃料电池建模

针对质子交换膜燃料电池(PEMFC)系统过于复杂，难以建模，而已建立的模型难以满足PEMFC控制系统设计和应用的要求。本文利用神经网络具有逼近任意复杂非线性函数的能力，将神经网络辨识方法应用到PEMFC强非线性系统的建模中，避开了PEMFC系统内部的复杂性。模型以电池工作温度为神经网络辨识模型的输入量，电池电压、电流密度为输出量，利用500组实验数据作为训练样本，采用改进型BP算法，建立了不同温度下电池电压—电流密度动态响应模型。仿真结果表明，方法可行，建立的模型精度较高，从而为设计PEMFC实时控制系统奠定了基础。