基于投影神经网络求解凸规划问题的二分法

将投影梯度神经网络方法和二分法相结合,提出了一种求解凸规划的新算法,并证明了该算法的收敛性.     

基于神经网络的常微分方程数值计算方法

科学与工程应用中常用微分方程来建模,提出了一种基于余弦基神经网格的计算微分方程的新方法,其基本思想是以神经网络的输出来近似初值问题中的解析解.为保证算法的收敛性,提出并证明了神经网络算法的收敛性定理,为神经网络学习率的选择提供了依据.通过实例证明了该算法的有效性.     

一种解病态线性方程组的神经网络算法

详细研究了求解病态线性方程组AX=b的神经网络算法,提出并证明了神经网络算法的收敛性定理,算法的收敛性定理为神经网络学习率的选择提供了理论依据.为了验证算法的有效性,给出了应用实例.研究结果表明了求解病态线性方程组的神经网络算法是有效的.     

一类混合HS和DY共轭梯度法及其全局收敛性

为了寻找同时具有良好的收敛性和数值效果的共轭梯度法.本文将HS方法和DY方法结合,选用Wolfe线搜索,构造出了一类新的混合共轭梯度法.并在Wolfe线搜索的条件下证明了该算法全局收敛性.对新算法进行数值实验,并与HS方法和DY方法的数值结果进行了比较,结果表明新算法是有效的.     

2型FIR高阶数字滤波器优化设计

研究了2型FIR线性相位滤波器的幅频特性与激励矩阵为CTB的神经网络并行算法之间的关系,提出并证明了该神经网络算法的收敛性定理,给出了FIR高阶数字滤波器优化设计实例.计算机仿真结果表明了该神经网络并行算法在FIR高阶数字滤波器优化设计领域的有效性.     

求约束极值问题的修正共轭梯度投影法

针对带约束的非线性规划问题,提出一个修正共轭梯度投影算法,并且用不严格互补条件证明了算法具备全局收敛性和局部超线性收敛性;另一方面,算法的每步迭代只计算一次共轭投影矩阵,避免了求解二次规划或求两个投影矩阵,因而算法在计算量上有所改进.     

界约束非线性优化问题的信赖域滤子法

提出一种信赖域滤子方法来求解界约束的非线性优化问题,该方法将滤子技巧和投影梯度方法相结合,简化了算法的形式,证明了算法的全局收敛性,并给出了数值试验.     

非精确搜索下的超记忆梯度法及其收敛性

提出一种新的无约束优化超记忆梯度算法,算法在每步迭代中充分利用前面迭代点的信息产生下降方向,采用Armijo搜索产生搜索步长,在较弱的条件下证明了算法的全局收敛性.     

求解线性不等式组问题的一种新算法

通过引入线性不等式组问题的一类光滑价值函数,将其求解问题等价地转化为无约束优化问题的求解.利用这个价值函数,提出了求解线性不等式组问题的一种新的共轭梯度算法.在线性不等式组的解集非空有界条件下,证明了算法的全局收敛性.数值实验结果表明了算法具有稳定高效的实用性能.     

界约束非线性优化问题的信赖域滤子法

提出一种信赖域滤子方法来求解界约束的非线性优化问题，该方法将滤子技巧和投影梯度方法相结合，简化了算法的形式，证明了算法的全局收敛性，并给出了数值试验     

一类状态不可测非线性时滞系统的神经网络故障诊断

针对一类状态不可测的非线性时滞系统,提出了基于神经网络故障诊断的新方法.采用系统的状态和时滞状态的估计值作为神经网络的输入对故障进行估计.首先构造一种状态观测器结构,利用输出信息和神经网络的非线性逼近能力对系统不可测状态进行估计,然后对系统发生的故障用另一个RBF神经网络进行估计,故障估计器的输入为系统的当前估计状态以及时滞状态,所估计出的故障是随时间变化的非线性函数.基于Lyapunov理论,分析并证明了系统的稳定性和参数收敛性,同时作了仿真研究.仿真结果表明,该方法能够很好地解决一类状态不可测的非线性时滞系统的故障诊断问题.     

基于动态逆模糊神经网络的准滑模控制

针对不确定非线性系统,提出了基于动态逆模糊神经网络的准滑模控制,控制量可直接由一个模糊神经网络的前向推理得到.仿真表明了方法的有效性.     

具有不同时间尺度的变时滞竞争神经网络概周期解的存在性和全局指数收敛性

运用不动点理论和微分不等式技巧研究了具有不同时间尺度的变时滞变系数竞争神经网络的概周期解,给出了其存在性和全局指数收敛性的一种判别准则.     

数字助听器的并行梯度投影回声抵消

自适应回声抵消是消除助听器回声啸叫的有效方法. 针对回声路径评估偏差大的问题,文中提出线性预测-并行梯度投影算法,通过对助听器输出信号进行线性预测来生成解相关FIR 滤波器,获得解相关信号. 系统利用解相关信号构建包含回声路径的凸优化方程,并设计并行梯度投影算法求解该方程,实现回声路径的估计. 实验结果表明算法在收敛速度、稳定性和精度等方面改进显著.     

基于神经网络算法的频谱分析

提出一种信号频谱分析的神经网络方法,研究了神经网络算法的收敛性,给出了频谱分析的应用实例.研究结果表明,该频谱分析方法不涉及复数的乘法运算和加法运算,计算精度高,便于软件和硬件实现,特别适合于DSP软硬件实现,因而是一种有效的信号频谱分析方法.     

随机噪音对两类联想记忆神经网络特征参数的影响

用数值模拟的方法研究随机噪音对Hopfield神经网络和整体优化网络吸收率Pt otal的影响,得到以下结果：随机噪音可以缩短整体优化网络记忆相区和混合相区的收敛时间.在合适的外加随机噪音的作用下,神经网络系统一些特征参数会得到显著改善.     

基于LS的梯度迭代最陡下降算法GISDA

提出了一种基于LS准则、利用梯度迭代的最陡下降算法GISDA（Gradient Iteration Steepest Descent Algorithm，GISDA）．该算法在梯度计算上比LMS精确．新算法与传统的最陡下降算法相比，具有运算量小、容易实现等优点．GISDA算法比LMS算法收敛速度快、稳定性更好．并给出了GISDA算法和LMS算法性能比较的计算机仿真结果和结论．     

基于神经网络并行算法的海尔伯特变换器优化设计

研究了一种基于神经网络并行算法的海尔伯特变换器优化设计方法，提出并证明了冲经网络算法的收敛性定理，给出了海尔伯特变换器优化设计实例，仿真结果表明用该算法设计的海尔伯特变换器具有高的计一算精度和快的收敛速度，因而是有效的。     

自底向上加快神经网络学习的算法

介绍了一种加快神经网络学习的改进算法.这种改进算法结合采用快速自底向上构造神经网络算法和动态优化学习参数算法.首先,快速自底向上构造神经网络算法自动地构建神经网络的优化结构;随后,动态优化学习参数算法动态地调整和选取优化的学习参数.实验结果显示,这种改进算法能自动有效地构造网络的优化结构,与其它算法相比,具有更好的分类性能、优化的网络结构和更快的学习速度.