基于细胞状演化神经网络的黄河三角洲区域预测

将细胞状遗传算法(cGA)与反向传播(BP)神经网络相结合,构建了一个细胞状演化神经网络时间序列模型,以1984～2000年间的多时相遥感影像为主要数据源,应用该模型对黄河口地区陆地面积进行预测,并分析了其将来的演变趋势.结果表明,在2001～2010年间研究区域陆地面积将呈现增长与蚀退交替演变、增长高峰逐渐下降的趋势.     

基于改进BP神经网络和工业重构理论的用电增长预测方法

运用改进BP神经网络方法和工业重构理论,建立新型工业化与用电增长的关系,提出附加动量和自适应学习率的改进BP神经网络构建工业用电增速的预测模型,利用该模型对未来工业用电增长的趋势进行判断。利用Matlab7．0对该模型进行设计,并运用该模型对工业用电增长趋势进行仿真。与传统的BP神经网络模型相比,采用改进后的预测方法仅经过47次训练就满足预定误差要求,而采用传统的预测模型易陷入局部极小点,很难满足预定误差要求;改进预测模型的预测值与实际值拟合程度好,平均预测精度比传统模型预测精度高1％～3％。此外,验证了改进模型的优越性和合理性。     

基于BP神经网络的税收预测模型

在分析影响税收主要因素的基础上，将反向传播（BP）神经网络理论应用于税收的预测．首先对初始数据进行预处理，使其适应BP神经网络学习的要求，然后建立基于BP神经网络的税收预测模型．采用实际数据对模型进行验证，并将其与传统的统计模型相比较，证明了基于BP神经网络的税收预测模型有较高的精度和较强的实用性．     

基于反向传播算法神经网络的信用评分系统预测力研究

为了提高信用评分系统的预测准确性和稳定性，建立了基于反向传播（BP）算法神经网络的信用评分系统，并提出信用评分系统预测力和预测稳定性验证的新方法．结合信用评分问题的实际特点建立了模型并确定了参数，然后采用一种正向选入法确定输入变量，进行模型训练，并通过引入接收器操作特征曲线的分析理论、曲线面积（AUC）值及信息理论等评价方式，对所构造的神经网络信用评分系统预测力进行评价，最后利用自抽样法构造出多个验证样本来评估信用评分系统的稳定性．与传统的逻辑信用评分系统的比较结果表明，BP神经网络信用评分系统具有更高的预测准确性和稳定性，其AUC值平均提高0．0367，AUC值的标准误差平均降低0．005．     

新型递归神经网络求解时变矩阵Moore-Penrose逆

将传统梯度神经网络（GNN）与张神经网络（ZNN）巧妙结合,提出了一种新型的神经网络（NNN）模型.在相同的条件下,采用NNN,GNN,ZNN模型求解时变矩阵M-P逆,从理论上证明了NNN模型的有效性和优越性.计算机仿真结果表明NNN模型在有噪声的条件下求解矩阵M-P逆具鲁棒性.     

判别混沌与噪声的局部可变神经网络方法

为了解决多对单类型的分类问题（ 尤其是无限多对单） ，提出了一种处理多对单问题的新型神经网络模型———局部可变权值神经网络，并将其应用于混沌信号和噪声的判别．局部可变权值神经网络学习算法与传统神经网络类似，但在工作时可根据网络输入来调整神经网络局部权值．从最后分类结果看，无论是在学习时间还是在分类精度上，局部可变权值神经网络比传统神经网络都要好     

隐层自构造小波神经网络及其在深基坑支护工程中的应用

在结合小波分析和神经网络（ANN）基础上，提出了一种隐层自构造小波神经网络模型。该模型通过有限的经验数据学习，建立了深基坑支护结构变形量与其影响因素的非线性关系，并将其应用于深基坑支护工程实例当中。研究表明，该网络训练时间不到0．5s，预测精度高，预测结果可靠，对今后保证深基坑支护工程施工安全具有借鉴意义。     

一类典型工业过程的RBF神经网络控制

根据一类典型工业过程的特点，提出了一种神经网络控制方案．该方法基于ＲＢＦ（ＲａｄｉａｌＢａｓｉｓＦｕｎｃｔｉｏｎ）神经网络辨识过程模型，然后在此模型基础上设计内模控制．利用连续搅拌反应釜（ＣＳＴＲ）系统进行仿真设计，结果表明方案有效．     

一种应用于模式识别的神经网络模型

本文首先引入了感知神经元，建立了一种应用于模式识别的三层神经网络模型．对于任一组二元标准模式（二元图象或特征值序集），我们根据给定模式及要求设计神经网络，使之对输入模式进行识别．这种神经网络结构明确，易于实现，其实施有助于提高模式识别系统的执行速度与识别能力．     

手写签名的概率神经网络识判模型

针对手写签名的随机性和信息的不完备性,提出了将Ｂａｙｅｓ网络与前馈神经网络相结合的概率神经网络模型．论述了建模的理论基础、模型结构、训练算法及其简化算法．概率神经网络可计算待测签名样本为真（或伪）签名的最大可能性,进而确定其所属类别     

一种新型的前馈多层神经网络学习算法

利用矩阵Ｍｏｏｒｅ－Ｐｅｎｒｏｓｅ逆的方法,提出了一种新型的前馈多层神经网络学习算法－ＭＢＰ算法。该算法采用了群体搜索的策略,打破了ＢＰ算法一次一点的搜索方式,一次可搜索权空间中的一个超平面,仿真结果表明,该算法在提高收敛速度和避免陷入局部极小点方面都有一定的进展。     

人工神经网络研究现状及其展望

回顾了神经网络理论发展的历史和现状。在此基础上，介绍并讨论了20世纪90年代神经网络研究的一些新进展。根据神经网络研究的特点，对人工神经网络今后的发展前景作了一定的评述，人工神经网络的研究与发展必将对现代科学技术产生深远的影响．     

数学神经网络（I）——神经网络的插值机理

定义了数学神经元与数学神经网络，讨论了数学神经网络的插值机理，设计了一类单输入单输出三层前向数学神经网络与双输入单输出四层前向数学神经网络，它们分别逼近给定的一元连续函数和二元连续函数到预定的精度。     

小波神经网络的研究及其展望

小波分析与神经网络结合的研究 ,已成为近些年来信号处理学科的热点之一。小波分析具有良好的时频局部性质 ,而神经网络具有自学习功能和良好的容错能力 ,将二者结合必具有强大的优势。本文对小波网络的结构形式 ,学习算法及其应用进行综述 ,并就其存在的一些问题及其发展趋势进行了探讨。     

一种用于非线性函数逼近的小波神经网络算法仿真

提出一种用于非线性函数逼近的小波神经网络算法,分析了网络的拓扑结构,给出了网络的参数估计方法.采用遗忘因子法训练网络的权值,利用具有优良渐近性质的递推预报误差算法训练尺度因子和平移因子,分析并给出两种小波元的个数选择方法.该算法用于非线性函数逼近时优于同等规模的BP神经网络.仿真研究表明,该方法具有收敛速度快,逼近精度高等优点,在为非线性系统建模提供一种新方法的同时,也为复杂非线性系统的辨识提供有益的参考.     

基于人工智能的创造性思维的模拟方法

针对创造性思维在人类思维中的重要作用，对创造性思维的模拟提供了创造计算的一种新方法。其中，逻辑思维采用了神经网络的BP算法来实现，直觉思维采用了Hopfield神经网络以及交叉变异等实现方法。论述了变异联想在直觉产生中的重要作用，并且建立了模拟直觉的计算模型。采用直觉与逻辑互补构成创造性思维的观点，构造了创造性思维的认知与计算模型，给出了创造性思维模型的计算实例。     

多神经网络在软测量仪表中的应用

针对化工过程对象的复杂性和不确定性,介绍了采用以RBF神经网络作为子网络的多神经网络在软测量仪表中的应用。用粘度软测量仪表的实例证明了使用多神经网络建模的有效性。     

基于TD-BP网络的噪声滤除

为更好地消除噪声,提出TD-BP神经网络拟合未知的噪声信道滤波器,讨论了它的模型与学习算法及其通用逼近性.基于TD-BP神经网络的噪声消除器具有神经网络分布式并行信息处理能力,利用TD-BP逼近噪声,然后抵消噪声得到有用信号,具有较好的鲁棒性和除噪性能.     

基于人工智能的创造性思维的方案探讨

针对创造性思维在人类思维中的重要作用.对创造性思维的模拟提供了创造计算的一种新方法.其中,逻辑思维采用了神经网络的BP算法来实现,直觉思维采用了Hopfield神经网络以及交叉变异等实现方法,论述了变异联想在直觉产生中的重要作用,并且建立了模拟直觉的计算模型.提出了采用直觉与逻辑互补构成创造性思维的观点,构造了创造性思维的认知与计算模型,给出了创造性思维模型的计算实例.     

人工神经网络在炼铁工序能耗分析中的应用

以节能降耗为基本出发点,借助大量的统计数据,运用BP算法对企业工序能耗进行了系统地分析。研究结果表明用神经网络BP算法构造的网络模型,用于练铁工序能耗多因素的定量分析是可行的。这种方法尤其适用于一般数学模型难以描述的非机理型相关因素的定量分析。