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.     

非线性伺服机构的神经网络建模

本文研究了利用径向基神经网络辨识某伺服机构的问题，本文采用了具有自适应步长的Ｋ－均值聚类算法对网络中心进行调整，学习算法中的局部卡尔曼滤波器考虑了径向基网络的空间和参数局部特性，有效地提高了算法的收敛性与学习速度；仿真结果表明了ＲＢＰ网络对伺服机构建模的有效性。     

一种可修正激励函数的BP算法

以往的ＢＰ算法调节神经元网络的权值，其网络的隐层结点数、网络学习快慢程度及网络的泛化能力都与网络的激励函数有关的。为此，本文提出了一种带可以修正激励函数的ＢＰ算法，其特点是它能更好地模拟人脑神经元的特性。通过仿真验证此方法是非常有效的。     

基于优化BP算法的精馏塔预测模型

针对建立精馏塔严格动态机理模型的复杂性以及机理模型应用的诸多不便，提出了一种综合共轭梯度和自适应变步长的优化ＢＰ算法，并利用该优化ＢＰ算法建立了精馏塔的预测模型。仿真结果表明，该算法不仅收敛速度快，学习精度高，而且有效避免了常规ＢＰ算法的局部极小值问题。     

前馈神经网络的一种连续型学习算法

本文给出前馈神经网络的一种连续型学习算法，对传统的ＢＰ算法作了改进。分析了该算法的收敛性。通过实例与传统ＢＰ算法进行比较，该算法可以明显提高网络的收敛速度，说明它是一种实用的学习算法。     

一种新型复合神经网络模型

本文首先详细地阐述了ＢＰ神经网络和ＣＭＡＣ神经网络各自的结构，原理以及算法。提出了一种ＢＰ神经网络与ＣＭＡＣ神经网络组合起来的新型复合神经网络模型，并利用误差逆向传播原理推导出复合网络的学习法。仿真实验结果表明，这种复合神经网络在保留了ＢＰ和ＣＭＡＣ各自特长的基础上，同时具有学习速度快，泛化能力强等特点     

动态神经网络学习算法中的参数估值

以一种简单的动态ＢＰ网络作为并联模型，运用卡尔曼滤波原理，提出了一种新的神经网络辨识算法．该算法的学习速度是由带时间参数的Ｒｉｃｃａｔｉ方程来确定的，从而大大减少了学习的迭代次数．仿真结果表明此算法是有效可行的     

多层前向神经网络的RLS修正训练算法

文献［４］提出一种训练多层前向神经网络的快速学习算法—ＲＬＳ算法，与标准ＢＰ算法相比有较高的学习效率，但该方法的主要缺陷是存在数值稳定问题和鲁棒性不强的问题。提出了一种修正的基于递推最小二乘算法（ＲＬＳ）的多层前向神经网络的快速学习算法，证明了算法的数值稳定性，对两个系统进行了辨识，并与ＲＬＳ训练算法和标准ＢＰ算法进行了比较，仿真结果显示了所提方法的鲁棒性和有效性。     

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。     

大数据中面向乱序数据的改进型BP算法

针对大数据中的乱序数据缺少关联规则的问题，提出了一种动态调整的改进型BP 算法，运用了动态自适应结构调整机制，根据环境要求自适应调整网络训练结构，自动删除无效训练神经元，优化迭代训练过程；并在网络学习过程中动态调整网络参数中的三因子，即动量因子、权学习指数、阈学习指数，来达到加快学习响应速度、增强网络稳定性的目的. 仿真结果表明，通过动态自适应调整结构、动态调整三因子的改进型算法，能够获得更多的收敛次数，并能有效地提高收敛率，进而提高整体网络性能.     

基于自适应遗传算法和BP网络的物重监测模型

采用自适应遗传算法与误差反向传播算法(BP)相结合,建立一个通过图像监测物体重量的模型。先对图像进行特征提取,然后用遗传算法进行全局训练,再用BP算法进行精确训练,使网络收敛速度加快并避免局部极小。作为实例,利用圆柱体、锥形体、梯形体等物体图像相关资料建立了数据库,将图像的特征因素作为样本对网络进行训练,并用训练好的网络预测未知物体重量。由实例表明,该方法在预测物体重量中是可行的,误差较小,为物体重量监测提供了一种新思路和新方法,可用于大型生产线上的物体重量在线监测和质量控制。     

Novel Newton''s learning algorithm of neural networks

Newton's learning algorithm of NN is presented and realized. In theory, the convergence rate of learning algorithm of NN based on Newton's method must be faster than BP's and other learning algorithms, because the gradient method is linearly convergent while Newton's method has second order convergence rate. The fast computing algorithm of Hesse matrix of the cost function of NN is proposed and it is the theory basis of the improvement of Newton's learning algorithm. Simulation results show that the convergence rate of Newton's learning algorithm is high and apparently faster than the traditional BP method's, and the robustness of Newton's learning algorithm is also better than BP method's.     

BP人工神经网络自适应学习算法的建立及其应用

解决了BP神经网络结构参数、学习速率与初始权值的选取问题,并对传统的BP算法进行了改进,提出了BP神经网络自适应学习算法,又将其编制成计算机程序,使得输入节点、隐层节点和学习速率的选取全部动态实现,减少了人为因素的干预,改善了学习速率和网络的适应能力.计算结果表明:BP神经网络自适应学习算法较传统的方法优越,训练后的神经网络模型不仅能准确地拟合训练值,而且能较精确地预测未来趋势.     

双机格斗仿真系统中的实时决策方法

在双机格斗仿真系统中，数字仿真收音机的智能决策采用模糊逻辑与神经网络相结合的方法。为了把神经网络的规模限制在易于工程实现的程度，把战术规则适当分类，每一类战术存储在一个神经网络中，用模糊逻辑进行战术分类识别，确定在哪一类战术中搜索，然后用存储该类战术的神经网络进行了战术决策。     

基于洛伦兹函数的变步长凸组合最小均方算法

为进一步减小收敛速率与稳态误差之间的矛盾,改善自适应滤波算法,利用改进的Lorentzian函数提出了一种新的变步长凸组合最小均方(new variable step-size convex combination of least mean square,NVS-CLMS)算法,该算法既有效提高了收敛速率又具备很好的抗干扰能力。同时,为了克服CLMS算法停滞等待的弊端,采用了瞬时转移结构;另外,在参数的迭代公式中使用sign函数进行优化以降低运算量。仿真结果证明该算法与CLMS、VS-CLMS相比,在不同的仿真环境中均能表现出良好的均方特性和跟踪特性。     

具有自适应非线性增益的开环PD型迭代学习控制

针对同时存在周期性干扰和随机测量噪声的一类非线性系统,提出一种基于误差幅值和误差变化率的开环PD型迭代学习非线性增益自适应算法,分别给出了比例和微分的增益调整规则,并对所提算法进行了严格的理论分析,同时推导出收敛条件。结果表明,与传统学习增益固定的开环PD型迭代学习律相比,当非线性系统同时存在周期性扰动和幅值较大测量噪声时,自适应非线性增益学习律能根据误差幅值和误差变化率在线调整比例和微分学习增益,抑制扰动和噪声,使得在学习收敛速度和收敛精度之间在某种程度上得以折中,在学习初始阶段高增益下保证了迭代学习的收敛速度,学习末了阶段小增益下具有较强的鲁棒性和收敛精度,得到的误差跟踪曲线更加平滑。     

水声信道快速收敛自适应均衡算法

从提高自适应均衡算法水声信号收敛性能的角度出发,提出了一种新的快速收敛水声信道自适应均衡算法。该算法将改进的归一化均方误差算法和判决反馈均衡器结构有机结合,在不增加计算量的前提下,很好地实现了不同水声信道的自适应均衡,易于算法的硬件实现。仿真结果表明,该算法计算量同归一化最小均方(normalized least mean square, NLMS)误差算法的计算量相当,但在稳态误差和收敛速度上有很大优势;收敛性能与自适应调整最小二乘回归〖CD*2〗判决反馈均衡器(variable tap-length decision feed-back equalizer based on recursive least square, RLS-DFE)算法接近,却克服了RLS-DFE算法计算量大,不利于硬件实现的实际问题。提出的算法为水声通信提供了一种性能优良的可实现方法,具有较高的应用价值。     

基于对角载入的鲁棒自适应波束形成算法

作为一种梯度自适应波束形成算法,LMS算法因简单有效而得到广泛的应用.但是在存在偏差的情况下,LMS算法的性能较差.针对上述问题,考虑信号方向向量的偏差对LMS算法性能的影响,提出了一种基于对角载入的鲁棒约束LMS算法,并对算法的对角载入因子和收敛性能进行了分析,给出了保证算法收敛的步长取值范围.该算法利用对角载入的特性,可有效的抑制各种偏差所带来的影响,收敛速度快,抗扰动性强,对信号方向向量的偏差具有较强的鲁棒性,从而可以保证阵列输出的信干噪比接近最优值.仿真实验表明,与传统约束LMS算法相比,基于对角载入的鲁棒自适应波束形成算法具有很好的性能.     

Global Convergence of Adaptive Generalized Predictive Controller Based on Least Squares Algorithm

Some papers on stochastic adaptive control schemes have established convergence algorithm using a least-squares parameters. With the popular application of GPC, global convergence has become a key problem in automatic control theory. However, now global convergence of GPC has not been established for algorithms in computing a least squares iteration. A generalized model of adaptive generalized predictive control is presented. The global convergebce is also given on the basis of estimating the parameters of GPC by least squares algorithm.