基于广义ЧебыЩев多项式的新型神经网络算法

提出了一种基于广义ЧебыЩев多项式的新型神经网络学习算法.对于给定的样本点,采用三次样条插值方法求得ЧебыЩев结点处的函数值,并将ЧебыЩев结点和对应的函数值作为新的训练样本.利用ЧебыЩев多项式的正交性,每个权函数可以表示为广义ЧебыЩев多项式,它是最佳平方逼近多项式.与样条权函数神经网络算法相比,该算法最后表达式更简单,有利于泛化,而且每个权函数所需要存储的信息量更少.另外,提出的新算法不存在梯度下降类算法的局部极小、收敛速度慢的问题.最后,为了说明该算法的有效性,给出了一个实例,仿真实验说明通过提取广义ЧебыЩев多项式的权函数,可以理解所训练的问题的内在关系,训练后的网络具有很好的泛化能力和很高的精度.     

样条权函数神经网络的一种新型算法

针对前馈神经网络在数值插值领域的应用场合,提出了一种新型结构的神经网络及其训练算法。网络拓扑结构简单,网络训练所需的神经元个数与样本个数无关,可以简单地表示成输入、输出样本向量维数之积。算法只需训练1层权函数。训练后的权函数由三次样条函数构成,而不是传统方法(反向误差传播算法“BP”或径向基函数算法“RBF”)的常数。通过求解两组线性方程组,就可以确定具体三次样条权函数形式。不存在传统梯度下降类算法的局部极小、收敛速度慢、初值敏感性等问题。仿真实验说明此算法比传统算法(如BP、RBF)精度高、速度快。     

基于分布式并行计算的神经网络算法

为了提高计算性能（速度与可扩展性），提出了一种新颖的神经网络的并行计算体系结构和计算网络权函数的训练算法。权函数是广义Chebyshev多项式和线性函数的复合函数，只需要通过代数计算就可以求得，不需要梯度下降计算或者矩阵计算。各个权函数能够独立求解，可以通过并行系统采用并行算法计算。算法可以求得全局最优点，得到反映网络误差的一个有用的表达式。此外,算法在不超过权函数总数的范围内，还具有维持加速比与并行系统中提供的处理器的数量成线性增长的能力。仿真实验结果表明，本文算法的计算性能远远优于传统算法。     

多输入模糊神经网络及其应用

为了提高神经网络的训练速度和泛化能力 ,同时解决一般模糊神经网络由于输入增多而导致模糊规则膨胀的问题 ,提出了多输入模糊神经网络的结构和算法。此算法用取大取小运算部分代替网络的积和运算 ,同时提出一种获取重要规则的方法。最后将多输入模糊神经网络应用于建筑投标报价系统。仿真结果表明 ,本网络具有较快的训练速度和较高的泛化能力。     

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。     

跨越连接BP算法及其在卷烟制丝工艺中的应用

传统BP神经网络算法及其改进算法都是非完全全连接神经网络算法,具有收敛速度慢,泛化能力差等不足.通过对神经网络连接方式的转化,可以得到一种完全全连接神经网络--跨越连接神经网络,并给出了跨越连接BP神经网络算法.针对卷烟制丝工艺的仿真实验表明,该算法具备描述复杂数据的能力,与传统BP算法相比,网络训练收敛速度快且泛化能力强.     

改进的模糊神经网络应用于投标报价

针对模糊神经网络规则膨胀导致的网络训练速度慢和泛化能力弱的缺陷,提出了一种改进的基于T-S模型的模糊神经网络的结构和算法。网络结构包括前件和后件网络二部分,本文在后件网络中增加了一个隐含层以提高计算能力,在前件网络中运用了有效模糊规则选取的方法以提高收敛速度。最后将提出的网络结构应用于建筑工程的投标报价中,仿真结果证明:该网络能达到更高的误差精度、更快的训练速度和更好的泛化能力。     

基于结构自适应模糊神经网络的前列腺癌诊断方法

前列腺癌是近年来严重危害男性健康的疾病.利用模糊神经网络方法可以实现前列腺癌诊断,并将诊断模型表示为模糊规则集合.针对模糊神经网络所提取规则解释性差的问题,提出结构自适应模糊神经网络方法,通过改进损失函数,在训练中控制相似隶属度函数的合并,实现模糊神经网络模型结构自适应调整,减少模糊规则数量,在保证诊断准确性情况下,提取出容易理解的可解释性规则.同时该方法在模型的训练过程中引入粒子群优化(PSO)算法进行结构和参数学习,有效减少计算量,提高训练效率.最后,使用临床医学科学数据中心提供的前列腺疾病检查数据进行数值实验,验证了所提出方法在前列腺癌诊断和可解释性规则提取中的有效性.     

基于免疫算法的自组织神经网络在效能评估中的应用

针对自组织神经网络自身的局限,将免疫克隆选择算法的克隆和变异机制引入SOM的学习算法中,提出一种免疫自组织神经网络模型,并建立了模型的学习算法。该学习算法用免疫克隆选择算法的克隆算子和变异算子改进自组织神经网络中的邻域大小和权值调整规则,使每个神经元的权值学习率和邻域大小随神经元的亲和力发生变化,从而克服了自组织神经网络分类效果受样本输入次序影响的弱点,且在很大概率上保证网络收敛到全局最优解。性能仿真结果说明该学习算法比自组织神经网络学习算法具有更好的分类准确性和泛化性能。将该模型应用雷达电子战装备的作战效能评估中,结果表明免疫自组织神经网络模型比自组织神经网络模型分类更合理。     

信息不完全确定的PROMETHEE方法及应用

提出一种信息不完全确定的PROMETHEE方法,该方法根据偏好指数和优序关系,利用决策者对训练集的排序和准则权系数的不完全确定信息等构建非线性规划模型,然后将非线性规划模型转换成线性规划模型,求解线性规划,得到训练集中方案在各准则值的偏好函数值和准则权系数,通过线性插值或样条插值得到决策方案在各准则值的偏好函数值,进而得到方案集中每一方案的偏好指数,按优序关系进行排序,得到方案集的一个部分或整体排序,最后实例说明该方法的有效性和可行性。     

广义最大并行流算法的改进

研究了Karakostas G给出的求解最大并行流问题的一个近似算法,将其算法的参数进行了改进,给出了算法的时间复杂性不依赖于物资数k的广义最大并行流的全多项式时间近似算法,该算法只适用于广义的lossy网络.用改进后算法求出的目标函数值更接近于最优值,对该近似算法的近似性和算法的时间复杂性进行了证明.最后,用C语言编程,计算数值例子,通过对比充分验证了改进后算法的正确性和有效性.     

基于数值积分的离散过程神经网络算法及应用

为解决离散过程神经网络的训练问题,提出了两种基于数值积分的离散过程神经网络训练算法.分别采用三次样条积分和抛物插值积分直接处理离散样本和权值的时域聚合运算,采用梯度下降法实现网络参数的调整.以漫湾水电站的月径流数据预报为例,实验结果表明,两种算法性能接近,均优于基于正交基展开的过程神经网络.     

广义线性系统的鲁棒状态反馈特征结构配置

针对具有参数摄动广义线性系统的鲁棒状态反馈特征结构配置问题 ,提出了一种优化算法。该算法的设计目标是使闭环特征值和特征向量所满足的方程组关于参数摄动误差为最小。根据广义线性系统状态反馈特征结构配置结果 ,给出了优化指标的完全参数表示。该算法简单、有效 ,且可以给出鲁棒性较强的控制系统。数值例子表明了算法的有效性     

基于改进基函数的自适应动态模糊神经网络算法研究

在D-FNN算法基础上,提出了基于椭圆基函数(EBF)的广义动态模糊神经网络.该算法提出模糊ε-完备性作为高斯函数宽度的确定准则,避免初始化选择的随机性;同时,该算法不仅能对模糊规则而且能对输入变量的重要性作出评价,从而使得每个输入变量和模糊规则都可以根据误差减少率(ERR)来修正.其应用不仅可以用来建模,还可以用来抽取有意义的模糊规则以获取知识.通过与D-FNN以及其他方法的比较,可以看到GD-FNN在学习效率和性能方面具有突出的优势.最后针对实际案例进行了仿真分析,验证了该算法的有效性和高效性.     

基于样条逼近的评价方法研究

样条逼近是从结构（空间或时间）性数据集合中提取特征的有效方法，本文提出基于样条逼近的评价方法，并进行评价方法应用研究，首先给出可变结点的样条逼近中数据集合点结点位置的选取准则，是使逼近的误差最小；给出数据集合点位置的选取方法及算法。对于上述分划的子区间，使用主成分分析方法对每个子区间进行评价，得到相应子区间的评价值，由于每个子区间的指标数不同，对子区间的评价值进行修正以体现这种差别；之后利用上述修正的子区间的评价值计算综合评价值。最后给出了应用结果。     

基于粒子群优化算法的无人战斗机路径规划方法

对于无人机的路径规划问题,从和机器人路径规划问题的差别入手,通过粒子群优化算法对有限数目的采样航点的优化,使用高次B样条曲线拟合出满足路径最短且威胁最小的无人战斗机的飞行路径。研究了路径规划约束的数学模型、粒子构造方式和粒子的评价适应度函数。通过仿真对目前出现的基于粒子群优化算法的无人机路径的多项式拟合方法和所提出的基于B样条拟合的方法进行了比较。仿真结果表明,使用粒子群算法优化出来的B样条曲线比多项式拟合法和几何方法更加合理有效。     

样条神经网络的权值直接确定法

根据样条逼近理论和神经网络原理构造了一种样条神经网络模型,以一组样条基函数作为隐神经元的激励函数。依据误差回传（BP）思想推导出该网络模型的权值修正迭代公式,利用该公式迭代训练可得到该网络的最优权值。而对于构造的具有特定网络结构的样条神经网络,依据伪逆思想提出了一种直接计算权值的方法,从而避免冗长的迭代训练过程。仿真结果表明该权值直接确定法不仅能一步确定权值从而获得更快的运算速度,而且能达到更高的计算精度。     

基于Kalman／UKF组合训练神经网络的初始对准方法

针对基于Unscented卡尔曼滤波(UKF)的神经网络训练学习方法存在的计算量大,实时性差的问题,提出了一种基于Kalman/UKF组合滤波原理的神经网络学习方法,该方法综合了Kalman滤波对线性系统和UKF对非线性系统的最优估计的优势,在保证神经网络权值估计精度的同时,有效降低了神经网络权值学习的计算量,提高了神经网络训练的实时性。最后将该利用方法训练的神经网络应用于惯性导航系统的非线性初始对准过程中,并进行了仿真研究。仿真结果表明利用提出的算法训练的神经网络与基于UKF训练的神经网络具有相同的对准精度和实时性,而提出的算法的有效降低了神经网络训练的计算量,提高了训练的运行效率,是解决惯性导航系统初始对准的一种有效和实用的方法。     

基于UKF的自组织模糊神经网络训练算法

如何生成最优的模糊规则数及模糊规则的自动生成和修剪是模糊神经网络训练算法研究的重点,针对这一问题,提出了基于无迹卡尔曼滤波（unscented Kalman filter, UKF）的自组织模糊神经网络的训练算法。分析了模糊神经网络的非线性动力系统表示,并用递推最小二乘法（recursive least square, RLS）和UKF分别学习线性和非线性的参数,给出了模糊规则生成的准则和参数更新的策略;然后,用误差下降率方法作为模糊规则修剪的策略,删除作用不大的规则。通过典型的函数逼近和系统辨识实例,表明所提算法得到的模糊神经网络的结构更为紧凑,泛化性能更佳。     

基于多值编码的混合遗传算法的小波神经网络优化

采用多值编码方式构造染色体结构，对小波神经网络的结构和参数进行编码，可以同时确定小波神经网络结构和优化网络参数，简化了问题的求解过程。在遗传算法中嵌入一个梯度下降算子，使得混合算法既有较快的收敛性，又能以较大概率得到全局极值。仿真表明，利用该算法训练小波神经网络，能使网络具有简单的结构形式，较快的收敛速度，较高的逼近精度和较强的泛化能力。