基于模糊神经网络的气动参数拟合

鉴于模糊神经网络可以充当万能逼近器，以任意精度逼近任何非线性函数，本文用模糊神经网络对气动参数进行高精度拟合。在飞行器轨迹计算中用拟合得到的计算公式计算气动参数，可大大节省计算机时和存贮单元，提高计算精度，仿真实验亦表明了这一方法的有效性和可行性，这在飞行器的轨迹计算中是值得采用和推广的方法。     

一种基于径向基函数网络的盲波束形成方法研究

针对阵列信号处理的特点 ,提出了一种基于径向基函数网络 (RBFNN)的盲波束形成方法。该方法把高阶累积量可消除高斯噪声干扰这一特性和神经网络可并行计算的结构优势有机地结合起来 ,利用高阶累积量估计阵列的导向矢量 ,引入径向基函数网络逼近波束形成的权矢量 ,实现盲波束形成。理论分析和仿真实验表明 ,提出的算法能有效地提高运行速度 ,对系统误差也具有很强的鲁棒性。     

基于小波神经网络的图像重建算法研究

针对传统的图像重构算法的不足,提出一种基于小波神经网络的图像重建快速学习算法。运用小波神经网络对图像重构进行了仿真研究。实验表明,对于不同的误差模型,小波神经网络采用不同的基函数可以很好地对非线性系统进行逼近,收敛速度快,近似精度高,而且网络规模比较小,计算量少。对计算机视觉和图像处理具有良好的应用价值。     

基于分段线性逼近网络的直接自适应控制

对一类单输入单输出系统的控制问题进行了研究 ,设计了对这类系统的直接自适应控制方案。控制方案的一部分是采用分段线性逼近神经网络逼近给定的非线性系统 ,利用已经发生的实际数据对网络的权值进行训练 ;另一部分是结合神经网络的一步预测输出和系统的参考输出 ,通过梯度优化器计算得到系统的控制输入。数值仿真结果表明 ,控制效果比较理想     

数值积分的神经网络算法研究

提出一种求解数值积分的新方法,其基本思想是训练傅立叶基神经网络来逼近被积函数以实现定积分的数值计算.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,为学习率的选取提供依据.本算法计算精度较高,对被积函数要求较低,适应性强,并可以计算振荡函数的积分.数值积分算例验证了本算法的有效性,因此在工程实际中有较大的应用价值.     

基于神经网络的Lyapunov指数谱的计算

利用 BP神经网络的非线性函数逼近能力 ,由实验观察数据列计算系统的 Lyapunov指数谱 .实例计算表明 ,此种方法精度较高且计算量较小 ,有重要的实际意义.     

基于组合策略的Lyapunov指数谱的计算

分析了基于BP神经网络模型的Lyapunov指数谱计算法存在的不足,提出了一种新的基于组合策略的混沌时间序列Lyapunov指数谱计算方法.由于该方法能够同时逼近给定目标函数的非线性部分与线性部分,因而具有更高的计算精度.最后将新方法应用于Henon映射Lyapunov指数谱的计算中.通过分析与比较,表明该方法具有更高的计算精度及更强的实用性.     

基于BP神经网络PID参数自整定的研究

PID控制是迄今为止在过程控制中应用最为广泛的控制方法。但在实际应用中，其参数整定仍未得到较好的解决。本文把神经网络技术应用在PID控制中，充分利用神经网络具有非线性函数逼近能力，构造神经网络PID自整定控制器，并通过仿真试验，取得较好的结果。     

基于Chebyshev基函数模糊神经网络的快速辨识方法

神经网络的非线性逼近能力的研究是神经网络成为辨识模型的理论基础。首先研究了基于正交多项式函数的神经网络逼近理论和方法,并在此基础上证明了新型Chebyshev神经网络具有良好的非线性并研究了它的全局最优逼近性质。然后提出了一种用于复杂非线性系统辨识的基于Chebyshev基函数的模糊神经网络模型和学习算法。该模型以Chebyshev基函数为隶属函数,规则后件采用输入变量的线性函数,无需调整隶属函数的参数,只是采用BP学习算法学习后件参数,因而大大减少了模型算法的计算量,学习算法简单,加快了学习收敛速度,而且不使网络结构复杂,设计简单。仿真结果表明所提模型和方法的有效性。     

基于小波神经网络的大型多辊热连轧机产品质量模型

依据小波的非线性逼近能力和神经网络的自学习特性，提出一种适合高维输入的小波神经网络建模方法。这种小波网络结构类似多层感知器，不同的是隐层神经元的激励函数为小波函数，分别对3种小波函数进行试验，利用多种优化算法训练神经网络，经比较，选择B－样条函数为激励函数，利用L－M算法较为理想，成功解决了32维输入的大型多辊热连轧机钢板材质量建模问题，经过8600组实测数据拟合和检验，测试结果表明，拟合命中率达82．3％，测试命中率达80．5％，表明了该方法的有效性。     

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.     

面向回采工作面的人工神经网络模型

应用人工神经网络方法，以30个工作面的实际资料为样本，建立了面向回采工作面的人工神经网络模型，用来选择工作面的回采工艺方式，预测其单产和工效。     

Research on Chaotic Time Series Prediction Based on K-entropy and RBF Neural Networks

In this paper, a method of direct multi-step prediction of chaotic time series is proposed, which is based on Kolmogorov entropy and radial basis functions neural networks. This is done first by reconstructing a phase space using chaotic time series, then using K-entropy as a quantitative parameter to obtain the maximum predictability time of chaotic time series, finally the predicted chaotic time series data can be acquired by using RBFNN. The application considered is Lorenz system. Simulation results for direct multi-step prediction method are compared with recurrence multi-step prediction method. The results indicate that the direct multi-step prediction is more accurate and rapid than the recurrence multi-step prediction within the maximum predictability time of chaotic time series. So, it is convenient to forecast and control with real time using the method of direct multi-step prediction.     

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     

基于神经网络的飞行器测高方案研究

介绍了基于统计学飞行器测高方案的特点 ,指出其存在的不足。提出了基于神经网络方法的新思路 ,与传统的方案进行了对比及可行性分析论证 ,并给出了具体的计算方法。最后对某一弹道集合进行了数值仿真。采用神经网络模型训练 ,训练结果通过弹道检验表明 ,此方案较原基于统计学飞行器测高方案具有一定的优越性 ,可用于飞行器测高系统     

Modelling of the Relaxation Least Squares-Based Neural Networks and Its Application

A relaxation least squares-based learning algorithm for neural networks is proposed. Not only does it have a fast convergence rate, but it involves less computation quantity. Therefore, it is suitable to deal with the case when a network has a large scale but the number of training data is very limited. It has been used in converting furnace process modelling, and impressive result has been obtained.     

基于神经网络和散射中心模型的目标参数提取

从雷达回波中获取目标几何参数信息往往存在高计算成本、非线性等困难。该文基于卷积神经网络和前馈神经网络, 提出了一种依据散射中心时频像特征的目标类型自动识别和目标几何参数自动提取方法。由于构建一个神经网络需要大量的训练数据样本, 而扩展目标的散射场计算又非常耗时, 利用基于已知目标已建立的散射中心模型, 快速生成大样本训练数据, 有效解决了训练样本难以获得的问题。以弹头类目标为例给出了数值实验结果, 证实了所提方法的有效性。     

生物神经网络仿真中数据表达和并行处理

生物神经网络可以处理信息和产生特定的电特性，理解其信息产生和传递机理，对生物学将具有重要的意义。由于神经网络内部复杂的非线性反馈，进行各种可能的实验十分困难。为此，将信息学与生物学相结合，数学模型与实验数据相结合，建立了神经网络计算机仿真系统。在该仿真系统中，提出了面向对象的数据表达，并实现了并行处理，从而极大地提高了仿真系统的效率。该仿真系统已在许多国家科研和教学机构得到广泛使用。     

集中式粗粒度分布并行模型和并行进化神经网络

提出了一种分布计算环境下并行进化神经网络的实现机制：集中式粗粒度模型。该模型基于并行遗传算法，可以同时对前馈神经网络的结构和权值进行优化。在分布计算环境中的实现为其在分布式网络中的应用开辟了广阔的前景。初步的实验结果表明该模型可以加快神经网络的进化速度，提高进化的效率