一类过程控制对象的神经网络建模及仿真

针对一类典型过程控制系统中存在的非线性和参数不确定问题，提出了神经网络的建模方法。辨识结构采用串并联形式，并分别使用改进BP算法和浮点式遗传算法进行了网络的训练。仿真结果表明遗传算法的全局搜索能力及高效率对神经网络的权值优化具有相当明显的效果，它不仅学习速度快而且稳定性好，可以作为一种良好的优化方法运用到神经网络建模和控制当中。     

动态过程神经网络模型的研究(一)

综述了用于动态过程建模的几种典型的神经网络结构以及它们所具有的性能 ,并通过分析比较得出了网络结构与网络性能之间的关系。文中引入动态系统的状态空间描述方法 ,对动态过程神经网络建模具有指导意义.     

多分辨正交多小波网络的结构与算法研究

小波网络是函数逼近的有力工具。利用多小波函数和多尺度函数的互补性,构造了一种具有分层、多分辨和局部学习特点的正交多小波神经网络。分析了该网络用于函数逼近时的性质,讨论了其结构并在此基础上给出了调整网络权系数的算法。理论分析和GHM多小波网络及db2单小波网络对几种非线性函数的仿真结果都表明,当函数具有一定的光滑性时,正交多小波神经网络的逼近性能优于正交单小波神经网络。     

不确定多时滞系统动态自适应神经网络控制

针对一类具有不确定多时滞的非线性系统,提出一种由时滞补偿器和动态结构自适应神经网络所构成的控制器.通过设计时滞补偿器中的参数自适应调节规律来消除多时滞对控制输入的影响,再引入动态自适应神经网络,利用其隐层神经元个数可以随着逼近误差的增大而在线增加的特点,获得满意的逼近精度,提高控制性能.最后,对时滞混沌系统进行仿真,表明该方法的有效性.     

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     

基于先验知识和神经网络的非线性建模与预测控制

神经网络模型是模拟非线性系统的有力工具，它的缺陷是难以利用已有的先验知识。利用通用学习网络的建模方法，提出了一种利用先验知识和神经网络建立非线性系统模型的方法，具有简化神经网络结构、减小计算量的优点。基于这种模型利用改进的遗传算法进行优化计算，从而实现了基于先验知识和神经网络的非线性建模和预测控制。对一个悬吊系统的仿真实验说明了该算法的有效性。     

基于结构的神经网络在系统建模中的应用

针对复杂非线性系统的建模问题，提出一种基于结构的神经网络建模方法。将一个复杂系统转化为若干个较简单的子系统，分别用函数链神经元建立各子系统的模型，然后根据子系统间的相互作用关系连接成一个完整的网络，即基于结构的神经网络。分析了网络的性能，探讨了在复杂系统建模中的应用。对Y2－Hc10型先导式溢流阀的仿真表明了该方法是可行和有效的。     

递归神经网络在堆石坝地震响应分析中的应用

针对堆石坝系统的地震响应分析问题，提出了一种递归神经网络建模方法。该神经网络模型包含内部状态神经元的反馈并具有状态空间形式。借助于该网络模型的逼近能力和动态信息存储能力，从观测的结构动态系统输入输出数据中重构原系统的输入输出特性，并对新的输入信号做出相应的预测和响应。分别对理想的有限元响应数据和实测的响应数据进行了仿真。结果表明，所提出的神经网络方法较好地学习了这两组结构系统的动态特性，并显示出较好的预测效果。     

一种非线性自适应逆噪声控制器设计及其仿真

基于模糊神经网络算法研究了非线性系统的噪声消除问题,设计了一类非线性自适应逆噪声消除控制器。该文利用模糊神经网络融合算法所具有的对任意函数的精确逼近性,对非线性系统进行建模和逆建模,从而为非线性自适应逆噪声控制器的有效性提供了保障。最后将所设计的控制器用于仿真实例,研究表明该噪声控制器能有效地消除非线性被控对象的噪声污染。说明了该方法的可行性和有效性。     

模糊粗糙神经网络的结构与参数优化

基于模糊粗糙隶属函数,建立了一种五层结构的模糊粗糙神经网络（fuzzy rough neural network, FRNN）,对神经元之间的连接,引入一个开关函数,从而把结构优化和参数学习问题转化为单纯的函数优化问题。提出一种混合智能优化算法（hybrid intelligent optimization algorithm, HIOA）用于FRNN的结构和参数优化,适应度函数同时考虑模型的精确性和网络的节俭性。典型的实验结果表明,FRNN适用非线性系统建模,相对于普通神经网络及其优化方法能获得更高的精度和泛化能力。     

大规模神经网络的混合结构和立体表示系统—HYBNOTATION

在文献［２４］中，我们提出了一个通用自适应神经网络框架ＧＡＦ，它具有许多优越性。但是，在利用神经网络模型构造具有特定功能的神经网络时，采用什么样的组织结构是很重要的。它决定着系统的代价和性能比。本文首先讨论了神经网络的自顶向下、自底向上和交互式三种基本结构及其局限性。然后提出了大规模神经网络的一个混合立体表示系统。接着通过两个实例，神经系统的反射弧和躯体感觉系统的定义，来说明上述混合立体表示系统对于神经网络微观及宏观结构描述的优越性以及如何用它来定义大规模神经网络的混合立体结构。     

Optimally Connected Hybrid Complex Networks with Windmill Graphs Backbone

The significance of the existing analysis methods in complex networks and easy access to the ever-increasing volume of information present the emergence of proposing new methods in various fields based on complex system ideas. However, these systems are usually faced with various random failures and intelligent attacks. Due to the nature of the components' behaviors, the occurrence of the failures and faults in their operations and the alteration of their topologies are the most important problems. Since the complex systems are usually used as the infrastructures of other networks, their robustness against failures and the adoption of suitable precautions are necessary. Moreover, the smallworld effect in most complex systems is one of the crucial structural features. The authors found that the relation between these two is not well-known and may even be in conflict in some networks. The main goal in this paper is to achieve an optimal topology by utilizing a robustness-oriented multiobjective trade-off optimization model(edge rewiring) to establish a peaceful relationship between the two requirements. By offering a proposed rewiring method with the small-world effect, which is called core-periphery Windmill property, the authors demonstrated that the generated networks are able to exhibit appropriate robustness even during intelligent attacks. The results obtained in terms of Windmill graphs are presented very good approximations to demonstrate the small-world effect. These graphs are used as the initial core in the construction of the optimized networks' topologies.     

径向基概率神经网络的混合结构优化算法

使用递归正交最小二乘算法(ROLSA)优选径向基概率神经网络(RBPNN)的隐中心矢量，微遗传算法(μGA)用于求解RBPNN最优核函数控制参数，并同ROLSA相结合(ROLS-μGA)来优化RBPNN的全结构(优选最优控制参数及隐中心矢量)。实验结果表明，ROLS-μGA具有很好的优化效率，而且优化后的RBPNN的推广性能也没有下降。实验还验证了ROLS-μGA对径向基函数网络(RBFNN)也有很好的适用性。     

一种新的小波网络快速学习混合策略

针对传统的小波网络梯度学习算法易于陷入局部极值、收敛速度慢且对初始参数很敏感的缺点,将全局性能优越的差异进化(DE)算法和最小二乘算法(LS)有机的结合起来,提出了一种新的快速学习混合策略。该混合学习算法思想是将待训练参数分为非线性和线性两类,利用差异进化算法对小波网络非参数进行全局优化训练,而最小二乘法用于快速训练网络连接权值。非线性函数逼近实验表明,小波网络逼近性能要远优于传统的BP神经网络,相对于使用随机梯度学习算法的小波网络,提出的混合学习算法收敛速度更快,且具有更小的均方差。     

一种多神经网络混合模型的学习算法研究

针对混合智能模型的多神经网络结构特征，提出一种模型参数的在线辨识算法。该算法在起始阶段利用混沌优化算法寻找初始点，随后采用BFS法完成参数寻优过程。对处于扰动状态下的预分馏塔的仿真结果表明，该算法可以有效地解决一类多神经网络模型的在线参数辩识问题。     

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。     

一种基于空间相关性的稠密无线传感器网络混和MAC协议

在消除传感器节点监测数据之间存在的空间冗余性的同时,尝试通过融合TDMA和CSMA两种模式来提高系统性能。提出的HS-Sift协议将感知区域划分为三个子区域,每个区域采取不同的信道接入方式。在HS-Sift协议下,感知区域边界的节点将主要处于休眠状态,靠近事件地的节点采用调度的方式发送数据以提高信道利用率,而中间部分的节点将采用竞争模式接入信道。模拟实验表明该协议能有效地降低能量耗费以及传输延时。     

基于混合索引结构的传感器网络查询系统仿真

检索场域内节点q的k个最近邻节点感知信息是无线传感器数据库系统时空查询方法的重要一环。结合索引结构和非索引结构的最近邻节点查询框架,提出了基于混合索引结构的传感器网络最近邻查询系统模型及算法,采纳贪婪路由协议中的非索引结构的位置路由算法将用户需求转发到节点q,q分析用户查询需求,结合k计算查询区域半径,同时基于改进的索引结构查询体系得到用户需求信息。为拓展算法在动态拓扑网络结构的移动无线传感器网络上的应用,探讨了一种改进的最近邻查询方法。通过大量实验仿真,证实所提混合索引结构方法充分吸收了索引结构和非索引结构等体系的优点,在减少系统能耗和提升网络服务质量等方面均有所改进。     

基于二阶段随机规划的制造/再制造集成物流网络优化设计

基于二阶段随机规划方法提出了一种制造／再制造集成物流网络优化设计模型，据此确定网络中各种设施的数量、位王及物流量分配，以使运营周期内的净收益最大。谊模型的特点是：考虑了制造／再制造混合系统中产品需求量和可回收废旧产品数量的不确定性；考虑了正向物流和逆向物流的设施集成与运输整合以及回收中心的处理技术配备问题。最后，通过一个算例验证了谊模型的有效性。     

Universality of Competitive Networks in Complex Networks

The paper proposes a model which helps to investigate the competitive aspect of real networks in quantitative terms. Through theoretical analysis and numerical simulations, it shows that the competitive model has the universality for a weighted network. The relation between parameters in the weighted network and the competitiveness in the competitive network is obtained by theoretical analysis. Based on the expression of the degree distribution of the competitive network, the strength and degree distributions of the weighted network can be calculated. The analytical solution reveals that the degree distribution of the weighted network is correlated with the increment and initial value of edge weights, which is verified by numerical simulations. Moreover, the evolving pattern of a clustering coefficient along with network parameters such as the size of a network, an updating coefficient, an initial weight and the competitiveness are obtained by further simulations.