多层前馈二阶神经网络模型

本文首先建立多层前馈二阶神经网络模型，继而给出该模型的二阶Ｂ－Ｐ学习算法，在此基础上构造了二阶快速Ｂ－Ｐ（即ＦＢ－Ｐ）和改进的二阶ＦＢ－Ｐ（即ＭＦＢ－Ｐ）学习算法，在计算机上以两类飞机图像目标识别为例，对本文提出的多层前馈二阶神经网络模型及其三种二阶学习算法的性能进行仿真实验，并与传统的多层前馈一阶神经网络及其相应学习算法的性能作比较，从而获得若干有意义的结果。     

自组织特征映射神经网络权值的实现

本文根据自组织特征映射神经网络学习算法，提出了其权值的ＣＭＯＳ实现电路。该电路结构简单，动态范围宽，易于集成实现。学习速度可达５０万次每秒。用ＣＭＯＳ１．２μ工艺实现电路的ＰＳＰＩＣＥ５．０仿真，表明该电路具有较好的工作性能。     

BP神经网络算法的改进

本文分析了ＢＰ算法所面临的问题，给出了一种改进算法，说明了它们的原理和应用环境，将它们与传统的ＢＰ算法作了比较，并通过一实例验证：应用改进算法可以大幅度地提高ＢＰ神经网络的学习速度，这对ＢＰ神经网络的应用有较大实际意义。     

基于算法与模型参数优选的智能DISOPE方法

本文给出了ＤＩＳＯＰＥ算法收敛速度指标的定义，提出了基于算法与模型参数优选的智能ＤＩＳＯＰＥ方法，有效地改善了ＤＩＳＯＰＥ方法的收敛性能和实用性。仿真表明了该方法的可靠性和有效性。     

改进的遗传和BP杂交算法及神经网络经济预警系统设计

分析了设计神经网络经济预警系统的一些关键问题,并提出了一种改进的遗传算法,在此基础上,介绍了一种基于这种改进遗传算法和ＢＰ算法的杂交算法神经网络经济预警系统     

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     

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。     

虚拟场景中自然景物的真实感与实时性的研究

从真实感与实时性两个方面着手，深入研究了虚拟场景中云彩、树木等自然景物的建模及其生成算法。提出了一种基于迭代函数系统ＩＦＳ与颜色溶合的云彩模型及实时生成算法。还采用分枝与高度抽象外形的方法，对树木构造了模型，并提出了实时生成算法。目前，上述两种模型及其算法已采用ＶＣ＋＋语言与ＯｐｅｎＧＬ库函数编程，在Ｉｎｔｅｌ３００微机平台上得以实现，其实时性和真实感效果均较好。     

基于模糊推理的自适应BP算法

ＢＰ网络是迄今为止应用最广泛的一种神经网络，但这种算法也存在着收敛速度慢、容易陷入局部极小点等问题．本文在标准ＢＰ算法的基础上提出一种改进ＢＰ算法，称之为自适应ＢＰ算法．这种自适应ＢＰ算法采用模糊规则动态调整学习参数，并且能在学习过程中和学习完成后通过隐节点调整算法优化网络结构，有比标准ＢＰ算法更好的收敛性和更好的泛化能力     

粮食产后设施宏观优化配备的目标规划模型及其MPGP算法

粮食产后设施宏观优化配备的目标规划模型及其ＭＰＧＰ算法郭林松，何泳生，冯祖安（浙江农业大学，杭州３１００２９）ＧｏａｌＰｒｏｇｒａｍｍｉｎｇＭｏｄｅｌｏｆＯｐｔｉｍｉｚｅｄＭａｃｒｏ－ａｌｌｏｃａｔｉｏｎｆｏｒＦａｃｉｌｉｔｉｅｓｉｎＧｒａｉｎＰｏｓ...     

前向神经网络学习速率的自适应算法

学习速率是控制神经网络学习过程的一个重要参数,影响神经网络的稳定性和快速性。提出了一种能够满足实时性要求的神经网络学习速率的自适应算法,并证明了在该学习速率下,神经网络的学习过程是Lyapunov意义稳定的。该方法通过为神经网络的输出增加一个输出修正量来补偿多个未知因素对学习误差的影响,从而构造使学习误差快速收敛到零的学习速率自适应算法。通过对神经网络在线逼近一个非线性对象的过程进行仿真,结果证明了该方法的有效性。     

遗传算法与神经网络的结合

阐明了遗传算法和神经网络结合的必要性和可行性，提出用多层前馈神经网络作为遗传搜索的问题表示方式的思想。用遗传算法和神经网络结合的方法求解了短期地震预报问题，设计了用遗传算法训练神经网络权重的新方法，实验结果显示了遗传算法快速学习网络权重的能力，并且能够摆脱局部极点的困扰     

异联想记忆Hopfield神经网络的模型、算法及性能

对联想记忆神经网络(neuralnetworks NN)的特性进行了分析,基于双向联想存储器BAM原理,对自联想记忆HopfieldNN模型进行了扩展,建造了适合于求解模式识别问题的异联想记忆HopfieldNN模型结构.并针对HopfieldNN记忆容量不足的缺陷,对常规的学习算法进行了改进,建立了基于投影原理的伪逆学习算法和广义逆学习算法,提高了HopfieldNN对样本的记忆存储能力.分析表明:本文的研究解决了HopfieldNN应用于异联想记忆模式识别的关键问题.     

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.     

基于混合型专家系统的目标综合识别模型

鉴于目标识别在防空信息处理中的重要性 ,在对目标信息进行综合利用的基础上 ,利用人工智能原理 ,研究把专家系统、神经网络和证据推理相结合用于目标识别 ,建立了目标综合识别的专家系统模型 ,模拟专家识别思维。给出了知识库的构造方法及推理机制。该模型通过人工神经网络 ,实现了知识的并行处理和自动获取 ,具有自学习功能 ;再学习机制可对系统进行及时调整 ,增加或修改知识库的知识 ,具有很好的人机界面和实用性 ,对目标的综合应用识别具有很好的借鉴作用。     

一种神经网络学习控制的仿真研究

提出了一神经网络学习控制器，两个递归神经网分别用于对象模型辨识和学习控制，在对象模型具有非线性时变或未知情况下，本控制方法能准确地跟踪期望的轨迹，对所提出的方法进行了仿真研究，给出了仿真结果     

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。     

船舶航向的神经网络并行鲁棒模型参考控制

针对大型船舶的航向控制特性,提出一种神经网络并行自学习鲁棒模型参考控制方法。这种复合控制结构利用神经网络的学习能力和非线性映射能力,解决传统自适应控制中模型的在线辨识和控制器的在线设计问题,以达到对不确定非线性船舶的高精度输出跟踪控制;通过引入运行监控器,克服神经网络控制方法实时性差的问题;利用一个鲁棒反馈控制器,来保证神经网络模型学习初期闭环系统的稳定性。仿真结果表明这一方法对设定航向具有精确的跟踪控制效果。     

一种新的神经网络重新学习算法

训练样本的获取是神经网络应用中的一个"瓶颈"问题。当发现新的训练样本模式时,现有方法就要重新构造新的神经网络、重新训练,学习时间长而且影响原有记忆。为解决此问题,提出了一种新方法,其基本思想是在原有网络的基础上,增加新的局部神经网络,新网络与原有网络没有链接关系,只包含新的样本模式,而且神经网络重新学习时,只调整局部神经网络。     

基于多主分量神经网络的同步DS-CDMA伪码盲估计

针对批处理方法在实现非等功率同步直接序列码分多址(direct sequence code division multiple access, DS-CDMA)信号伪码序列盲估计时存在的复杂度高、收敛速度慢的问题,引入了3种多主分量神经网络(Sanger NN、LEAP NN和APEX NN)。首先将已分段的一周期DS-CDMA信号作为神经网络的输入信号,用神经网络各权值向量的符号函数代表DS-CDMA信号各用户的伪码序列,然后通过不断输入信号来反复训练权值向量直至收敛,最终DS-CDMA信号各用户的伪码序列就可以通过各权值向量的符号函数重建出来。此外,本文提出了一种在递归最小二乘(recursive least square, RLS)意义下的最优变步长收敛模型,极大地提高了网络的收敛速度。理论分析与仿真实验表明:将3种神经网络用于同步非等功率DS CDMA信号伪码盲估计时的复杂度均明〖JP2〗显降低,且LEAP NN与Sanger NN均可有效地实现-20 dB信噪比、10个用户下的同步非等功率DS-CDMA〖JP〗伪码盲估计,APEX NN则相对较差,此外,LEAP NN消耗内存较大、收敛速度快,APEX NN相反,Sanger NN则介于两者之间。