Hermite正交基前向神经网络的权值直接确定法

根据多项式插值与逼近理论,提出了一种基于Hermite正交基的前向神经网络模型．该神经网络采用3层前向结构,以一组Hermite正交多项式作为隐层神经元的激励函数,而输入输出层神经元则采用线性激励函数．依据误差回传（BP）算法给出了权值修正的迭代公式．区别于以往反复迭代训练而达到最优权值的标准做法,针对该Hermite正交基前向神经网络模型,进一步提出了一种基于伪逆的直接计算权值的方法（即一步确定）．该权值直接确定法避免了以往的权值反复迭代的冗长训练过程,仿真结果显示其具有比传统的BP迭代法更快的计算速度和工作精度．     

傅立叶神经网络建模研究

基于函数逼近论，将一组傅立叶基函数作为三层前向神经网络各隐含神经元的输出特性，以其加权和作为网络的非线性输出，构成一种新型的傅立叶神经网络；从理论上解决了单输入神经网络隐含层数及隐含神经元个数难以确定的问题。仿真实验表明，该网络具有优良的逼近任意非线性特性的能力。     

基于小波神经网络的非线性函数的逼近

给出了一种基于BP神经网络的自适应小波神经网络的模型 .该模型根据逼近函数的特性 ,选择不同的小波函数作为网络隐层 ,输出层是一个线性神经元输出 ,网络参数通过自适应调整得到 .实验结果表明 ,这种网络不但可以精确的逼近一般的非线性函数 ,也能实现对混沌时间序列的精确学习 ,而且网络的收敛速率比BP网络更快 .     

小波神经网络的改进及应用

提出一种带有动态补偿的双隐层小波神经网络,其中过程神经元隐层完成对输入信息过程模式提取和对时间的聚合运算,小波函数代替非时变一般神经元隐层函数,用于提高网络对系统输入输出之间复杂关系的映射能力,动态补偿用于提高建模精度.将其应用于管道泄漏故障的检测,收到良好的效果.     

Lagrange三角形单位分解有限元法的最优误差分析

用构造最优局部逼近空间的方法对Lagrange型三角形单位分解有限元法进行了最优误差分析.单位分解取Lagrange三角形元上的线性基函数,构造了一个特殊的局部多项式逼近空间,给出了具有2阶再生性的Lagrange三角形单位分解有限元插值格式,从而得到了高于局部逼近阶的最优插值误差.     

模糊反向传播神经网络的函数逼近能力研究

研究了模糊反向传播神经网络的函数逼近能力.研究结果给出了单调连续函数的FBP按序单调特性、连续映射定理以及非函数一致逼近定理,并且说明了FBP虽然能保持连续性映射,但不如原神经网络具有函数逼近能力.     

BP人工神经网络与遗传算法在型材挤压模具参数优化中的应用

基于MATLAB平台,将BP人工神经网络与遗传算法应用于型材挤压模具参数优化设计.首先利用BP神经网络来训练已有实验值,然后将训练后的神经网络作为知识源,通过曲线拟合与逼近求得设计变量与目标函数值的函数关系表达式,最后将这一函数表达式作为遗传算法的适应度函数进行遗传迭代寻找最优解.采用曲线拟合方法将其知识源转化成为了具体的函数表达式,直观地体现了神经网络的知识源,为后继的遗传算法提供了明确的适应度函数.数值模拟分析表明,对挤压模具结构的优化是合理的.     

求解max-min模糊关系方程的一种数值方法

借助max-min神经网络的学习过程,为max-min模糊关系方程的求解提供一种新的数值方法。运用光滑函数逼近max-min网络的输入/输出关系,并用其导数代替max-min函数的导数;基于梯度下降法,构造出训练max-min神经网络的学习算法,为max-min模糊关系方程提供一种新的数值求解方法。数值实验验证了算法的有效性。     

神经网络的函数逼近性分析

结合国内外最新研究成果，详细论述了人工神经网络及模糊神经网络对函数的逼近能力，从而为神经网络函数逼近性在智能化控制方面的应用提供了理论依据。     

基于神经网络的一类非线性系统自适应滑模控制

对一类非线性系统进行简化处理后,结合神经网络逼近方法、自适应滑模控制提出一种新的自适应控制方法.所设计的控制器分为两部分,一部分是等效控制器,另一部分是滑模控制器.滑模控制器用来减小系统的跟踪误差,起鲁棒控制作用.文中用神经网络逼近非线性函数,并将网络权值误差引入到神经网络权值的自适应律中用以改善系统的动态性能.最后给出的仿真算例证明所设计的控制器是十分有效的.     

一种基于神经网络模型的非线性自适应控制系统参数辨识算法

应用神经网络BP算法建立了系统参数模型,以被控对象的控制量和系统输出作为神经网络模型的输入,经过神经网络的隐层和输出层的前向计算以及误差的反向传播采不断修整模型的权值,将非线性系统时变参数的变化规律转化为神经网络参数模型,反映了参数随状态而变的规律;再结合文献[5]已知模型下PID控制参数的计算,推导出一种更具有应用性的系统参数辨识算法.通过在计算机上对非线性系统仿真,结果表明了这种的系统参数辨识算法有效性.     

基于动态逆模糊神经网络的准滑模控制

针对不确定非线性系统,提出了基于动态逆模糊神经网络的准滑模控制,控制量可直接由一个模糊神经网络的前向推理得到.仿真表明了方法的有效性.     

双正交周期插值小波函数的实值对称性

首先给出了Box样条函数、正交周期小波函数以及双正交周期插值小波函数的定义,通过这些定义及相应的命题公式等,给出了所要得到的双正交周期插值小波函数的实值对称性质.     

前馈神经网络结构新型剪枝算法研究

研究神经网络的结构优化,提出采用基于贡献值与输出连接的权重来修剪节点,节点是直接剪枝而不是消除存有内在联系的节点;该方法认为神经元贡献值低于阈值,那么此神经元就是毫无意义的,同时将该算法应用于非线性函数逼近,实验结果表明,在不牺牲网络性能的情况下,采用新型剪枝算法来修剪神经网络节点是非常有意义的,所提出的算法也是非常有效的。     

一类未知非线性系统中有限域最优跟踪控制的迭代DHP算法

针对一类未知非线性离散时间系统,提出了一种无模型时域有限差分最优跟踪控制方案.在有限时域最优控制理论的框架下,将跟踪控制问题转化为误差动态调节器,引入迭代自适应动态规划(ADP)算法,通过双启发式动态规划(DHP)技术,分别用三个神经网络逼近误差动力学、成本函数和控制率,结合成本函数和控制率的收敛性分析,得到有限时域最优控制器.通过仿真实例验证了跟踪控制方案的有效性.     

应用自组织模糊神经网络估计卫星姿态系统执行机构故障

自组织模糊神经网络可以根据系统状态在线更新权值和调整节点,优化网络结构. 文中针对某卫星姿态控制系统提出了基于两个自组织模糊神经网络的执行机构故障诊断方法. 网络SOFNN1用于健康系统的离线训练,估计出系统的不确定项和扰动项,网络输出结果作为故障检测的阈值参考. 网络SOFNN2在网络SOFNN1的基础上估计执行器故障. 仿真表明,在噪声干扰和系统参数不确定的情况下,在线自组织模糊神经网络结构的方法能很好地估计系统执行机构故障,比固定结构的模糊神经网络估计速度快,因此更具优越性.     

基于优化BP神经网络的高准确度软件缺陷预测应用研究

针对软件缺陷测试任务中的准确度问题,提出一种基于优化BP神经网路的软件缺陷预测方法 .该方法首先采用4层BP神经网络构建多层感知模型,并结合模糊控制原理实现任意复杂非线性关系逼近.然后通过灰狼优化算法克服BP神经网络的局部搜索陷入,从而解决其参数设置依赖性问题.实验结果表明,相比于PSO-BP算法和SA-BP算法,该算法的仿真拟合效果最优,表现出了更高的软件缺陷预测准确度.     

未知目标函数之一阶数值微分公式验证与实践

根据多项式插值理论，对于未知的目标函数，在离散采样点获取其对应的函数值后，即可构造Lagrange插值多项式以近似求得该未知函数的逼近表达式．进而，对Lagrange插值多项式求一阶导数可得到该未知目标函数的多点一阶微分近似公式；即：等间距情况下的2～16个数据点的后向差分公式．计算机数值实验进一步验证与表明：该用于未知目标函数一阶数值微分的多点公式可以取得较高的计算精度．     

基于组合赋权及TOPSIS的隐写分析算法综合评估

分析了隐写分析技术在不同背景下的应用需求,提出了一种基于组合赋权及逼近理想解排序法(technique for order preference by similarity to ideal solution,TOPSIS)的隐写分析算法性能评估方法.该方法包含检测率、虚警率、可靠性、检测误差及算法运行速度等5个指标,先用熵权法确定指标权重,再根据层次分析法进行主观赋权,最后用TOPSIS实现对隐写分析算法的综合评估.实验结果表明,该方法可针对不同的性能指标要求选出最优的隐写分析算法,且对隐写分析算法性能的改进具有指导意义.     

小波神经网络逼近非线性函数算法

介绍用于函数近似的一种新型神经网络——小波神经网络,该小波神经网络采用的函数是sigmoid函数的组合.文中从理论上阐明了小波神经网络对某些时频有限的非线性函数的逼近能力,并实际建立了一个前馈小波神经网络,同时讨论了如何选择小波母函数及如何减少该神经网络规模的算法.实验结果表明这种小波神经网络可以在较小规模的基础上实现对这类非线性函数的逼近.