一种改进的Jacobi正交多项式的BP神经网络算法

 根据多项式理论,构造一种以Jacobi正交多项式作为隐层神经元激励函数的BP(back-propagation)神经网络模型.针对该网络,提出一种改进算法即隐层神经元数可快速确定的权值直接确定算法.首先介绍正交基函数和Jacobi多项式的定义,以及BP神经网络的基本原理.然后进行网络隐层数设计及其隐神经元数的确定,且设置各层连接权值、给出改进算法的步骤.最后,将其与传统矩阵迭代法和Levenberg-Marquardt训练算法进行比较.计算机实验结果表明,该算法具有比传统的BP迭代法更快的计算速度,并且能够达到更高的工作精度.     

Lagrange插指与Newton插指的注记

文章对Lagrange插指多项式进行了改进,得到了改进的Lagrange插指多项式和重心型Lagrange插指多项式。重心型Lagrange插指多项式具有计算量小、数值计算稳定性好和增加新的插指节点不需重新计算原有插指节点基函数的优点。同时该文还讨论了Lagrange插指多项式与Newton插指多项式的相互转化,给出了与Newton插指多项式与Lagrange插指多项式相互转化的算法。     

基于量子粒子群算法的BP网络板形模式识别研究

针对目前板形模式识别方法存在的问题,以及考虑到现代轧机板形控制手段的多样化和板形控制能力的提高,为了提高板形模式识别模型的精度,本文以1次、2次、3次和4次勒让德正交多项式为板形基本模式,建立了基于量子粒子群-BP算法混合优化神经网络的新型板形模式识别模型。仿真实验表明,该模型抗干扰能力强、识别精度高、速度快,可以为板形控制策略的制定提供可靠依据。     

一种基于小波消噪技术的平直度模式识别方法

为了提高平直度模式识别的精度,引入小波消噪技术对平直度信号进行预处理,然后采用以1次、2次、3次和4次勒让德多项式作为平直度基本模式的基于最小二乘原理的多项式回归方法进行模式识别,提出了一种计算精度高、抗干扰能力强的平直度模式识别方法。该方法能够从本质上提高平直度模式识别的精度,计算过程稳定可靠,能够为平直度控制模型提供准确的平直度信息,适合在线应用。     

二元多项式最大公因式的矩阵求法

在二元多项式矩阵中引入初等行变换的概念,利用分式域和本原多项式的概念讨论了二元多项式最大公因式的求解方法,给出了利用矩阵初等变换求解多个二元多项式最大公因式的一般方法.     

矩阵方程AXB-CXD=R的多项式解法

将利用线性变化,构造一多项式,从而将矩阵方程AXB-CXD=R转化为一容易求解的方程,并给出了矩阵方程AXB-CXD=R有唯一解时的显示表达式X=-(Ck+1)-1Sk(R)E-1或X=F-1Sk(R)(Bk+1)-1,所得到的结果推广了有关文献的相关结论.     

关于整系数多项式无有理根的一个判别法的注记

对整系数多项式无有理根的一个判别法一文中的条件进行分类讨论,得到几类不可约多项式的判别法,较好地推广了Eisenstein判别法.     

基于组合模型的建筑物沉降预测

以上海某建筑物沉降观测数据[1]为依据,构建一种新的组合预测模型,并对沉降数据进行预测,将预测结果与前人单项模型预测结果进行对比,结果表明组合预测模型预测结果要明显优于单项模型。     

完全四部图的Seidel多项式及其谱

设G是一个简单无向图,A(G)是图G的(0,1)邻接矩阵.定义S(G)=J-I-2A(G)是图G的Seidel矩阵,SG(λ)=det(λI-S(G))是图G的Seidel特征多项式(本文中简记为Seidel多项式),其中I是单位矩阵,J是全1矩阵.如果SG(λ)的特征值都是整数,则图G被称为是S-整图.本文主要研究完全四部图G=Kn1,n2,n3,n4的Seidel多项式及SG(λ)的特征根,给出了完全四部图Kn1,n2,n3,n4是S-整图的充要条件.     

关于切比雪夫型方程组的研究

研究了2类二维切比雪夫型方程组的全体复数解,得到了2类二维切比雪夫型方程组的全体复数解的个数定理、解结构定理、解的相关性质及其求解的一般步骤.