一种新的FART分类器

提出了一类基于贴近度理论的模糊ART神经网络模型，简称为CBFART（Closeness Based Fuzzy ART）模型，将模糊数学中的贴近度（Closeness)和择近原则（Closest Principle)概念与自适应共振理论（ART）相结合，形成了一种新的网络模型。该模型的学习以匹配－委托循环为特点，网络分类遵循择近原则，补码编码、匹配－委托和快速委托－慢性重编码方案相结合，保证了网络学习的收敛性和稳定性，并可以做到一次性学习、提高了学习速度。文中对高维样本进行分类仿真，给出了仿真结果，分析表明该模型具有良好的聚类特性，能够稳定地对高维样本进行分类。     

不确定非线性系统变结构控制器设计

传统的控制方法大多需要知道被控对象的数学模型 ,而许多复杂的实际系统 ,其准确的数学模型往往不易得到 ,或者难以求解。采用自适应滑模变结构控制方法 ,对形如 x(n) =f( x,t) g( x,t) u d( t)的非线性系统进行跟踪控制 ,其中 f( x,t)和 g( x,t)为未知非线性函数 ,且其边界未知 ,d( t)为未知有界扰动 ,为减少对被控制对象信息的依赖性 ,没有利用专家知道 ,也没有利用被控对象的历史运行数据 ,通过利用基函数类神经网络动态逼近函数 f( x,t)和 g( x,t) ,对自适应调整控制系统输入 ,得出基于 RBF网络的滑模变结构自适应控制方案 ,经过理论分析 ,证明了控制方案的稳定性。仿真结果表明了该方案的可行性的实用性     

带有增强和变换因子的三层结构双向联想记忆神经网络

提出了一种带有增强和变换因子的三层结构的双向联想记忆神经网络。介绍了增强和变换因子的巧妙选取方法,此方法可使网络很好地适用于相关度很高的样本。但是网络容量的增加往往伴随着寄生稳态点的增加,为避免这种情况,在网络中引入三层结构,这种新的双向联想记忆神经网络能够确保任意相关的样本达到完美的双向联想记忆。仿真实验证明了该方法的优越性。     

用遗传算法消除改进HNN的寄生点

在Hopfield网络 (HNN)权值训练中采用了传统HNN训练的方法 ,把权值矩阵压缩为一个向量 ,简化了权值训练过程 ,增大了HNN的容量。但在回想阶段HNN产生了大量寄生点 ,相关文献提出了几种寄生点消除的方法 ,但效率低 ,同时会导致样本信息的丢失。利用遗传算法 (GA)进行回想 ,保持了样本信息 ,并利用GA各代多样性 ,大大提高了HNN的效率。通过MATLAB程序仿真证实了这一结论。     

一种基于神经网络的非线性自适应滤波器

提出了基于Ａｄａｌｉｎｅ－ＭＬＰ递归神经网络的非线性自适应滤波器。这种新的滤波器运用了自适应ＩＲ滤波器理论，具有神经网络分布式并行信息处理，较好的容错特性和鲁棒效应等优点，且比传统的滤波器有更好的收敛特性，并可方便地实现非线性滤波。此外，还给出了Ａｄａｌｉｎｅ－ＭＬＰ递归网络在线滤波算法及其在非线性自适应噪声抵消器中的应用。最后进行了计算机仿真。     

模糊逻辑和BP网络在空空导弹攻击区辨识中的应用

用模糊逻辑算法和改进的 Ｂ Ｐ算法对某空空导弹未知攻击区辨识进行了仿真分析。分析结果表明这两种算法效果均佳，但各有其特点，而且互不能替代。前者的收敛较后者快，后者的精度（在有限样本下）较前者高。用传统的最小二乘法对未知攻击区的辨识分析是难以达到的。