一种可修正激励函数的BP算法

以往的ＢＰ算法调节神经元网络的权值，其网络的隐层结点数、网络学习快慢程度及网络的泛化能力都与网络的激励函数有关的。为此，本文提出了一种带可以修正激励函数的ＢＰ算法，其特点是它能更好地模拟人脑神经元的特性。通过仿真验证此方法是非常有效的。     

使用三层神经元网络的先验信息新学习方法

提出一种使用三层神经元网络的先验信息的新学习方法. 通常, 当神经元网络被用于函数逼近时, 没有考虑权之间的关系而独立地学习, 这样, 学习的结果往往不理想. 其原因是在学习中权是相互影响的. 为了克服这一问题, 首先, 给出了一些有关权的先验信息, 然后基于此提出部分权学习和其余权由精确数学方程计算的新学习方法. 这方法在权的学习中几乎保持精确数学结构. 另外, 使用不等式先验信息的学习方法也被提出了. 无论使用不等式还是等式先验信息的学习, 因网络权的自由度被限制而加快了学习速度并保证误差较小. 数值仿真的结果支持提出方法.     

基于BP神经网络与小波的控制研究

本文利用ＢＰ神经网络对被控对象进行在线辨识以及利用ＢＰ神经网络与小波对被控对象进行控制，通过某电厂过热器汽温为对象仿真验证此方法比一般ＢＰ神经网络效果好     

一种具有全局最优的神经网络BP算法

建立了描述上半周加热、下半周绝热不均匀热流边界条件下的水平管内受迫层流与自然对流叠加的混合对流换热的数学模型。该模型考虑了管壁导热和流体的变物性，研究了不同流体（水和乙二醇水溶液）、不同热流方向对对流换热的影响。同时也进行了上半周加热、下半周绝热边界条件下的水平管内混合对流换热的实验研究。理论和实验研究的结果都表明了，重力场对水平管内流体层流对流换热的影响，为在地面重力场中进行模拟太空微重力环境中的空间辐射器的传热实验研究提供了必要的理论和实验依据。