模糊神经网络理论及其应用

本书是《机器感知与人工智能》丛书的第59卷。模糊神经网络和神经模糊系统具有较长的发展历史，最初是1975年由Ed Lee发表的关于模糊神经的论文提出的。神经模型系统可以被看作为神经计算与模糊逻辑的协同合作。它从神经计算继承了与学习及近似相关的概念和技术。从模糊逻辑继承了成粒作用、语言变量、模糊蕴含规则、推理规则及约束传播。本书系统地综述近年来模糊神经网络领域中的研究成果，全面介绍了理论及其对系统建模和图像恢复方面的应用，提出了模糊神经网络的发展方向，强调了模糊神经网络的基本概念与总体结构的分析。本书的特殊之处在于研究了各种各样的模糊神经网络和它们的学习算法与通用近似，并且采用了精心设计的模拟实例来帮助读者掌握基础的理论。     

时变最优化信息处理技术及其应用(Ⅱ)——前馈神经网络学习算法

多层前馈神经网络应用成功的关键之一在于寻找一种有效的学习方法。尤其是在线应用,其学习和效率显著极为重要。而且前应用最广泛的ＢＰ算法却存在收敛慢和振荡等缺点。     

前馈神经网络复值盲均衡算法的研究

提出了一种新的前馈神经网络(N-FNN)复值盲均衡算法。新算法改变了传统均衡技术大量发送训练序列而降低系统传输的有效信息率,有效地消除码间干扰,提高了通信质量。笔者设计出新的传递函数和代价函数,利用最陡梯度下降法推导出输出层和隐层单元权值的迭代公式。通过对QAM信号进行计算机仿真,笔者提出的新算法与同类算法相比,具有均方误差收敛速度加快、误码率降低、稳态剩余误差减小等优点     

神经网络在故障诊断中的应用

描述了神经网络的BP算法,探讨了BP神经网络拓扑结构的确定,考察了小波变换和小波分析,论述了故障机理和故障诊断的问题。     

一种新的优化神经网络权值算法及其应用

为克服和改进BP算法的不足,文章在分析遗传算法(GA)和粒子群优化(PSO)算法优越性与不足的基础上,提出了一种基于GA和PSO结合的算法——GA-PSO算法,用于训练神经网络权值.算法产生下一代个体时,不仅采用交叉和变异算子,而且在重新定义局部最优粒子的基础上,引入粒子群优化算法,有效地结合了遗传算法的全局收敛性能和粒子群优化算法的局部搜索能力.通过对异或问题和IRIS模式分类问题的学习,仿真结果明显好于单纯地用GA或PSO进行前向神经网络训练,能有效避免早熟收敛的同时,提高搜索精度.     

时空序列的阶与递归神经网络的学习能力

对时空序列给出了严格的定义并给出了它的一些重要的性质．通过引入阶的概念，得出了单层递归神经网络（Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）与时空序列的匹配定理．并且进一步讨论了递归神经网络对二元时空序列的学习和记忆性能．     

BP算法神经网络技术在激光加工中的应用

激光加工工艺要求在被处理的三维曲面上形成若干个小正方形·针对如何形成正方形加以研究·认为ＢＰ算法的神经网络技术适用于三维曲面的正方形求解·讨论了如何应用ＢＰ算法的神经网络、隐层数、隐层节点数、隐层传递函数类型等问题     

小波理论在模糊神经网络预测中的应用

本在研究运用模糊神经网络进行预测的基础上，提出应用小波理论对时间序列信号进行去噪并根据去噪处理在模糊神经网络预测中作相应处理，提高在实际中模糊神经网络预测的准确性与及时性。     

神经网络剪枝算法在上市公司ST预测中的应用

当神经网络用于上市公司的ST预测建模时,确定合适的网络规模是关键。该文讨论了一类神经网络剪枝算法———权衰减法的工作原理,并给出了其剪枝机理。结合国内上市公司5年的财务数据,给出了上市公司ST(特别处理)预测的神经网络建模方法,并得到了令人满意的预测效果。     

基于复值神经网络的分式规划问题

研究了利用复数神经网络解决带有区间约束条件的复变量非线性分式规划问题,提出的神经网络模型关于问题的可行解具有全局稳定性.对模型平衡点的存在性和稳定性给出了详细推导和证明.最后通过数值例子证实了该模型的可靠性和有效性.     

开关电流神经网络

本文提出了采用开关电流（ＳＩ）电路技术的神经网络实现．开关电流神经网络（ＳＩＮＮ）仅需要标准的数字ＣＭＯＳ工艺，且电源电压要求低     

电流模式神经网络

把电流模式电路引进了神经网络理论，提出了一种用电流模式电路构成的神经网络阈值处理单元，并由此构成了电流模式Ｈｏｐｆｉｅｌｄ神经网络，此网络中信号都是以电流的形式出现的。     

人工神经元网络及神经计算机的教育学

对于设计人工神经元网络(ANN)或神经计算机来说,一个最为重要的方面就是学习。如以什么样的算法进行学习?提供什么样的学习素材?以什么样的方式学习?怎样安排学习过程等等?我们认为这些活动非常类似于人的教育过程,基于这一认识,我们提出了ANN及神经计算机教育学的基本思想和基本方法。     

神经网络与系统识别

一个控制系统或其一部分常被看作从一个特殊空间到另一个特殊空间的非线性映射,因比系统识别就成为研究非线性映的近似逼近。本文用仿射基神经网络和经向基神经网络识别系统中的逼近问题,研究神经网络的理论及神经网络在系统识别中的应用。     

基于agent的神经网络训练模式

利用智能体的思想,设计多个ａｇｅｎｔ进行了多层前馈神经网络的协作训练,它可以克服只用遗传算法训练神经网络时的低效率或只用ＢＰ算法进行神经网络训练时容易陷入局部极小点等的缺限．对比试验结果表明,这种新的训练形式不仅能够提高收敛速度,避免局部最小点,而且可以利用专家知识进行训练优化,提高系统的通用性     

基于神经网的指纹预分类研究

本文提出了一种利用关键点信息而建立的指纹模型，在此基础上设计了适于模型的神经网分类器，最终形成的指纹预分类系统与传统方法相比具有较大的鲁棒性、较高的并行性和较低的预处理要求。     

逻辑电路的神经网络

Ｍ．Ｌ．Ｂｕｓｈｎｅｌｌ教授和作者给出了ＮＯＴ，ＡＮＤ，ＯＲ，ＮＡＮＤ，ＮＯＲ，ＸＯＲ和ＸＮＯＲ门的神经网络。以这些门的神经网络为基础，可构成任何逻辑电路的神经网络。由此，将电路的相容信号转换为平方伪布尔函数的全局极小。从而，拓宽了神经网络在电路模拟和自动故障模型生成中的应用。     

神经网络在控制领域中的应用

本文综述了近年来神经网络在控制领域的应用情况，并讨论了存在的问题和发展趋势。