反插值问题的幂激励前向神经网络求解

针对数值法求解反插值问题时存在的正解精度受初值选取影响、计算速度慢等问题,采用幂激励前向神经网络来求解反插值问题.仿真结果表明,幂激励前向神经网络能够有效地解决一一映射反插值问题,而对于非一一映射,却不具备准确反插值的能力.为此,文中提出了一种增加时序控制条件的幂激励前向神经网络,即时序幂激励前向神经网络模型.理论推导和仿真实验结果表明,该时序幂激励神经网络能够更好地解决一一映射及非一一映射反插值问题.     

基于神经网络的迟滞非线性逆模型

为了补偿迟滞特性对系统的不良影响,提高迟滞非线性系统的控制精度,建立了神经网络迟滞非线性逆模型.由于神经网络不能够直接逼近迟滞逆这种具有记忆性的多映射现象,通过引入一个迟滞逆算子,将多映射的迟滞逆转换成一一映射,然后运用神经网络来逼近这个一一映射从而建立一个基于神经网络的迟滞逆模型.该模型的主要优点是结构简单、精度高,可以在线调整神经网络的权值以适应不同工作条件下的迟滞逆辨识.最后,运用该方法对压电执行器中的迟滞非线性建立了逆模型.     

连分式插值结合卷积神经网络的超分辨率重建

基于卷积神经网络的图像超分辨率重建算法是数字图像处理领域近年来的研究热点。针对低分辨率图像在预处理时使用双三次插值导致图像丢失一些重要的高频纹理细节以及网络模型优化问题,文章提出了连分式插值结合卷积神经网络的超分辨率重建方法。在原有的轻量级基于卷积神经网络的超分辨率重建算法(super-resolution convolutional neural net work, SRCNN)网络模型基础上,首先采用Newton-Thiele型连分式插值函数将低分辨率图像插值到目标尺寸;然后利用3个卷积层进行图像特征提取、非线性映射、重建与优化;该文在网络收敛时利用Radam优化算法自适应地调整梯度,并且采用余弦衰减法逐渐降低学习率。实验结果表明,该网络模型能够在轻量级的卷积神经网络下获得更丰富的纹理细节和更清晰的图像边缘。     

改进的神经网络观测器在非线性系统中的应用

为降低非线性观测器对模型精度的依赖性, 提出一种非传统的神经网络观测器设计方法。该神经网络为三层前馈网络, 采用带修正项的误差反传算法进行训练, 以保证控制的精度和权值有界, 利用神经网络识别系统的非线性部分, 并结合传统的龙伯格观测器重构系统状态; 利用Lyapunov 直接法保证基于权值误差的非观测器的稳定性, 并将该观测器应用于机器人轨迹跟踪控制中。仿真结果表明, 该方法解决了模型不确定系统状态观测问题, 适用于模型精度较低的非线性系统。     

小样本下基于卷积神经网络的费用估算研究

在当前的费用估算模型较依赖数学模型、无法根据样本大幅度调整模型参数的现状下,针对导弹特征属性和研制费用公开样本稀少以及不同型号的导弹样本对待预测样本的参考意义不同的问题,提出了小样本下基于卷积神经网络的导弹研制费用估算模型.为解决小样本和样本贡献值问题,结合双三次插值算法和反距离加权插值算法对导弹原始样本集进行插值.采用导弹研制费用卷积神经网络估算模型对插值样本进行学习,得到导弹研制费用估算结果.通过与线性回归、神经网络、支持向量机、WPCA&WSVR几种模型的对比实验,验证该模型在整体估算效果上优于其他模型.     

基于径向基神经网络的有限元模型修正研究

模型修正属于反问题的一种,针对其非线性、计算量大等不足之处,提出一种基于径向基神经网络的有限元模型修正方法,并把反问题归结为正问题进行研究。该方法将特征量作为自变量输入、设计参数作为因变量输出,用试验设计构造样本,以径向基神经网络逼近两者之间的非线性映射关系,利用神经网络的泛化特性直接输出设计参数的修正值。某空间钢结构模型的计算结果验证了该方法的有效性。     

基于余弦函数的神经网络硬件实现

研究了正交余弦基函数神经网络模型和学习算法, 给出了仿真实例, 并提出了余弦函数基神经网络模型电路实现方案.仿真结果表明,该网络学习收敛速度快,可任意逼近非线性映射等优异性能. 此外,网络结构简单,便于电路实现, 一个余弦波振荡源经倍频即可实现隐层神经元电路.     

一种用于非线性逼近的新型模糊神经网络

针对一般非线性映射的逼近问题，提出用分域逼近的通用算法来实现全局逼近，并据此构造了实现该算法的新型模糊模糊神经网络。通过仿真，将新型模糊神经网络和常用的BP和RBF两种神经网络进行比较。结果表明，该新型模糊神经网络的非线性逼近能力明显优于后两者，且权值具有明显的几何意义，设计难度相对较小，可用于解决复杂非线性函数的逼近问题。     

基于非参数回归的遗传神经网络集成股市预测研究

利用遗传算法改进神经网络集成个体的连接结构和初始连接权值,利用主成分分析法提高集成个体差异度,形成一组优良的神经网络集成个体,利用非参数回归生成集成结论,求出非线性时序函数的全局最优解,随即建立新型的基于非参数回归的遗传神经网络集成股市预测模型.仿真结果表明,该模型预测精度高,可操作性强,具有一定实用性.     

基于神经网络的模型验证方法

通过对传统模型验证方法在应用中所存在问题的详细分析,提出一种基于神经网络的模型验证方法.该方法利用神经网络强大的非线性映射能力,通过对各种模型关键行为特性的学习,将实际系统行为归类为其中的一种模型,从而对模型的可信性做出评估.首先利用仿真模型的输入输出作为训练集充分训练神经网络,再使用实际系统参数作用于训练好的神经网络,通过神经网络的输出值(概率向量)确定模型与实际系统的匹配程度.最后的图像目标识别模型验证数值仿真实例,说明了该方法的可行性和有效性.基于神经网络的模型验证方法能够很好地验证模型对复杂不确定系统的建模准确程度.     

基于扩展神经网络的网格资源调度优化算法

针对具有时间约束和若干资源约束的网格资源调度问题,提出了一种基于扩展神经网络的求解新方法GRSENN。资源调度问题首先被分解为一系列多维背包问题并提出相应的数学模型,然后通过把问题的各种约束表示为Hopfield神经网络的能量函数项,进而导出神经网络模型。实验仿真结果表明该方法的有效性,并可避免通常神经网络所具有的容易陷入局部极小点的缺陷。     

神经网络知识获取及推理技术在番茄专家系统中的应用

针对传统专家系统知识获取的瓶颈性问题，提出了基于神经网络和传统知识获取与表示相结合的方法。传统的推理方式存在推理效率低和冲突消解问题，提出了由神经网络推理和逻辑推理所组成的混和推理系统。利用神经网络的自学习、自组织、自适应特点，来实现自动知识获取；混和推理既利用了神经网络的并行处理的效率、解决了传统推理存在的冲突消解问题，又克服了神经网络推理结果无法解释等特点，具有较高的准确性和效率性。最后给出了番茄病虫害诊断的应用实例。     

基于模拟退火算法的Hopfield神经网络参数优化

为解决Hopfield神经网络应用过程中参数设置的问题,在研究Hopfield神经网络的工作原理的基础上,分析了神经网络模型在求解TSP(Traveling Salesman Problem)问题过程中参数的选取,通过对输出数据进行归一化处理建立网络的评价函数,然后引入模拟退火算法对参数进行最优化选取。实验结果表明,经过参数优化过的Hopfield神经网络模型能更有效,更快速地得到TSP问题的最优解。     

基于Simulink的BP神经网络实现研究

BP神经网络是人工神经网络中的一个典型代表,但利用BP神经网络解决实际问题时,经常涉及到大量的数值计算问题,而运用计算机高级语言编程对BP神经网络模型进行仿真和辅助设计是件十分麻烦的事情,为了解决这个矛盾,Matlab中的Simulink提供了大量的可用于实现BP网络的模块,本文通过应用Simulink中的模块构建了一个BP网络,并通过一实例验证了所构建的BP网络的可行性.从而使应用BP网络来解决许多领域的实际问题变得非常方便和有效.     

神经优化计算模型求解油田开发中的优化问题

阐述了线性优化计算和非线性优化计算的神经网络模型,该模型可以在电路时间常数数量级(几百纳秒)内求解复杂的优化问题,且能克服一般数学理论求解优化问题的缺点。之后对油田开发中使用典型曲线自动拟合产量衰减曲线进行了分析,并讨论了油田开发规划模型的建立与求解,并论证这些优化问题可以由神经优化计算模型来实现。     

模糊神经网络在股票价格预测中的应用

股票的价格受经济、政治、公司经营状况和市场人气等多方面的复杂影响,且各因素自身具有模糊性和混乱性,再加之股票市场是一个非线性的系统,所以急需利用一种较好的方法解决该问题.而模糊神经网络恰能解决上述问题.本文基于模糊神经网络的相关理论建立股票预测模型,并以实例加以验证.     

自组织逼近神经网络模型及其应用

针对动态范围较大的多峰函数逼近问题,提出了一种自组织逼近神经网络模型。仿真实例表明：这种模型对动态范围较大的多峰函数逼近问题较经典的BP模型优越得多,为解决复杂函数逼近问题提供了一条有效的途径。     

前馈神经网络学习新算法及其仿真

目前基于高斯牛顿法及其衍生算法的前馈神经网络虽然可以达到局部二阶收敛速度,但只对小残量或零残量问题有效,对大残量问题则收敛很慢甚至不收敛．为了实时解决神经网络学习过程中可能遇到的小残量问题和大残量问题,引入拟牛顿(QuasiNewton)优化算法,并与LM(Levemberg—Marquardt)法相结合,构建基于LM—QuasiNewton法的前馈神经网络．仿真实例表明,该神经网络较好地解决了残量问题,具有良好的收敛性和稳定性．     

基于GaussNewton-NL2SOL法的前馈神经网络及应用

目前基于高斯牛顿法及其衍生算法的前馈神经网络虽然可以达到局部二阶收敛速度,但只对小残量或零残量问题有效,对大残量问题则收敛很慢甚至不收敛.为了实时解决神经网络学习过程中可能遇到的小残量问题和大残量问题,引入NL2SOL优化算法,并与GaussNewton法相结合,构建基于GaussNewton-NL2SOL法的前馈神经网络.仿真实例表明,该神经网络较好地解决了残量问题,具有良好的收敛性和稳定性.     

线性约束非线性规划的神经网络方法

研究了线性约束的非线性凸规划问题,基于最优性的充要条件,提出了求解它的一个神经网络,该西式能同时求解原问题与对偶问题;利用LaSalle不变原理,证明了该网络是Lyapunov稳定的,并且当目标函数严格单调时,它必不范围渐近收敛于原问题的精确最优解,模拟实验表明,该模型是可行和有效的。