分布式神经网络推理原理

本文给出了一种复合神经元，简称ＣＩＮＮ。它由兴奋性神经元和抑制性神经元组合而成，具有３种状态、４种输入端和两种输出端。利用该神经元可以形成分布式神经推理系统。这种神经推理系统能够实现１６种类型关联推理规则，而普通神经推理系统仅能实现３种关联推理规则。     

基于自适应混合变异进化策略的神经模糊系统及应用研究

针对现存神经模糊系统中存在的问题,提出了基于自适应混合变异进化策略的神经模糊系统采用改进的最近邻域聚类算法对输入空间进行模糊聚类,确定模糊规则数以及模糊规则前件,这样做精简了模糊规则,不会因输入变量的增加而造成"维数灾难”;采用自适应混合进化策略确定模糊规则的后件,明显提高了算法的收敛速度和精度.将本文提出的基于自适应进化策略的神经模糊系统用于某炼油厂航煤干点的软测量建模,结果表明,该系统具有结构简单、建模精度高、泛化能力强等优点.     

多品种库存系统StokPN建模与仿真分析

基于经典Petri网进行了集合标识及其属性扩展;结构元素、算法及函数语义扩展;结构与执行规则扩展;从而定义了集合标识Petri网（StokPN）.以一个约600种产品的单节点库存系统案例进行了StokPN在多品种库存系统中的应用研究.采用AutoMod离散仿真软件实现StokPN的动态分析.通过对采用实际所有品种、采用品种分类简化和采用分类简化的历史数据随机分布拟合三种对比方案,验证了StokPN对多品种库存系统的建模描述能力及其正确性、可信性,证明了实际应用价值.     

复杂网络中基于近视最优反应的合作行为

通过引入社会个体的行为一致性需求,在博弈个体的近视最优反应学习规则下探讨复杂网络中基于囚徒困境博弈的合作行为.分析表明,当个体邻居集合中的合作者多于背叛者,且合作成本与行为一致性需求的比率足够小时,规则网络上的合作行为能在个体的近视最优反应规则下得以演化,但存在导致群体演化为全面背叛均衡的临界比率条件.基于方格网和规则小世界网络的仿真实验验证了理论分析的结果,并发现小世界特性对合作行为的促进作用.用异质小世界网络的仿真实验表明,群体演化为全面背叛均衡的临界比率条件随小世界参数的增大而减小,合作水平随合作成本与行为一致性需求比率的减小而逐渐增大.     

时变时滞统一混沌系统的脉冲同步控制

对参数不确定时变时滞统一混沌系统的脉冲同步控制问题进行了理论分析,利用脉冲控制方法、 李雅普诺夫稳定理论和矩阵不等式技术,给出了在驱动系统和响应系统的时滞不相同时, 其脉冲一致渐近同步的充分条件,并由此设计了一个与时滞和初值有关的脉冲控制器. 最后,通过数值示例仿真对所得结果进行了验证.     

基于双射软集合决策系统的参数约减

介绍了双射软集合的基本概念,并提出了基于双射软集合决策系统的参数约减算法(BSSR),同时还考虑了论域中元素带权重的算法(W-BSSR),并与粗糙集方法进行比较,结果表明BSSR与粗糙集方法的结果相同.而W-BSSR则能够处理论域中元素权重不同的参数约减问题.     

基于竞争失效模型的金属化膜脉冲电容器产品可靠性研究

在确定产品性能退化量分布模型的基础上,给出了突发型与退化型失效的竞争失效的一般模型,该模型考虑了突发失效率与退化量的相关性.通过分析金属化膜脉冲电容器的退化失效机理,利用该竞争失效模型,对金属化膜脉冲电容器进行了可靠性分析,确定了该型电容器的可靠度函数.     

基于最优选择对象不变的软集合参数约简

在比较分析了粗糙集属性约简和软集合参数约简的基础上,提出了软集合中基于最优选择对象不变的参数约简方法.分别对软集合中只存在一个最优选择对象和存在多个具有相同选择值的最优选择对象的情况作了分析,给出了两种情况下软集合参数约简的具体算法和算例,并对相关结论进行了证明.通过软集合的参数约简,不仅能够有效地简化决策过程,在存在数据缺失的情况下,还能尽可能地利用有效信息资源.     

面向个性化推荐的强关联规则挖掘

提出了适用于个性化推荐的强关联规则的概念,并给出一种基于矩阵的强关联规则挖掘算法.强关联规则集合能够以较少数量的规则表示全部有效关联信息,便于管理和应用.给出的强关联规则挖掘算法只需对交易数据库进行一次扫描,在挖掘过程中不断删除非频繁项使矩阵规模逐渐减小,并且避免了对冗余规则的挖掘, 从而提高了挖掘效率.通过对三组数据的实验表明:强关联规则集合包括的规则数量平均仅为规则总数的26.2{\%},有效解决了规则数量过多的问题.     

Spiking neural P systems with anti-spikes and without annihilating priority as number acceptors

Spiking neural P systems with anti-spikes （ASN P systems） are variant forms of spiking neural P systems, which are inspired by inhibitory impulses/spikes or inhibitory synapses. The typical feature of ASN P systems is when a neuron contains both spikes and anti-spikes, spikes and anti-spikes wil immediately annihilate each other in a maximal way. In this paper, a restricted variant of ASN P systems, cal ed ASN P systems without anni-hilating priority, is considered, where the annihilating rule is used as the standard rule, i.e., it is not obligatory to use in the neuron associated with both spikes and anti-spikes. If the annihilating rule is used in a neuron, the annihilation wil consume one time unit. As a result, such systems using two categories of spiking rules （identified by （a, a） and （a,a^-）） can achieve Turing completeness as number accepting devices.     

根据粗糙集理论进行BP网络设计的研究

提出了一种根据粗糙集理论进行ＢＰ网络设计的方法,它结合了粗糙集理论的强大的定性分析能力和ＢＰ网络的准确的逼近能力,得到一种可理解性好、计算简单、收敛速度快的神经网络模型．这种神经网络的学习算法的要点是：应用粗糙集的理论和方法,从给定学习样本数据中发现一组规则,并根据这些规则去建立网络模型中相应的隐层节点;然后用ＢＰ算法迭代求出网络的参数,从而完成网络的设计.     

基于尖峰神经元的条件反射模型及其认知行为的研究

一种具有经典条件反射行为的认知模型（CMSPK），该模型以尖锋神经元为基本元素，互联形成具有反射弧结构的神经网络，能充分表现经典条件反射对时间的依赖性。基于有衰减项的Hebb规则设计了反映“刺激-响应-强化”特征的强化学习算法，使CMSPK具有经典条件反射行为和认知行为。应用CMSPK模型成功地模拟了习得、刺激间隔效应、遗忘、阻止和二阶条件反射等现象。     

基于灰色关联分析的分层模糊神经网络

为解决“模糊规则爆炸”问题,提出一种基于模糊神经网络从试验样本抽取模糊规则的方法。首先,根据灰色关联分析的结果,将输入变量进行两两组合建立分层模糊子系统。其次对每个模糊子系统设计分层参数、结构优化算法。在权值学习过程中,模糊进化规划与分层方法相结合,网络的各层权值独立优化,并且各层权值优化问题简化为二次型问题,降低了权值优化过程中的计算复杂性。最终能够实现整个模糊神经网络的分层优化,各层神经元单独训练且训练结果互不影响。与常规的前向进化神经网络方法相比较,该方法通过对神经元的部分解群体的进化,缩短了个体的编码长度,显著地减少了计算量。同时这种方法不但能够很大程度上简化适应值的计算,更重要的是能够降低适应值空间的复杂性,从而能够加速进化算法收敛到全局最优点。     

基于一种新型动态神经网络的非线性自适应逆控制

根据生物神经元的机能,提出了一种具有动态激励函数的新型神经元模型,由此构成的神经网络(DAFNN)应用在非线性自适应逆控制中时只需要确定隐层神经元个数,从而克服了用NARX回归神经网络时需确定输入和输出延时阶数及隐层神经元个数等多个参数的不足。通过对单输入单输出(SISO)及多输入多输出(MIMO)非线性系统的自适应逆控制仿真研究,证实了DAFNN是一种很好的非线性系统建模和控制工具。     

基于SCFNN的网络控制系统远程控制器设计

提出将自组织模糊神经网络(SCFNN)应用于网络控制系统(NCS)中的远程控制器的设计。SCFNN的学习过程包托结构学习和参教学习两个阶段。结构学习的目的是对输入空间进行合理的模糊划分并动态地生成一组模糊逻辑控制规则，而参数学习是通过有监督梯度下降法来调整隶属度函数的参数以及模糊规则中结论部分的权值。最初的SCFNN只有输入节点和输出节点，而经过在线学习后逐步生成隶属度函数节点和规则节点。对基于Profibus-DP网络的网络控制系统进行测试，并与采用修正Ziegler-Niehols法设计的控制器的控制效果进行比较，结果表明基于SCFNN思想设计的远程控制器在网络控制系统中能够获得满意的控制效果。     

多变量系统模糊动态模型的辨识

介绍了一种新型的基于模糊神经网络的多变量模糊动态模型的辨识方法 ,该方法是通过将输入空间进行直接划分 ,而不是在输入空间的每一维上进行划分来得到模糊规则的。这样所形成的隶属函数为多维隶属函数 ,并使模糊规则的数目大为减少。在模糊聚类算法的基础上 ,提出了一个衡量聚类有效性的函数 ,以确定模糊规则的数目。以二级倒立摆系统为应用背景 ,取得了较好的辨识效果。     

关于前馈神经网络的激活函数与认知能力

讨论了目前前馈神经网络研究中存在的一些问题 ,给出了前馈神经网络的一种数学框架。在这种框架下 ,提出了网络神经元激活函数的选取原则 ,给出了前馈神经网络认知能力的概念 ,证明了静态前馈神经网络的认知能力是有限的。指出了网络的认知能力与激活函数、隐层神经元个数的选取都有关 ,并提出了隐层神经元个数的选取原则。最后 ,给出了前馈神经网络泛化能力的概念 ,指出前馈网络的泛化能力是有条件的。     

Five-Category Evaluation of Commercial Bank's Loan by the Integration of Rough Sets and Neural Network

This article proposes a hybrid intelligent system that predicts five-category risk grades by feeding past financial performance data into rough set approach and neural network. The attributes are reduced with no information loss through rough set approach, and then this reduced information is used to develop classification rules and train Elman neural network. For the experiment, the financial data of 896 firms are selected to predict risk grades. The effectiveness of our methodology is experimentally verified by comparing traditional logistic model with our hybrid approach.