最优自调节变尺度法的导出

就如何选取自调节变尺度法的调节因子及Ｂｒｏｙｄｅｎ族参数引入了新的度量函数,给出相应的最优调节因子及最优参数,这一对参数为在保证修正矩阵对称正定条件下的整体最优参数,所得的公式为自对偶的     

最优自调节变尺度法的导出

就如何选取自调节变尺度法的调节因子及Broyden族参数引入了新的度量函数,给出相应的最优调节因子及最优参数,这一对参数为在保证修正矩阵对称正定条件下的整体最优参数,所得的公式为自对偶的.     

改进深度卷积神经网络及其在变工况滚动轴承故障诊断中的应用

为了解决目前常用的最大池化丢失大量信息和平均池化模糊重要特征的问题,提出了一种小尺度卷积核以跳动的方式进行降采样的方法。该方法用步长为2、激活函数为Rectified Linear Unit(ReLU)的小尺度卷积层代替传统的池化层,既可以使输出图像的尺寸变成输入的一半,实现降采样的功能,又能让小尺度卷积核在训练中自动调整权重挑选有效的特征。与最大池化相比,该方法可有效地提高神经元激活比例并增加神经元活性值的多样性。综合采用提出的池化方法、深度可分离卷积核和全局平均池化层3个策略改进的深度卷积神经网络,在实验室变转速多滚动轴承数据集上进行测试,结果表明,改进后的网络识别正确率达到98.4%,高于作为对比的其他网络,同时还大幅提高了网络的稳定性,减少了40%以上的训练时间。提出的方法可以为科研技术人员在搭建深度卷积神经网络和变工况滚动轴承故障诊断时提供参考。     

加速混沌变尺度混合优化算法

提出了一种加速混沌变尺优化算法（SCOA－DFP）。首先利用加速混沌算法（SCOA）找到一点比较满意的“初始最优点”。丙以此点为初始值使用变尺度方法（DFP）进行迭代，两种方法交替进行。算法简单明子，性能良好。数值实验表明算法实用有效。     

基于神经网络的汽车空调系统变工况运行仿真研究

文章应用神经网络技术,对汽车空调的变工况运行进行了仿真研究,给出一个基于反向传播（ＢＰ）算法的神经网络结构设计方案并进行学习及分析,结果表明：汽车空调变工况运行可以利用ＢＰ神经网络进行计算机仿真,仿真结果与实验十分吻合。     

重置变结构神经网络的算法

神经网络的结构直接影响到网络性能的优劣，进而影响其推广使用，是目前研究的焦点之一．尝试将重置算法应用于经典BP神经网络的结构优化，研究了重置算法中最佳重置时间的性质，同时提出一种重置变结构经典BP神经网络．     

变结构神经网络自校正控制器的设计与研究

提出了一种变结构神经网络自校正控制器的设计方法,采用变结构神经网络BP优化算法设计控制器来控制实际对象,动态地修改神经网络的权值作为自校正方法,使系统较好地适应负荷和外扰的变化,获得满意了控制质量。     

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．     

基于变尺度混沌优化策略的混合遗传算法及在神经网络中的应用

讨论了遗传算法优化神经网络连接权的优点及存在的局限性.应用变尺度混沌搜索策略,建立了一种新的混合遗传算法——混沌遗传算法.将改进后的遗传算法结合前馈型神经网络应用于储层油气预测,取得了较好的效果.     

用FPGA实现的复合神经网络自学习算法电路

介绍复合神经网络模型及特性，讨论了基于假逆矩阵的自学习算法，研究用现场可编程门电路（ＦＰＧＡ）实现复合神经网络的自学习过程，电路设计成半并行全数字式．实验结果表明其权值学习结果与计算机软件模拟结果一致，而其运算速度是软件模拟无法比拟的     

自适应神经网络及其在刀具智能监控中的应用

讨论了神经网络的拓扑结构的学习和神经元激活函数等问题,提出了自构形神经网络的概念和算法,较好地解决了隐节点数目选取问题.将自适应神经网络用于刀具加工状态智能监控的信号融合之中,取得了满意的结果.     

带有稳定学习算法的小波神经网络及应用

针对当系统存在未建模动态时,神经网络辨识易产生参数漂移和不稳定的问题,采用输入-状态稳定性(ISS,input-to-state stability)分析方法,获得小波神经网络权值矩阵和小波尺度参数的误差反传类时变学习算法,该算法不带有鲁棒修正即可以实现小波神经网络的鲁棒稳定性.仿真例子表明,此稳定学习算法优于一般的误差反传算法,并将带有稳定学习算法的小波神经网络用于污水处理过程出水水质COD(化学需氧量,chemical oxygen demand)的预测,获得了较好的效果.     

BFGS修正算法在前馈神经元网络学习中的应用

介绍了拟牛顿公式中BFGS修正算法和Wolf-Powell不精确线性搜索准则所具有的全局收敛,分析了将该算法应用到前馈神经元网络的训练学习中存在局部最优的原因。     

神经网络专家系统在试井解释中的应用

论述了应用专家系统和人工神经网络自动识别试井解释模型的新方法．首先应用人工智能对试井解释模型的压力导数图进行识别，建立了用专家系统构成模块式识别系统；然后应用人工神经网络实现试井解释模型识别；该系统能根据新的试井资料识别试井解释模型；最后，神经网络和专家系统相结合用于试井解释．油田实际试井数据的识别结果说明该方法是一种非常有效的识别方法，对不完全的，有噪声的试井数据也能有效地识别，识别准确率较其它方法都有较大提高     

具变和分布时滞的神经网络系统的指数稳定性

基于泛函微分方程的稳定性理论,通过构造Lyapunov泛函和利用不等式pa^n-1b≤（p-1）a^p＋b^p（这里p为正整数,a,b为非负实数）,对一类含具变和分布时滞的系统的指数稳定性问题进行探讨,并列举了一个例子验证了定理结论的正确性．     

变时滞Recurrent神经网络同态稳定性

基于线性矩阵不等式,利用Lyapunov泛函的方法,对变时滞Recurrent神经网络同态稳定性进行了研究,给出了不需要调整参数矩阵,易于验证同态稳定性的判据.     

变连接权时滞细胞神经网络的概周期解

利用不动点理论和微分不等式分析等方法，研究了具有变连接权的时滞细胞神经网络dxi（t）/dt=-cixi（t）＋∑j=1^nαij（t）fi（xi（t））＋∑j=1^nbij（t）fj（xj（t-τ（t）））＋li（t）的概周期解的存在性和全局吸引性，推广和改进了相关文献的结果，扩大了神经网络的设计范围．     

人工神经网络在镀锌钢板点焊性能估测中的应用

将人工神经网络引入镀锌钢板点焊的质量预测中,将实验得到的大量点焊规范参数与相应点焊接头质量的试验数据提供给神经网络学习,通过其非线性映射的泛化能力自动抽取所学习知识的特征,描述点焊规范参数空间与焊点接头质量空间的映射关系。结果表明,学习后的神经网络的预测曲线能够合理地预测焊接电流对镀锌钢板点焊的焊点熔核直径与拉剪强度的影响规律,恰当地反映点焊的基本原理,说明人工神经网络在镀锌板点焊性能估测中的应用是可行的。     

基于递推k-均值聚类算法的RBF神经网络及其在系统辨识中的应用

提出了一种基于ｋ－均值聚类算法的ＲＢＦ神经网络递推快速学习算法,并用此对动态非线性过程进行辩识。仿真结果表明了本文方法的可行性。