分区前馈神经网络及其算法

基于鲎小眼间侧向抑制的Hartline Ratliff模型，文中将自组织网络与BP网络相结合，提出了一种分区前馈神经网络，并给出其具体学习，仿真算法.该网络结构能反映人脑多网络结构，并行处理信息的特点，因而具有学习快速，一定程度上克服局部极小和适合并行计算的特点.计算机仿真的算例证明，即使在患行计算机学习时间也可以减少到以往的50%以下，而与传统的前馈神经网络具有相同的泛化能力.     

基于重置的拟牛顿动态前馈神经网络

前馈神经网络的结构直接影响网络的性能。构造基于拟牛顿法(Quasi．NewtonAlgorithm)的前馈神经网络模型，为了优化神经网络结构，尝试引入重置算法(EarlyRestartAlgorithm)，得到基于重置的拟牛顿动态前馈神经网络。对比实验表明，重置算法的引入有效地解决了结构优化问题，优化后的神经网络具有良好的收敛性与稳定性。     

在煤矿循环流化床锅炉仿真中RBF神经网络的应用

为了解决煤矿循环流化床锅炉燃烧实时动态数学模型的高阶、多变量微分方程不易求解等问题,提出利用RBF神经网络实现该模型的参数辨识,并提出利用小生境克隆选择算法提高RBF网络学习算法的收敛性。通过SNCC循环流化床仿真系统的数字仿真验证,算法具有良好的收敛性和逼近效果,并避免了传统模型的复杂微分方程求解过程。     

热分解过程的神经网络预测方法的研究

提出了用前馈神经网络求解热分解过程的新方法．针对传统的ＢＰ算法的缺陷,把无约束优化中的变尺度应用于网络的训练学习,改进了学习算法,提出了一种基于动态步长的新的变尺度算法．通过它对热分解过程的预测分析,其结果非常逼近实验结果并优于传统的理论计算结果;同时,新的变尺度算法提高了网络算法的收敛性．     

多项式前向神经网络

提出了一种新型的前向神经网络模型-多项式神经网络。该网络具有三层结构,隐层、输出层神经元激活函数分别为：f(x)=x^p和线性函数,网络隐层-输出层的权值采取最速下降法学习,输入层-隐层的权值采用遗传算法进行学习;网络学习时,其误差函数单调递减,学习算法具有较好的收敛性;该网络能逼近任意的连续函数,且具有较好的稳定性,应用实例表明该网络的性能是优良的。     

前馈神经网络权值学习综合算法

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优化算法与GaussNewton法相结合,并引入熵误差函数,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.     

调整步长牛顿法

本文研究了求解非线性方程组的迭代解法,提出了一种调整步长牛顿法。证明了该算法在不同条件下的二阶收敛性和大范围收敛性。     

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.     

前馈网络灵敏度：分析及降低算法

在前馈网络中，不同的权值组合可逼近同一映射。网络的灵敏度取决于权值的变化。文中提出了计算网络灵敏度的方法和一种降低网络灵敏度的学习算法。网络的灵敏度分析包括单输出、多输出及输入变化、权值变化等情况。学习算法是在网络训练过程中加入随机噪声。次种学习算法与传统学习算法相比，可降低网络的灵敏度，但学习收敛速度基本相同。     

基于RBF神经网络的冠心病识别模型

RBF神经网络是前馈神经网络研究中的一个热点.对RBF神经网络的网络结构、基本原理和学习算法进行了介绍.针对BP神经网络自身的缺陷,提出以RBF神经网络为识别模型,采用最近邻聚类学习算法,建立一种冠心病模式识别诊断系统.仿真实验表明,该模型可快速完成对冠心病样本的学习与拟合,具有预测识别率高的优点,可作为该病诊断的一种有效的辅助手段.     

一种优化权初值的综合全局寻优快速BP算法

文章在大量实验的基础上,对BP算法中存在学习收敛速度慢的问题进行了广泛的研究,提出了在优化权初值的基础上,将变步长法与模拟退火法相结合,实现一种快速的综合全局寻优的前馈神经网络学习算法.通过在系统建模中的应用,显示了该算法具有收敛快和精度高的特点.     

神经网络全局收敛快速算法在非线性建模中的应用

把神经网络当作结构已知的非线性系统,权系数的学习看成非线性系统的参数估计,给出前馈神经网络在线运行投影学习算法,理论上证明算法的全局收敛性,并讨论算法参数的选择范围．通过非线性时变系统的神经网络建模应用的仿真,验证算法的在线运行能力．     

采用遗传算法自组织神经网络模糊控制器

提出一种自组织神经网络模糊控制器的新方案。该方案的一个主要特征是,可获得实现模糊控制器的最小且最优的神经网络结构,而且所获得的模糊控制器同时具有神经网络的广泛映射能力、联想概括能力和遗传算法的快速全局收敛、再励式学习等优良特性。     

应用在系统辨识中的一种改进的遗传神经网络模型

分析了传统系统辨识方法和神经网络方法各自的优缺点,提出一种应用在强非线性系统辨识中的遗传神经网络模型。针对神经网络的收敛速度和全局收敛性的缺陷,分别采用高速收敛算法和遗传算法进行了改进,取得了较为满意的结果。针对神经网络泛化能力差不易应用的缺点,使用了结构进化方法和结构设计方法中的剪枝算法来改善模型的泛化能力。最后使用2个模拟信号进行仿真试验,结果与分析的结论一致。     

多维离散傅立叶变换神经网络函数逼近

利用多维离散傅立叶变换原理构造新颖的神经网络模型用于函数逼近,网络结构为分层前向网络。给出了网络的学习算法,网络的大部分权值都是固定的,只有输出层与最后隐层之间的权值需要调节。     

电站用煤结渣预报的自适应模糊神经网络方法

综合了多种特性结渣指数 ,应用一种基于递推最小二乘估计和梯度下降法结合的混合算法的模糊神经网络模型来预报煤质结渣特性 .将该方法的预报结果与实际结渣情况比较 ,结果证明 ,该方法预报精度高 ,速度快 ,而且具有良好的自适应能力     

列主元SVD-QR方法修剪策略参数调整的D-FNN算法研究

针对动态模糊神经网络,提出了列主元SVD-QR方法修剪策略与参数调整的新算法。其中采用列主元SVD-QR方法修剪策略从给定的规则库中提取最重要模糊规则,使得网络结构不会持续增长,避免了过拟合及过训练现象;采用扩展的卡尔曼滤波方法把全局算法划分成线性和非线性部分,线性和非线性参数可以分别被更新,从而可以达到快速的学习速度。通过对血压的控制来验证所提出算法的有效性,结果证明了列主元SVD-QR方法修剪策略参数调整的D-FNN算法具有良好的性能。     

一种基于灰度区间的BP神经网络算法研究

为了不断提高前向神经网络的学习能力,考虑在神经网络学习和训练的过程中引入灰色系统理论,设计出一种新型的神经网络算法（GBP）。该算法通过减少输入向量空间的灰度,使得神经网络的输入向量进一步优化,从而更加有利于神经网络的学习和训练。最后通过模拟实验表明,新设计的算法比经典的BP算法有更高的效率,该算法具有训练速度快、泛化能力强等特点,是一种有效的学习方法。     

结构等价型模糊神经网络算法及其应用

提出一种结构等价型模糊神经网络的学习算法．等价型神经网络根据模糊系统的推理规则,决定等价的神经网络结构参数,因而网络结构特殊．采用的学习算法是用误差反传对局部节点的权值进行调整,收敛速度快．实验表明,将其用于火灾探测系统中,能够准确、及时地探测各种标准试验火,并具有较强的抗干扰能力．     

沧州区域可持续发展混沌神经网络决策分析

以研究沧州区域可持续发展为背景，对该课题的决策分析问题，提出了一种基于神经网络决策分析方法，解决了以往决策只能单纯依靠专家给出，缺乏客观性的问题。所使用神经网络采用前馈混沌学习算法，克服了以往BP网络存在的学习速度慢、容易陷入局部极小的缺陷，具有全局性、快速性和并行性的特点。