基于IRT模型的BP神经网络参数估计的进一步研究

对基于 IRT 模型的 BP 神经网络降维法参数估计中的 BP 神经网络的网络隐层数及隐层节点数进行改进,并对其降维法中不合理的部分予以修正。通过蒙特卡洛模拟研究结果表明:对参数估计的各评价指标,改进的方法均优于原方法。     

基于IRT模型的Berkson参数估计方法及其应用研究

该文对于教育与心理测量理论中常用的IRT模型的未知参数提出了一种新的参数估计方法———Berkson参数估计方法,并通过大量的实验考察了该方法的性能,发现研究结果比BILOG算法的估计结果略好,这将有利于更好地进行题库建设,并且有较好的恢复能力,较好的适应性和较好的收敛性.     

基于IRT模型的BP神经网络降维法参数估计及其应用

该文对应用BP神经网络和降维法相结合在0—1记分模式下估计项目参数和考生能力的方法作了概述,重点是对该方法如何应用于实际进行探讨。     

基于IRT若干参数估计方式的比较

在项目反应理论（IRT）框架下，就目前流行的若干能力参数和项目参数的估计方法进行分析比较，阐述了它们各自适用的范围和不足之处，为选用估计方法提供依据。     

基于遗传算法的项目反应理论3PLM参数估计

对MT中3PLM的参数估计问题，用传统的统计估计方法解决得并不令人满意，该文应用加速遗传算法解决这一问题，这一方法克服了传统参数估计算法中对迭代初值要求严格的缺点．蒙特卡洛模拟结果显示，新的估计方法提高了估计值对真值的恢复能力，特别是提高了难度和猜测度参数估计的精度．     

基于神经网络的一类非线性系统参数估计

基于Ｈｏｐｆｉｅｌｄ神经网络的神经计算原理，提出了一类非线性系统的参数估计方法：首先将系统参数估计问题转化为以系统模型残差平方和为目标函数的优化计算问题，然后利用连续Ｈｏｐｆｉｅｌｄ神经网络的神经计算估计待辨识参数．数字仿真结果表明，该方法不仅算法简单，而且估计精度高．     

基于IRT参数估计的两种初始估计

在项目反应理论(IRT)框架下,主要任务是对被试进行能力参数估计和项目参数估计。由于参数估计主要是极大似然法,而这种方法用到Newton—Raphson的多重迭代,因此,初始估计的精度要求较高。本文使用两种估计作为(IRT)的初始估计能使迭代较快收敛,对参数估计起到很好的作用。     

应用Stan软件包实现IRT模型的贝叶斯参数估计

Stan是一个新的用于估计指定统计模型的概率编程语言,它使用了强大而高效的汉密尔顿蒙特卡罗(Hamiltonian Monte Carlo,HMC)抽样算法,相比较传统的Gibbs抽样和Metropolis算法具有显著的效率提升.R软件包“rstan” 链接了R与Stan 2个软件,使得Stan可以借助R的计算环境运行.首先,该文通过3参数Logistic(3PL)模型代码介绍了Stan的程序语言; 其次,该文使用Stan计算2个评估模型-数据拟合的全新指标WAIC和LOO,为应用Stan进行IRT模型相关研究提供了有效的参考工具; 最后,该文还采用了2个真实数据分别考察了Stan在单维IRT模型和多维IRT模型参数估计中的运行表现.研究结果表明:采用一个新的贝叶斯统计软件Stan,通过2个实证研究验证了该方法的有效性与可行性,为国内学者应用Stan进行IRT模型相关研究提供了有效的参考资料.     

小样本标准参照测验中项目参数估计的GRNN方法

针对标准参照测验题库建设中的项目参数估计方法所存在的问题,分析了先前的GRNN方法估计项目参数研究中所存在的不足,对原有方法进行了改进,并以二值记分下的单参数Logistic模型为研究对象进行了模拟实验。结果表明,在考生样本很小的情况下,当训练项目达到一定数目时,将会得到比较实用的GRNN估计结果。方法具有较高的实用价值。     

单层神经网络在参数估计中的应用

神经网络方法可用于动力学系统的参数估计，包括时域和频域建模。将单层神经网络用于单交量线性连续时不变系统的参数估计中，线性系统分别用状态方程及传递函数来描述。对于状态方程描述的线性系统，假设系统状态、状态的导数及系统输入已知，给出了相应的神经网络结构及学习算法用以估计系统参数；对于传递函数形式描述的线性系统，推导出了基于频域数据的单层神经网络结构，用以估计传递函数的参数。     

非对称参数细胞神经网络中的混沌与分叉

研究了由３个细胞组成的细胞神经网络中的混沌与分叉现象。主要讨论细胞神经网络中的一类特殊奇异吸引子，它由两个稳定平衡点和一个不稳定平衡点（鞍点）及其流形形成。通过取不同的初始值，可以在同一组参数下获得３种不同的相轨线图，也可观察到一个不稳定极限环的存在。通过调整系统的参数，还可获得类似于蔡氏电路的奇异吸引子序列     

对参数不确定神经网络的鲁棒状态估计

讨论了参数不确定神经网络的状态估计问题.由于参数的不确定性,无法设计观测器使观测器的状态与原来的神经网络达到完全同步,只能将误差控制在一定范围之内.对于给定的观测器中的增益矩阵,给出了判据来估计观测器的状态与原神经网络的状态间最终的误差界;同时,通过使用线性矩阵不等式的技术,给出了观测器中增益矩阵的设计方法.此外,对误差界的估计进行讨论,说明了影响估计准确性的主要原因.最后用2个例子来说明这些判据的有效性.     

基于结构的神经网络在参数优化中的应用

在对传统人工神经网络优化方法的认识基础上，针对复杂非线性系统的优化问题，提出了一种基于结构的神经网络优化方法。它将一个复杂系统转化为若干个较简单的子系统，分别建立各子系统的函数链神经元模型，然后根据原系统的结构特点将它们连接起来构成一个基于结构的神经网络。网络权值与系统的结构参数相对应，具有明确的物理意义，通过调整权值即可实现系统结构参数的优化。对Y2-Hc10型先导式溢流阀的优化研究表明，该方法为大型、严重非线性系统的结构参数优化提供了一条新的途径。     

遗传算法在 IRT 模型参数估计中的应用

IRT(项目反应理论)在现代教育考试与测量中的研究和应用正日益受到广泛关注,本文阐述了遗传算法在IRT模型参数估计中的应用。     

MIMO Channel Estimation and Equalization Using Three-Layer Neural Networks with Feedback

This paper describes a channel estimation and equalization algorithm using three-layer artificial neural networks （ANNs） with feedback for multiple input multiple output wireless communication systems. An ANN structure with feedback was designed to use different learning algorithms in the different ANN layers. This actually forms a Turbo iteration process between the different algorithms which effectively improves the estimation performance of the channel equalizer. Simulation results show that this channel equalization algorithm has better computational efficiency and faster convergence than higher order statistics based algorithms.     

IRT理论框架下不同参数模型和评分模型对能力估计的影响

考察在IRT理论框架下,选用不同的参数模型和评分模型对能力估计的影响.结果发现:对同一批被试,不同的参数模型会得出不同的能力估计值;模型误用会带来能力估计上的误差,某些情况下误差相当大;能力估计的具体方法和技术也会对最终的能力估计值产生影响.     

基于BP网络的异步电机无定子电阻的转速估算

根据异步电机的数学模型,经过一定的变换,消除异步电动机定子电阻的影响,利用电机易于检测到的定子电压和电流,通过Simulink模块和S-函数建立起自适应神经网络辨识模型．该方法适应范围宽、响应速度快．仿真结果表明：采用该模型估算出的转速具有较高的精度．     

基于神经网络的波达方向实时估计问题探讨

本文在无约束非线性规划神经网络模型的基础上,提出了一种实时估计空间多个信号到达方向即波达方向的方法,并给出了实例验证。     

神经网络在梁的边界条件识别中的应用

针对常规的梁的边界条件识别方法的不足,本文提出了利用神经网络网络来实现梁的边界条件识别