数字电路的神经网络模型研究

研究数字电路的Ｈｏ０ｐｆｉｅｌｄ神经网络模型,说明了这种模型的原理及建立方法,并指出这种模型存在的不足,然后研究电路手最优神经网络模型,给出了模型的相关定义,讨论了任意数字电路对应的最优神经网络的存在性,这些建模方法可应用于电路的测试、逻辑验证等领域,能提高相关的计算效率。     

多项式基函数神经网络模型

从函数逼近理论出发，用一组正交基函数作为三层前向神经网络各隐含单元的输出特性，以其加权和作为网络的非线性输出，构成一种单输入单输出正交基函数神经网络模型。建立了多输入的多项式基函数神经网络，并给出了非线性静态特性拟合，ＸＯＲ特性和动态特性拟合计算机仿真结果。     

离散Hopfield型神经网络的异步收敛性研究

主要研究非对称离散Hopfield神经网络的异步演化方式的收敛性，并给出了一些新的收敛性条件。若网络的连接权矩阵可以分解成主对角元素非负的对称矩阵和行（列）对角占优的矩阵之和，则网络是异步收敛的，所获结果推广了已有的结论。     

神经网络能量函数在卷积码译码算法中的应用

文章分析了神经网络在信道编码领域的应用 .利用神经网络的退火算法 ,建立了新的基于 Hopfield神经网络的能量函数 ,借助卷积码的栅格 ( Trellis)图和新的能量函数提出了一种卷积码译码算法 ,仿真结果显示新的译码算法和最大似然 ( ML)译码算法的性能相似 ,该译码方案复杂度降低 ,易于软件实现     

云模型优化径向基函数神经网络算法研究

径向基函数(RBF)神经网络广泛用于各类医学预测模型中,针对RBF神经网络隐含层高斯径向基函数的参数确定困难,影响癌症预后模型的因素具有多样性和模糊性等问题。利用云模型优化RBF神经网络算法,通过高维云变换确定RBF隐含层神经元,优化RBF神经网络结构。用来自美国国家癌症研究所监测、流行病学和最终结果(SEER)数据库的4 771例食管鳞状细胞癌患者数据建模仿真与传统的仿真对比,证明该模型预测生存期的C-index为0.705,远高于肿瘤等级、列线图和RBF神经网络(0.598、0.627和0.632),能更好更准确地对食管鳞状细胞癌患者进行预后预测。     

复F值函数项级数的研究

引进复 F 值函数项级数及其收敛与一致收敛的概念,给出其一致收敛的判别法,并研究了它的和函数的连续性以及逐项求导和逐项积分问题。     

油田累积产油量的基函数神经网络模型及其预测

针对油田累积产油量预测难问题,根据油田生产机理对不同阶段累积产油分布特征给予解释与说明,构建累积产油量系统的函数型连接神经网络模型,对某油田三个采油厂若干区块多组累积产油量数据建模和预测,取得较好预测结果,证实了本方法的可靠性,对油田的开发指标预测,经济评价分析,高效开发油田具有重要意义。     

复区间值函数与复模糊值函数级数的一致收敛性

给出了复区间值函数、复模糊值函数级数定义,并论证了复模糊值函数级数一致收敛的判定定理。     

一类复函数的迭代

考察了一类复函数迭代生成的Ｍ集，熟知的Ｍａｎｄｅｌｂｒｏｔ集和Ｍ集无关民为其特例。     

一类求解八皇后问题的神经网络模型

通过研究离散的Hopfield神经网络模型,运用神经优化计算的方法,采用计算能量函数,建立了组合数学中八皇后问题的各类神经网络模型。并用V－C^ 语言进行计算机模拟,得到八皇后问题的不同解答。     

自适应模糊神经网络构建方法

模糊极大极小神经网络的结构与超盒形状系数有关,该神经网络的性能取决于超盒形状系数的选择.在构建该神经网络时,最优超盒形状系数的确定比较困难,故提出了一种自适应的模糊极大极小神经网络构建方法,取消了超盒形状系数对扩张过程的限制,以是否包含其他类样本为超盒扩张条件.实验结果表明,使用这种模糊神经网络方法生成的神经网络结构更简单,对模式分类的效果更好.     

自适应模糊神经网络构建方法

模糊极大极小神经网络的结构与超盒形状系数有关，该神经网络的性能取决于超盒形状系数的选择．在构建该神经网络时，最优超盒形状系数的确定比较困难，故提出了一种自适应的模糊极大极小神经网络构建方法，取消了超盒形状系数对扩张过程的限制，以是否包含其他类样本为超盒扩张条件．实验结果表明，使用这种模糊神经网络方法生成的神经网络结构更简单，对模式分类的效果更好．     

基于神经网络组合模型的能源消费量预测研究

为了提高预测的精度,将神经网络组合预测模型应用于能源消费总量预测中,通过建立RBF、ELM、BP神经网络预测模型,用熵值法确定组合预测模型的加权系数,建立神经网络组合预测模型.利用安徽省统计年鉴获得的1991～2007年安徽省能源消费总量进行检验仿真,结果表明组合预测模型的误差较小,精度较高,预测结果更接近于实际情况.     

常用神经网络的操作模型与算法

给出前馈神经网络（ＦＮＮ），径向基神经网络（ＲＢＦＮＮ）和子波神经网络（ＷＮＮ）的操作模型。分别导出它的识别，逼近和学习方程，并给出它的识别，逼近和训练算法。计算机模拟表明用径向基函数神经网络和子波神经网络识别入射波具有很好的频率，入射角及相位识别特性     

用于图像识别的新型神经元网络

提出了一种用于图像识别的映射正交神经元网络。在一般情况下待识别的样本空间的维数相当大，为了有效地进行识别，必须把样本空间的维数降下来。目前常用的方法就是特征提取法，本文采用映射正交过程把样本空间映射成正交分类空间，并在此基础上，采用Ｈｏｐｆｉｅｌｄ网络进行图像分类。计算机上模拟结果表明，此网络具有对缺损和噪声图像进行正确识别的能力。     

反馈BP神经网模型及其稳定性分析

实践证明具有反馈的 BP 神经网比传统的 BP 神经网具有更加优越的特性和新颖的性质.本文建立了反馈 BP 网的数学模型.并从动力学角度,利用 Lyapunov 函数对其稳定性进行了分析,最后给出了反馈 BP 网的应用实例.     

基于RBF神经网络的复杂场景人群目标的识别

大型公共建筑内人群数目及分布的在线监测是有效控制和疏散客流、保障人员安全的重要依据之一.利用公共建筑内现有的闭路电视监视系统,通过计算机视觉技术实现人群数目的自动识别是目前国外普遍采用的一种方式.文中提出了一种基于RBF神经网络的复杂场景人群目标的识别算法,利用包含行人数目信息的前景图像的投影曲线等特征数据,通过训练好的RBF神经网络直接得到该前景图像中包含的人群数目.与其他算法相比,该算法具有较高的识别准确率,在一定误差范围内可以达到较好的效果.     

基于神经网络的发动机模型辨识

为进一步研究发动机的稳态、空载、动态转矩、燃油消耗模型和万有特性,笔者提出了一种基于神经网络的神经元结构模型和多层前馈网络结构模型并分别进行了数学分析.实践研究表明：在发动机的工作过程中,动态工况占66%～80%,并发现发动机的动力性和经济性指标与稳态工况存在着一定的差异.     

一种应用于模式识别的神经网络模型

本文首先引入了感知神经元，建立了一种应用于模式识别的三层神经网络模型．对于任一组二元标准模式（二元图象或特征值序集），我们根据给定模式及要求设计神经网络，使之对输入模式进行识别．这种神经网络结构明确，易于实现，其实施有助于提高模式识别系统的执行速度与识别能力．     

非线性函数逼近的神经网络方法

针对工程实际中一类典型的非线性函数逼近问题，本文阐述了单层函数型网络及双层网络在应用时各自的特点，并提出了对网络输入节点进行优化选择，可提高网络的逼近精度，简化网络结构．文中给出了具体的选择方法，计算机模拟结果验证了该方法的有效性。