一种快速收敛的核CMAC神经网络模型

为了提高CMAC(cerebellarmodelarticulationcontrollers)神经网络实时在线学习的快速性和准确性,在核CMAC的基础上引入了信度分配的概念。在核空间内,利用激活单元先前学习次数作为可信度,其误差校正值与激活单元先前学习次数的倒数成比例,设计了一种基于信度分配的核CMAC的训练规则,使网络的学习速度和网络逼近精度及建模能力得到提高。仿真结果表明基于信度分配的核CMAC结合了核CMAC与信度分配CMAC的优点,隐去了映射所带来的复杂运算,有较快的学习速度和训练精度及建模能力。     

一种模糊小脑模型神经网络

为了简化网络、提高网络的学习能力、便于对一些系统的建模,本文提出了一种小脑模型神经网络,将模糊逻辑的推理过程用小脑模型神经网络表示出来,其输入层采用模糊化的感受野,能有效地减少输入层的容量,提高逼迫能力。由于采用系统的模糊信息,可以按实际问题的性质初始化网络的结构与参数,有利于提高学习的收敛速度。学习结果能更真实地描述问题的实质。     

汽油机动力性的前馈神经网络模型

如何优化汽油机的动力性 ,是研究者致力追求的目标。利用多层前馈神经网络的反向传播算法特性 ,建立了汽油机动力性与点火正时、空燃比、发动机转速、油门开度等之间关系的神经网络模型 ,用以分析、预测、优化汽油机动力性能 ,探讨车用汽油机动力性的科学评价指标     

一种基于遗传算法的新型神经网络设计

神经网络的设计主要集中在网络权值的选取和神经网络结构的确定两个方面 ,与遗传算法结合是目前研究发展的趋势 .本文与一般的基于遗传算法的神经网络设计相比 ,提出一个新型算子—— BP算子 ,并对神经网络的权值和结构同时优化 .仿真结果表明该算法结果比较理想 .     

一种模糊神经网络控制系统研究

针对被控过程的非线性、时变性和复杂性,提出了一种模糊神经控制器与动态辨识器组成的控制系统。该系统的控制器采用模糊神经网络控制器,它的控制参数采用遗传算法全局离线优化对BP算法局部在线调整相结合的混合方法;该系统的辨识器采用变形Elman动态神经网络进行系统辨识。给出了该系统的结构、原理及工作流程,通过仿真实验证明该系统的可行性和有效性。     

一种神经网络非线性噪声消除方法

针对阶数的增加,Volterra滤波器的滤波系数个数呈几何级数增长,实现困难的问题,提出采用基于Levenberg-Marquardt(LM)算法的BP神经网络逼近Volterra滤波器,实现神经网络非线性滤波,使计算简化。采用的方法是,先离线调整Volterra滤波器的系数,再用调整好的Volterra滤波器监督训练LM-BP神经网络,然后用训练好的LM-BP神经网络进行非线性自适应滤波。仿真实验结果表明,LM-BP神经网络滤波器较其学习导师———Volterra滤波器具有更好的噪声滤除效果。     

一种自适应CMAC神经网络控制器的设计与仿真

为了消除常规前馈型CMAC神经网络控制器的过学习和振荡现象，基于常规CMAC的基础上，提出了一种自适应CMAC神经网络的控制器结构。该控制器以系统动态误差和给定信号量作为CMAC的激励信号，并与自适应神经网络控制器相并联构成系统的复合控制。仿真实例表明，提出的自适应CMAC神经网络控制器具有良好的鲁棒性、抗干扰能力和自适应能力，是解决非线性和不确定性对象控制问题的一种简便有效的控制算法。     

前向神经网络学习速率的白适应算法

学习速率是控制神经网络学习过程的一个重要参数，影响神经网络的稳定性和快速性．提出了一种能够满足实时性要求的神经网络学习速率的自适应算法，并证明了在该学习速率下，神经网络的学习过程是Lyapunov意义稳定的。试方法通过为神经网络的输出增加一个输出修正量来补偿多个未知因素对学习误盖的影响，从而构造使学习误差快速收敛到零的学习速率自适应算法。通过对神经网络在线逼近一个非线性对象的过程进行仿真，结果证明了该方法的有效性。     

一种广义模糊小脑模型神经网络及其仿真研究

针对传统的小脑模型，在保留CMAC原有增强和局部特性的基础上，结合模糊逻辑的思想，采用模糊隶属度函数作为接收域函数，提出了一种广义模糊小脑模型神经网络（GFAC）。研究了GFAC接受域函数的映射规律、隶属度函数及其参数的选取规律和学习算法。仿真结果表明GFAC具有良好的泛化能力和逼近精度，利用GFAC可以获得较常规CMAC连续性强且有解析微分的复杂函数近似。     

一种改进的RBF神经网络学习算法

提出了一种改进的RBF神经网络学习算法 ,分别通过减聚类和监督学习算法对网络参数和权值进行训练 ,既可以根据样本合理地聚类、确定RBF径向基函数的个数和相应参数 ,又具有较强的网络映射能力 ,从而不仅使RBF神经网络结构得以优化 ,性能也得到了提高。仿真结果表明了该学习算法的实用性和有效性     

交指型缺陷接地结构共面波导的神经网络模型

提出一种新型交指型缺陷接地结构(DGS)共面波导,采用交指电容代替常规结构中的缝隙电容,交指电容DGS更能使电容的耦合加强,大大改进了DGS的特性.然后对交指型DGS共面波导建模,对DGS的尺寸和工作频率进行取样,作为多层感知器的输入样本,采用BP(反向传播)算法对该多层感知器进行训练,得到适合样本的神经网络模型.经过训练的神经网络模型在仿真过程中具有计算速度快、设计精度高、泛化能力强、仿真结果和实验测试结果一致性好的特点,从而验证了神经网络的有效性,为电路设计提供了理论依据.     

一种输入驱动的BP网络高效学习算法

在深入研究BP神经网络模型的基础上,从网络互连方式、网络权值初始化以及隐结点的选取等方面,对标准的BP算法作了改进.通过实验,证明该方法是非常有效的.     

多层前馈二阶神经网络模型

本文首先建立多层前馈二阶神经网络模型，继而给出该模型的二阶Ｂ－Ｐ学习算法，在此基础上构造了二阶快速Ｂ－Ｐ（即ＦＢ－Ｐ）和改进的二阶ＦＢ－Ｐ（即ＭＦＢ－Ｐ）学习算法，在计算机上以两类飞机图像目标识别为例，对本文提出的多层前馈二阶神经网络模型及其三种二阶学习算法的性能进行仿真实验，并与传统的多层前馈一阶神经网络及其相应学习算法的性能作比较，从而获得若干有意义的结果。     

一种新的人工神经元网络结构模型

提出了一种新的人工神经元网络结构模型 ,与传统的层次型结构不同的是 ,它具有一种逐步细分型、自相似的结构 .给出了用二层模型模拟任意连续函数的一个可靠方法 ,构造方法是基于函数的局部性质 .     

模糊推理和神经网络的集成在故障诊断中的研究

以故障诊断的理论和方法为基础 ,综合运用人工智能、模糊理论和神经网络理论 ,对复杂电子装备的故障诊断问题进行了研究。提出了模糊推理和神经网络的集成方法 ,介绍了集成的综合系统的基本结构和工作原理 ,描述了模糊故障诊断模型和改进的神经网络BP算法     

基于神经网络的机器人阻抗控制研究

基于神经网络非线性补偿器原理,本文提出了一种机器人新型顺应控制方案,外力信号通过一个二阶阻抗模型来修正期望输入,神经网络非线性补偿器用于补偿机器人有界干扰和未建模动态,提出了机器人模型学习方案,仿真结果证明了学习过程的有效性以及顺应控制的渐近稳定性。     

四层BP网络的一种结构设计方法及应用

针对BP神经网络的特点提出一种基于递阶遗传算法的四层BP神经网络的结构设计模型及应用。现有的BP训练方法只能训练BP网络的权重和阈值,网络的结构得预先用某种方法确定。利用很好设计的递阶遗传算法能够把网络的结构、权重和阈值同时通过训练确定。以经济系统中的人口时间序列数据进行训练和测试,与传统的BP网络预测模型相比较,结果证明该模型的预测精确度是令人满意的,提出的方法是可行的。     

基于递阶遗传算法和BP网络的时间序列预测

提出一种基于递阶遗传算法和BP神经网络的时间序列预测模型。现有的BP训练方法只能训练BP网络的权重,网络的结构得预先用某种方法确定。利用很好设计的递阶遗传算法能够把网络的结构和权重同时通过训练确定。以铁路客运市场数据进行训练和测试,与传统的BP网络预测模型相比较,结果证明该模型的预测精确度是令人满意的,所提出的方法是可行的。     

BP神经网络模型在地下水水质评价中的应用

运用人工神经网络理论和方法 ,建立了地下水水质评价的 BP神经网络模型 ,对肥城市 6眼水井的地下水水质进行了评价 ,并与综合指数法、模糊综合评判法的评价结果进行了比较 .结果表明 ,用 BP神经网络模型评价地下水水质是可行的 ,该模型具有很强的的学习、联想和容错功能 ,其分析结果和过程都接近人脑的思维过程和分析方法 ,使得地下水水质评价结果的精度大大提高 .     

基于GA-Bp算法的收获机械脱粒性能建模与仿真

建立脱粒装置性能与其影响因素之间非线性模型的目的就是在不确定环境下，对影响脱粒性能的各因素进行优化使脱粒装置的各个性能指标达到最佳要求。它给出了基于GA与BP相结合的具体算法和实现过程。同时针对脱粒装置性能建模这一具体问题，给出了用于对脱粒性能进行建模的基于GA-BP算法神经网络的实现。用DELPHI语言开发的模型仿真软件对脱粒装置进行了性能建模仿真试验，试验结果验证了该模型用于脱粒装置性能建模研究的可行性。