一般有界Sigmoidal函数神经网络的插值与逼近

研究了一维欧氏空间中神经网络的插值问题.首先,对于一组插值样本和定义在R上的一般有界Sig-moidal激活函数,给出了精确插值的单隐层前向神经网络存在的条件;然后,构造了近似插值网络,给出了估计精确和近似插值网络之间的误差;最后,利用连续模作为度量,分别估计了两类网络对连续函数的逼近误差.     

数学神经网络（I）——神经网络的插值机理

定义了数学神经元与数学神经网络，讨论了数学神经网络的插值机理，设计了一类单输入单输出三层前向数学神经网络与双输入单输出四层前向数学神经网络，它们分别逼近给定的一元连续函数和二元连续函数到预定的精度。     

矩形网格上的有理插值公式

有理插值是非线性逼近的一种重要方法,由于它的复杂性,所以至今还未见到类似于多项式那样的插值公式．大部分研究是基于连分式给出构造有理插值函数的方法．对于给定的节点,有理插值问题是否有解取决于给定函数值．为了保证算法的可行性,在连分式方法的基础上给出了多种构造有理插值函数的改进方法,但构造出的有理插值函数次数较高,计算量较大．文中针对矩形网点从二元多项式Lagrange插值基函数出发,给出二元有理插值公式．该公式具有多项式插值公式类似的性质．公式简单,计算量较小,且所构造的有理插值函数次数较低。还可以通过引入参数,降低有理插值函数的次数,便于实际应用．     

拉格朗日插值多项式对函数|x|~α的逼近

研究插值多项式对函数|x|α的逼近,选取第一类Chebyshev多项式的零点为插值结点构造所需的Lagrange插值多项式,并研究插值多项式与函数xα的逼近度,证明这样得到的逼近系数好于以往的结果.     

二元有理插值公式

降低有理插值函数的次数和解决有理函数的存在性是函数逼近的一个重要问题。文章利用牛顿插值的承袭性性质和分段组合方法,构造出一种二元有理插值算法并推广到向量值有理插值,既解决了有理插值的存在性问题,又降低了有理插值函数的次数。相比于其他方法,算法的可行性是无条件的,有理插值函数次数较低,算法具有承袭性,计算量低,便于实际应用。     

拉格朗日插值多项式对函数 x α的逼近

研究插值多项式对函数 x α的逼近,选取第一类 Chebyshev 多项式的零点为插值结点构造所需的 Lagrange 插值多项式,并研究插值多项式与函数 x α的逼近度,证明这样得到的逼近系数好于以往的结果.     

一类三层前向折线模糊神经网络的构造

为克服模糊数运算的复杂性引入了折线模糊数的概念,并应用其优良性质和折线模糊值函数的表示定理,通过插值神经网络的构造方法获得了一类三层前向折线模糊神经网络,证明了该折线模糊神经网络是连续折线模糊值函数的泛逼近器.     

前向神经网络的处理能力和推广性量度

目标问题的复杂程度和网络处理能力的适合程度是影响人工神经网络推广性的本质因素。为了衡量前向神经网络（ Ｆ Ｎ Ｎ）的处理能力,该文对 Ｆ Ｎ Ｎ 的插值误差进行了研究,得到了统计意义下 Ｆ Ｎ Ｎ 处理能力的估计值,进而定义了能间接反映神经网络推广性的推广性量度。该方法能够估计出适合目标问题的网络规模,应用于函数逼近和样本分类问题,仿真结果证实了该方法的有效性。     

积分型Hermite-Fejér与Lagrange插值算子在Orlicz空间内的逼近

构造了一类积分型Hermite-Fejér插值和两类积分型Lagrange插值,在构造性方法的基础上,利用函数逼近论中的常用方法和技巧,以及连续模、H■lder不等式、Hardy-Littlewood极大函数等工具,得到三类插值在Orlicz空间内的逼近定理。     

用插值算子的线性和逼近可微函数

研究两类ｌａｇｒａｎｇｅ插值的线性和算子对可微函数的逼近，并求出了它们的逼近阶．     

矩形网格上的有理插值公式

有理插值是非线性逼近的一种重要方法,由于它的复杂性,所以至今还未见到类似于多项式那样的插值公式.大部分研究是基于连分式给出构造有理插值函数的方法.对于给定的节点,有理插值问题是否有解取决于给定函数值.为了保证算法的可行性,在连分式方法的基础上给出了多种构造有理插值函数的改进方法,但构造出的有理插值函数次数较高,计算量较大.文中针对矩形网点从二元多项式Lagrange插值基函数出发,给出二元有理插值公式.该公式具有多项式插值公式类似的性质.公式简单,计算量较小,且所构造的有理插值函数次数较低.还可以通过引入参数,降低有理插值函数的次数,便于实际应用.     

基于Pade逼近的广义Lagrange混合有理插值

Lagrange插值建立在Lagrange插值基函数的基础之上,是一种便于理论分析的多项式插值。将传统的Lagrange插值方法和Pade逼近相结合,构造一种新的混合有理插值。对于每个插值节点处给定的形式幂级数,先在每个插值节点处求得其Pade逼近,然后用Lagrange插值基函数对它们进行加权组合,从而得到一种新的混合有理插值——广义Lagrange混合有理插值。新的混合有理插值方法通过选择每个插值节点处的Pade逼近,可以获得不同的混合有理插值,且包含传统的Lagrange插值作为特例。为了得到更精确的插值,进一步研究了基于Pade型逼近和基于扰动Pade逼近的混合有理插值。给出的数值例子表明了新方法的有效性。     

Hermite插值的一种新形式

利用Herm ite插值基函数,构造出一种插值形式,同样具有Herm ite插值性质,且具有较好的逼近性质,最后给出一个算例.     

Hermite插值的一种新形式

利用Hermite插值基函数，构造出一种插值形式，同样具有Hermite插值性质，且具有较好的逼近性质，最后给出一个算例。     

Padé型样条的构造

从Padé样条和Padé型逼近的相关理论出发,利用被插函数在插值点处的函数值以及直到k阶的导数值作为插值条件,构造了Padé型样条,证明了其惟一性,给出其构造方法、数值实例并作出图形。该文构造的Padé型样条不仅可根据被插值函数的特征来选取分母,使其产生较好的逼近效果,而且可避免求解高次非线性方程组,说明了Padé型样条比Padé样条更好地逼近被插值的函数。     

反插值问题的幂激励前向神经网络求解

针对数值法求解反插值问题时存在的正解精度受初值选取影响、计算速度慢等问题,采用幂激励前向神经网络来求解反插值问题.仿真结果表明,幂激励前向神经网络能够有效地解决一一映射反插值问题,而对于非一一映射,却不具备准确反插值的能力.为此,文中提出了一种增加时序控制条件的幂激励前向神经网络,即时序幂激励前向神经网络模型.理论推导和仿真实验结果表明,该时序幂激励神经网络能够更好地解决一一映射及非一一映射反插值问题.     

对波菜尔改进拉格朗日插值公式思想方法的研究

R．Méray、波莱尔（E．Borel）及C．Runge等人已指出利用拉格朗日（Lagrange）插值公式所得多项式在一些情况下不能很好逼近被插函数．如何改进拉格朗日插值公式使之更好地逼近被插函数是当时数学家思考的一个重要问题，波莱尔即为其中之一．基于原始文献，利用历史分析和比较的方法，搞清了波莱尔改进拉格朗日插值公式的思想背景，分析了他的改进方法，探讨了其思想在当时的重要影响．     

SN型多元混合切触有理插值

提出了一类定义在矩形网格上的二阶多元混合切触有理插值格式,记作SNm,n(x,y).新的插值格式由Salzer型插值连分式和扩展的Newton插值多项式综合构造而成.数值例子显示相对于多项式插值格式,利用混合切触有理插值格式SNm,n(x,y)可以得到较小的逼近误差,特别地,对于存在渐近线的被插函数,实例表明新方法比传统的多项式方法具有更好的逼近效果.     

一种三次约束有理插值样条及其逼近性质

构造了一种仅依赖于函数值的有理三次插值样条,这种插值样条是C^1-连续的,并含有参数,具有较好的可约束控制性质。讨论了一类约束插值问题,给出了将一种曲线约束于给定折线上（下）方或之间的条件。讨论了该插值的逼近性质,给出了数值算例。     

基于小波网络的非线性逼近方法

利用小波空间中函数的多分辨率分解思想,结合神经网络构造了一种多尺度正交小波网络模型,利用最小二乘法对网络参数进行确定,对非线性函数进行了逼近的仿真研究,与前向BP神经网络进行了仿真比较。结果表明,这种新的小波网络具有良好的函数逼近能力,收敛速度快且逼近精度高。