随机大系统的Lyapunov函数构造与符号计算

讨论了如何利用随机第一积分为构造非线性随机动态系统的Lyapunov函数的基本原理与方法,并在这个基础上建立孤立子系统的第一积分与随机大系统Lyapunov函数的关系,然后利用这个基本原理为构造随机大系统的备选Lyapunov函数,这一方法即可以得到一般随机系统的Lyapunov函数的结构,又便于作计算机的自动推导与符号计算。     

延迟微分方程基于MATLAB符号计算的逐步算法

利用MATLAB强大的符号计算功能,针对一类非线性延迟微分方程,研究了基于符号计算的逐步算法,获得了一个有效的计算近似解析解的计算机算法及MATLAB程序。     

基于回归神经网络的误差配准算法

神经网络系统理论已受到广泛关注。它的理论和方法已被应用到许多研究领域。本文介绍了神经网络雷达配准原理。并推导了基于回归神经网络的误差配准算法。     

自回归过程的小波神经网络逼近算法

将小波变换原理与非线性时间序列逼近问题相结合,利用模型分析方法,对一阶非线性自回归过程（ＮＬＡＲ（１））的小波神经网络逼近问题进行了研究,构造出了逼近函数的具体表达式,并给出ＮＬＡＲ（１）过程所逼近的误差限。     

基于RBF神经网络的自回归系统辨识模型

根据神经网络能以任意精度逼近任意非线性连续函数的特点,通过径向基函数神经网络构建非线性动态系统的辨识模型。针对该模型输入值超出径向基函数的映射区域时将导致系统辨识输出值为零的现象,提出了一种基于改进径向基函数结构的自回归系统辨识的方法,有效地消除了零现象。这使得自适应辨识模型在较大的输入向量下能够逼近实际系统的输出,从而提高了系统辨识的鲁棒性。该方法的可行性得到了仿真验证。     

基于自回归动态神经网络的逆模型辨识及在线控制

研究了自回归动态神经网络及其学习算法，提出应用于动态逆模型辨识的结构，并与ＰＩＤ控制相结合形成了非线性动态对象的在线自适应控制系统．仿真结果表明此方案简单可行，克服了静态网络的一些局限性．     

一种局部回归神经网络的快速算法

针对目前局部回归神经网络动态ＢＰ算法的误差导数计算复杂、收敛速度慢的缺陷,提出了一种新的快速算法、该算法是将信号流图引入动态ＢＰ算法,较好地解决了求导数的复杂性,同时采用ＢＦＧＳ算法另快了网络的收敛速度仿真结果表明了本算法的有效性。     

鲁棒区间回归分析的神经网络学习算法

在许多工程实践问题中，区间回归分析是处理区间数据的一个重要手段。文献中用神经网络实现的区间回归分析都假定给定的训练数据是无噪的。当训练数据被污染时，这些方法的性能将急剧下降。本文针对一种区间回归的神经网络实现方法，提出了两种新的神经网络学习算法，能够有效地从有噪训练数据里建立一个鲁棒式的非线性区间回归模型。所提出的学习算法充分利用了对训练数据质量的估计知识。仿真结果表明了这种方法的有效性。     

基于Hensel引理的规格化边界角浮点乘测试用例生成模型

针对浮点乘仿真验证中测试用例空间大、覆盖不全面和边界角用例定位困难等问题,提出了一种基于Hensel引理的规格化边界角浮点乘测试用例生成模型,并从正规格化和负规格化边界角浮点数两方面对测试用例及乘积结果进行了分类讨论.结果表明,与传统的边界角验证法相比,文中模型的平均检错率提高了约7.39%,不同浮点数位宽下的浮点乘检错率最高可增加9.77%,有效提高了浮点乘功能验证的覆盖率和设计可靠性.     

一种局部回归神经网络的在线学习算法

针对目前局部回归神经网络误差函数在线计算复杂的缺陷,利用信号流图(SFG)基本理论,通过分析信号流图(SFG)和转置信号流图(ASFG),将神经网络的误差导数的信号流图(SFG)和转置信号流图(ASFG)分别级联在原始信号流图(SFG)和转置信号流图(ASFG)上,构成单输出自回归神经网络．依据因果非线性时变系统流图计算仅仅与网络拓扑结构有关的理论,推导了一种与网络结构无关的在线后向BP学习算法,较好地解决了对任意结构的局部回归神经网络的在线学习问题．仿真结果表明了本算法的有效性．     

基于对角递归神经网络盲均衡算法的研究

提出了一种基于对角递归神经网络的盲均衡算法。利用对角递归神经网络结构简单、计算量少的优点,结合传统的恒模盲均衡算法定义了代价函数,用最速梯度下降法推导出了其算法迭代公式。计算机仿真表明,该算法收敛速度较快,误码率较小。     

基于对角递归神经网络盲均衡算法的研究

提出了一种基于对角递归神经网络的盲均衡算法。利用对角递归神经网络结构简单、计算量少的优点,结合传统的恒模盲均衡算法定义了代价函数,用最速梯度下降法推导出了其算法迭代公式。计算机仿真表明,该算法收敛速度较快,误码率较小。     

基于递归神经网络的多步预报方法

为了解决由多层前馈神经网络递推运算获得的多步预报存在的预报误差迭代累积问题 ,提出了基于局部递归神经网络的多步递归神经网络 (MSRN)模型 ,对时间序列进行了多步预报 .用模拟振动数据把MSRN模型用作单步和多步的预报能力 ,同经典的多层前馈神经网络进行了比较 ,并预报了天津石化总公司炼油厂大机组某测点振动的变化趋势 实践表明 ,用该方法进行多步预报误差小 ,并具有良好的预报能力 .     

基于DRNN的机器人轨迹跟踪自适应控制

针对模型未知和动力学非线性机器人轨迹跟踪,提出了一种基于分布式动态回归神经网络（ＤＲＮＮ）的自适应控制方法．该方法在ＰＤ动态反馈控制的基础上,引入神经网络辨识器（ＮＮＩ）在线逼近对象的非线性动力学,并设计出神经网络自适应控制器（ＮＮＣ）来补偿机器人动力学非线性造成的误差．仿真结果表明该控制方案具有良好的跟踪性能和较强的鲁棒性．     

基于BP人工神经网络的建筑废料管理评价方法

构建单一新建设工程项目(不包含拆除工程)的建筑废料管理评价指标体系,概述基于BP人工神经网络评价方法的基本原理,并详述基于BP人工神经网络的建筑废料管理评价模型的建立过程,包括神经网络的建立、学习训练,以及结果的检验等.将该模型应用于实例检验,得到较满意结果.     

基于门控循环单元神经网络的公交到站时间预测

为提高用户公交出行积极性、方便管理部门合理调度公交班次,利用大数据分析公交浮动车辆历史GPS数据,考虑不同线路、公交站点地理位置、不同驾驶员、气象情况、时间分布等多因素的影响,建立了一种基于门控循环单元(gated recurrent unit, GRU)神经网络的公交到站时间预测模型。该模型结合5 000多万条原始数据,借助分布式Hadoop集群中的Spark弹性分布式数据集进行数据清理,并运用站点匹配算法进行源数据匹配、Lasso算法优化特征选项及去除干扰。实验仿真结果表明:改进的GRU模型R-square拟合度达到94.547%,并且算法效率较传统长短期记忆(long short-term memory,LSTM)神经网络提高了近14%,为进一步提高公交到站时间的预测精度与效率提供了参考。     

递归神经网络的学习算法

本文提出采用组合神经网络方法,对一类非线性控制对象进行学习以实现最优控制,仿真实验表明,这种方法对于复杂非线性系统的研究是有效的。     

反馈神经网络对非线性时变离散系统的近似

对反馈神经网络近似非线性离散系统的能力进行了扩展研究 ,针对于更普遍的非线性时变离散系统 ,证明了它们在有限时间段内的输出轨迹可以被反馈神经网络输出神经元的状态向量近似到任何程度。     

基于循环神经网络的微地震数据降噪方法

针对微地震信号中存在大量噪声干扰, 导致其识别困难的问题, 提出一种深度双向门控循环单元循环神经网络的方法, 并将其应用于微地震数据降噪中. 首先, 构建多层双向门控循环单元循环神经网络模型, 并设计该模型的网络结构及训练算法; 然后, 采用Ricker子波正演模拟微地震数据验证模型的有效性, 并将该方法与其他4种方法进行对比; 最后, 将真实的含噪声微地震数据输入到训练好的模型中, 即可得到降噪后的微地震数据. 仿真实验结果表明, 利用该方法降噪后与降噪前信号的峰值信噪比相比约提高36 dB, 且信号之间的相关系数值由0.088 6上升至0.933 5. 实际应用结果也表明, 该方法可有效降低实际微地震数据中的噪声.