基于KuhnTucker方法的机组最优投入神经网络模型

为了用硬件实现机组优化投入的神经计算，首先基于ＫｕｈｎＴｕｃｋｅｒ方法的机组最优投入神经网络模型。证明了该模型的收敛性，讨论了该模型的正则电路，并用ＰＳＰＩＣＥ５０对一个四机组四时段的系统进行仿真计算。     

多目标模糊优化潮流模型及其基于神经网络的算法

提出了一种计算交流潮流的多目标模糊优化模型，模型中，同时考虑了发电费用最少及网损最小等多重目标，针对该模型，还提出了一种基于神经网络模型的新算法，该算法分别采用神经网络模型进行模糊集隶属函数的表达及优化问题的求解，从而将模糊优化同神经网络有机地结合起来，通过算例对所提模型及算法进行了验证。     

基于Hopfield-Tank模型的快速神经网络方法

分析了Hopfield－Tank模型在收敛性、稳健性、优化率以及计算速度方面存在的问题，根据外部惩罚函数法的基本思想提出了一种新的基于Hopfield－Tank模型的快速神经网络方法。对TSP的能量函数进行了改进，并对我国31个城市的TSP进行了软件模拟，得出了15640km的最短路径，在收敛性、稳健性、优化率以及计算速度方面的结果都十分满意。     

非光滑多目标规划的Kuhn—Tucher充分条件及必要条件

对局部Ｌｉｓｐｓｃｈｉｔｚ函数进了ＨΦ－广义凸、ＨΦ－广义拟凸、ＨΦ－广义伪凸等概念，在广义凸性的条件下，讨论了非光滑多目标规划的Ｋｕｈｎ－Ｔｕｃｋｅｒ充分条件和必要条件。     

非线性规划问题中一般约束条件下kuhn—Tucker条件的另一种证明

本文通过引入新的“变量”,将一般约束条件的非线性规划问题转化成等式约束的非线性规划问题,从而应用等式约束的Kuhn—Tucker条件推出一般约束条件的Kuhn—Tucker条件。     

基于T-S模型的模糊神经网络

一种基于Ｔａｋａｇｉ－Ｓｕｇｅｎｏ模型的模糊神经网络由前件网络和后件网络两部分组成。前件网络用来匹配模糊规则的前件，它相当于每条规则的适用度。后件网络用来实现模糊规则的后件。总的输出为各模糊规则后件的加权和，加权系数为各条规则的适用度。所提出的模糊神经网络具有局部逼近功能，且具有神经网络和模糊逻辑两者的优点。它既可以容易地表示模糊和定性的知识，又具有较好的学习能力。给出了调整规则后件参数及前件隶属度函数参数的学习算法，举例说明了它的逼近性能。     

基于最优神经网络的电路测试方法研究

在数字电路最优神经网络模型的基础上,研究基于该模型的电路测试生成方法.首先获得了多输入基本门电路的最优神经网络能量函数的一般表达式,然后对这种测试方法的原理、实现步骤、以及加速测试的措施等进行了详细研究.结果表明以最优神经网络模型为基础的电路测试方法在测试生成的速度方面快于其它类似方法,如基于Hopfield神经网络的电路测试生成,具有较好的应用潜力.     

Hopfield型时滞神经网络模型的K-稳定性

研究具有时滞的Hopfield型神经网络模型｛Cidui(t)/dt=-ui(t)/Ri n↑∑↑j=1～↑Tijfi(uj(t-τ）） Ii，ui（s）=ψi(s),s∈[-τ，0],i=1,2,…，n平衡点的K－全局渐近稳定性与K－全局指数稳定性，通过使用不等式分析技巧和微分方程性质，得到了这类模型K－稳定性的易于验证的时滞相关充分条件，并举例验证其有效性。     

一种高速神经网络HS—K—WTA的算法研究

该文提出一种新的K－Winners-Take-All神经网络：High-Speed-K-Winners-Take－All(HS-K-WTA).HS－K－WTA是以竞争学习算法为基础。HS－K－WTA能够从一个模式集中，识别出K个较大的元素，或较小的元素。该文给出HS－K－WTA算法及算法复杂性的分析。分析结果显示HS－K－WTA要比Winstrons更换。     

基于单个神经元的线性最优励磁控制器

线性最优励磁控制采用固定反馈增益矩阵来完成对发电机在电力系统运行时的控制,由于发电机功角特性的非线性,因而在不同运行点是不能一直满足最优控制的目的。提出了一种基于神经网络的线性最优励磁控制器,将两者的优点结合在一起,利用神经网络在在线调整控制变量,使同步发电机在不同运行点的动态,暂态稳定性能始终保持最优控制效果。     

T—S型模糊RBF神经网络的结构研究

提出Ｔ－Ｓ型模糊ＲＢＦ神经网络模型结构,讨论该模型参数的输入空间模糊最优聚类学习算法。仿真结果验证了学习算法的有效性和可行性,表明Ｔ－Ｓ型模糊ＲＢＦ神经网络可逼近任意多变量非线性函数。     

基于神经网络的K—L变换及其图象压缩中的应用

介绍一种可用迭代方法实现了Ｋ－Ｌ变换折神经网络及相应的算法，采用该算法对网络的杈 作修理，可使网络唯一的收敛到一个稳定点，其ｍ仃输出神经元对应的权依次为最大ｍ个特征值所对应的单位特征矢量。文章给邮了网络实现中的改进结构，并把该网络用于图象压缩。     

一种基于神经网络的地震信号去噪的处理方法

在众多的去噪处理方法中，Ｋ－Ｌ变换是去除随机噪声的有效方法．Ｋ－Ｌ变换是利用地震剖面各道在空间方向的相关性来取信号的共同特征，以实现去除剖面中的随机噪声．传统的Ｋ－Ｌ变换是通过矩阵的Ｈｏｕｓｈｏｌｄ变换实现的．其运算量及空间占用量比较大．笔者用一种Ｈｏｐ－ｆｉｅｌｄ网实现对地震剖面进行Ｋ－Ｌ变换的去噪处理，并且给出了该网络的详尽描述及稳定性证明．由于Ｈｏｐｆｉｅｌｄ网能实时进行处理，固而具有实时性．模拟实验的结果表明，这种方法对消除地震剖面的随机噪声是一种行之有效的方法．     

基于前馈神经网络的动态负荷模型辨识

本文提出了一种利用人工神经网络（ＡＮＮ）与系统辨识技术相结合的动态负荷建模方法。首先简要介绍了电力系统负荷的动态模型和前馈神经网络，然后具体讨论了应用ＡＮＮ辩识负荷模型参数的方法，并结合具体辩识程序的框图，分析了辩识过程中应注意的问题。研究表明，本文提供了一条有效的辩识建模途径。     

基于模糊神经网络的水力机组模型辨识

根据水力机组可分段线性化的特性,提出了水力机组简易模糊语言模型。在此基础上,将反馈控制思想引入系统辨识,同时结合神经网络的易学习特点给出了基于模糊神经网络的水力机组模型结构及其算法。最后将所建模型运用于灯泡贯流式机组的在线预测。试验结果表明,该模型在线修正工作量小,并能迅速地、较为准确地逼近实际系统的输出,可以作为贯流式机组自适应控制的实时预测模型。     

基于αk—较多规则的群体最优群

借助αk－较多序的概念,给出了一种多人决策的决策规则,称作αk-较多规则,利用该规则可对供选方案进行优选。并验证了它满足Arrow公理的一致性,独立性,非加强性和非独立性。还讨论了群体最优解的存在性条件。     

基于最优潮流的最大传输能力计算

针对电力市场环境下最大传输能力(TTC)的计算问题，提出了一种新的基于最优潮流(OPF)的TTC计算方法．该方法建立了考虑发电机优化调度以及系统负荷变化模式的用于TTC计算的数学模型，并采用基于信赖域内点法的OPF算法求解，由多步中心校正原一对偶内点法连续求解线性规划子问题，通过信赖域决定线性化步长的选取．对IEEE30节点系统在不同数学模型下计算结果进行比较，验证了提出的TTC计算方法的有效性和实用性；与连续潮流(CPF)计算结果进行比较，结果表明OPF方法可以避免CPF计算TTC较为保守的缺点．     

构造Dn^—最优确切设计的离散构造法及其应用

为解决在各种不同形状的空间进行Dn^-最优确切设计问题。本给出了利用离散点集合对假定的数学模型构造Dn^-最优确切设计的离散构造法。并通过该方法的两个应用实例表明离散构造法具有简单、高效、快速、实用的特点。     

基于相似性最优模块神经网络的股票预测

该文提出一种最优模块化神经网络的模型.BP网络存在学习后面的样本而"遗忘"前面的样本,以及训练速度很慢的问题,但具有泛化能力强的优点,同时网络的结构不会随数据增加而变的庞大.而RBF网络随着输入维数增加其隐藏层的神经元个数呈指数增加,并且其泛化能力不强,但RBF网络具有训练速度比较快,逼近效果好等优点.于是提出最优模块化神经网络的模型,综合BP和RBF网络的优点.使学习样本能力,运算速度,网络规模得到改善.该模型适合于较多的样本训练.