一种基于模糊推理的神经网络学习算法

提出了一种新的神经网络学习算法．相对于其他学习算法，该算法侧重于网络参数的调整，通过对样本集的模糊推理、调整和分类学习来实现自适应的神经网络学习．结果表明，该算法能大大提高神经网络的学习速度和学习效率，并能从样本集中得到反常样本和小概率事件样本，对小概率事件样本有很好的学习能力．     

改进的神经网络快速学习算法

提出了一种新颖的神经元模型和用于神经网络训练的推广准则，给出了多层神经网络的快速学习算法，研究了一种用于语音识别的时变多层神经网络及其相应的快速学习算法．语音识别实验表明：所给出的快速学习算法能有效地加速网络训练进程．     

容错神经网络及容错BP算法研究

给出了容错神经网络有关定义，建立了容错神经网络的数学模型，提出了容错神经网络的学习算法，即容错ＢＰ算法以及容错神经网络的结构设计方法，进行了仿真研究，并给出了实验结果及结论。     

基于蚁群算法和神经网络的位移反分析

运用蚁群算法和人工神经网络构造了位移反分析的蚁群人工神经网络模型，并基于正交试验获得的训练样本对网络进行学习，以此训练好的神经网络模型来描述岩体力学参数和位移之间的关系。该方法以神经网络为基础，用蚁群算法来学习神经网络的权系数。利用反演结果，建立快速拉格朗日快速计算法（FLAC）模型，对地表沉陷进行预测。结果表明：用蚁群算法训练神经网络，可兼有神经网络广泛映射能力和蚁群算法快速全局收敛的性能。     

神经网络应用于烧结矿质量在线推断

针对烧结过程生产实际，运用神经网络中的ＢＰ学习算法设计了分类器，用于在线推断烧结矿的质量，为了加快ＢＰ学习算法的收敛速度，采用了自适应变步长学习算法，实验结果表明，由此建立的烧结过程神经网络质量预报模型，预报正确率高，具有很好的泛化能力。     

改进的集成神经网络学习优化研究

AdaBoosting算法是一种集成学习算法，用来提高不稳定学习器的泛化能力．本文基于神经网络是一种不稳定分类器的机理结合最小二乘算法和遗传算法，提出了对集成神经网络分类器权值进行优化的新方法．     

前馈神经网络的容错性研究

以前馈神经网络为研究对象，提出了一种容错型神经网络学习算法，将系统运行过程中可能发生的各类故障随机地引入网络训练过程，使系统获得更加稳健的内部表示。仿真结果表明，该学习算法能够有效地提高神经网络的容错能力和泛化能力。     

一种用于MIMD平台的并行遗传／神经网络混合学习算法

本文提出了一种用于多层前馈神经网络训练的新算法，它把遗传算法与自适应变形梯度学习算法集成起来。这种并行混合学习算法已经在ＭＩＭＤ平台实现了。通过把该算法用于二个图像识别领域例子，对它的性能进行了评估，本文学显示了所 拼行混合神经网络学习算法的良好的收敛性。     

一种应用神经网络技术的威胁估计算法

在对现有威胁估计算法分析的基础上，结合神经网络技术，提出了于BP神经网络模型的威胁估计算法，利用神经网络良好的自适应能力和自学习能力，通过样本数据训练，提高威胁估计算法的准确性和适应性。     

SOFM神经网络最近插入法混合算法在TSP问题中应用研究

SOFM神经网络已经成功应用到TSP问题中，但是该算法存在一些缺点，随着学习速度逐步降低，会导致一些城市无法通过。针对这些缺点，尝试在SOFM神经网络中引入最近插入法形成混合算法。通过实验，并与SOFM神经网络该算法对比，结果表明，该算法能够很好地完善该问题。     

基于覆盖的神经网络集成在语音识别中的应用

神经网络集成通过训练多个神经网络并将各网络的结论进行合成,从而得到最终结果.集成可以显著的提高学习系统的泛化能力.讨论了基于覆盖思想而设计的神经网络集成方法,并将其应用于汉语孤立数码语音识别系统中,通过在集成过程中加入基于覆盖思想的控制算法降低系统的泛化误差,从而使系统的识别效果有了进一步的提高.     

一种新的前馈神经网络删剪算法

前馈神经网络中隐层神经元的个数与它的学习和泛化能力密切相关.通过广义逆矩阵算法解决最小二乘问题改进神经网络自构行学习算法,得到一种新的前馈神经网络删剪算法.将新算法用于已经训练好的大型网络,能删剪“冗余”的隐层神经元,得到一个最精简的神经网络.此精简的神经网络不需要重新训练仍能保持原有的性能,并且泛化能力很好.仿真实例说明此算法的有效性和可行性.     

贝叶斯分类器集成的增量学习方法

针对基于决策树和神经网络的增量学习算法的过量匹配和分类精度有限的缺点,提出了一种基于贝叶斯分类器集成的增量学习方法.综合朴素贝叶斯的增量分类和集成的增量学习方法,采用随机属性选择训练初始SBC(simple Bayesian classifiers),通过判断是否带有类别标签,将增量样本自动分组,并利用遗传算法对结果进行优化.实验结果表明,贝叶斯分类器集成的增量学习方法有效.     

非线性同伦LM算法及在软测量建模中的应用

综合同伦方法与Levenberg-Marquardt(LM)优化方法,提出了一种新型非线性同伦LM神经网络学习算法以改善现有神经网络学习算法的学习效率,分析了不同类型的过渡函数对神经网络泛化性能的影响.该算法具有稳定性强、收敛性能好的特点.结合工业过程实际要求,将提出的改进算法用于丙烯腈收率神经网络软测量建模并与几种常见建模方法比较,结果表明:基于改进算法的软测量模型具有更高的测量精度和更好的泛化性能,满足现场测量要求.     

基于量子差分进化算法的神经网络优化方法

一般的神经网络的结构是固定的,在实际应用中容易造成冗余连接和高计算成本。该文采用了协同量子差分进化算法(cooperative quantum differential evolution algo-rithm,CQGADE)以同时优化神经网络的结构和参数,即采用量子遗传算法(quantum genetic algorithm,QGA)来优化神经网络的结构和隐层节点数,采用差分算法来优化神经网络的权值。训练后的神经网络的连接开关能有效删除冗余连接,算法的量子概率幅编码和协同机制可以提高神经网络的学习效率、逼近精度和泛化能力。仿真实验结果表明:用训练后的神经网络预测太阳黑子和蒸汽透平流量具有更好的预测精度和鲁棒性。     

基于混合学习算法的模糊小波神经网络控制

采用小波函数作为模糊隶属函数,将模糊控制与神经网络相结合,利用神经网络实现模糊推理.针对BP算法易陷入局部极值点的缺点和简单遗传算法局部搜索能力差的不足,提出了一种混合学习算法,即首先利用遗传算法全局搜索的特点来离线优化神经网络的参数,再利用BP算法较强的局部搜索能力对网络参数进行在线调整.仿真结果表明,该网络能对不同的对象实施有效控制,且具有快速、适应性强等特点.     

基于过程神经网络与气动热力参数的航空发动机状态监视

采用前馈过程神经网络方法预测发动机排气温度，讨论了网络输入输出参数的选择问题，基于正交基函数简化了前馈过程神经网络的聚合运算，提出了从前馈过程神经网络向传统前馈神经网络网络模型的转化方法，基于传统前馈神经网络先验知识给出了学习算法，进行了网络训练及仿真，取得了满意的结果。     

基于GA-Basic spline算法的AUV运动智能控制器

在研究B样条神经网络的基础上,提出了基于遗传算法学习的B样条神经网络控制算法,并应用于AUV运动控制,以AUV的航向控制和深度控制为例,进行了仿真验证.仿真结果表明该算法具有良好的控制性能.     

基于分层遗传算法的BP神经网络学习算法

针对BP算法局部搜索能力强,而分层遗传算法全局搜索优势突出的特点,结合二者优势构造了一种分层遗传算法与BP算法相结合的前馈神经网络学习算法．将分层遗传算法引入到前馈神经网络权值和阈值的早期训练中,再用BP算法对前期训练所得性能较优的网络权值、阈值进行二次训练得到最终结果．仿真结果表明,该混合学习算法能够较快地收敛到全局最优解,优于BP算法、分层遗传算法,具有一定的实用价值．