一种基于Legendre正交基变换的过程神经元网络训练

为解决过程神经元网络训练涉及的时域聚合运算问题,提出了过程神经元网络的一种学习算法。算法在网络的输入函数空间引入Legendre正交函数基,将输入函数和网络连接权函数表示为该组正交基的有限项展开形式,利用Legendre函数基的正交性,避免复杂的积分过程,降低过程神经元在时间聚合运算中的复杂性,提高学习效率。仿真实验结果证明了算法的有效性。     

基于粒子群优化的过程神经网络学习算法

基于粒子群优化为过程神经元网络提出了一种新的学习算法。新算法在对网络输入函数和连接权函数进行正交基函数展开后,将网络中的结构参数和其他参数整合成一个粒子,再用粒子群优化算法进行全局优化。新算法不依赖于函数梯度信息,不需要手动调节网络结构。粒子群优化具有良好的全局优化性能和收敛性能,保证了过程神经元网络的全局学习能力和新学习算法的收敛能力,更好地发挥过程神经网络的逼近性能。两个实际预测问题的实验结果表明,基于粒子群优化的学习算法比现有的基于梯度的基函数展开方法以及误差反传神经网络模型具有更好的预测精度。     

基于标准正交基的随机过程展开法

建议了一类基于标准正交基的随机过程展开方法．提出此方法的主要目的，在于希望能用少量的独立随机变量来反映随机过程的主要概率特性，以便为工程结构的随机动力响应及可靠度分析奠定基础．该方法是在随机过程相关特性或频谱特性的基础上，预先指定标准正交基的形式，通过随机向量的相关分解对展开系数实施正交化，它在形式上等价于Karhunen-Loeve分解法．研究表明，随机过程正交展开所需独立随机变量的数量，主要取决于随机过程的频谱特性与持续时间，同时与标准正交基的选取也有一定的关系．     

基于改进粒子群算法的过程神经网络训练

针对过程神经元网络由于模型参数较多,正交基展开后的BP算法不易收敛的问题,结合量子理论,提出一种改进的粒子群算法,并用于过程神经元网络的训练。算法中粒子采用双链结构,用量子位的概率幅对粒子位置编码,通过量子旋转门和量子非门完成粒子的更新与变异,可发挥量子粒子群的群体搜索能力和全局收敛性,有效克服BP算法计算复杂、容易陷入局部最小值等缺陷。以两组二维三角函数的模式分类问题为例,验证算法有效性。结果表明该方法不仅收敛速度快,而且寻优能力强。     

基于 LVQ 过程神经元网络的储层岩性识别

针对基于取心井岩心分析数据和测井过程数据的储层岩性判别问题, 建立了一类学习向量量化过程神经 元网络模型(LVQ-PNN: Learning Vector Quantization Process Neural Network)。 该模型通过增加输出层, 扩展了 自组织过程神经元网络的深度结构; 采用无监督竞争与有教师示教相结合的算法策略, 提高了多维信号特征的 自适应提取和自组织综合能力。 实验证明, 该方法具有较好的岩性特征综合和辨识能力, 岩性识别率达到了 84. 7%。     

改进的RBF神经元网络及其应用

总结和改进了ＲＢＦ网络的结构和学习算法，并利用改进的ＲＢＦ网络对化工中的精馏塔系统进行建模研究，仿真可知效果较好．     

带权函数正交多项式系零点的一点注记

本文给出了带权函数正交多项式系｛ψｎ（ｘ）│ｎ≥０｝中，ψｎ（ｘ）在区间（ａ，ｂ）上的ｎ个相异零点与ψｎ＋１（ｘ）在区（ａ，ｂ）上ｎ＋１个相异零点之间的一个关系。     

基于神经元网络的无缝图形拼接

虚拟现实的设计中，利用计算机构造一个逼真的三维视觉环境是必不可少的一个环节，本文提出了一个基于神经元网络的无缝拼接方法，它无需昂贵的或繁琐的几何建模，只需利用现有的微机和普通的照相机，就可完成虚拟现实复杂的环境构造。     

基于离散过程神经元网络的农作物产量预测模型及其应用

采用离散过程神经元网络建立农作物产量基于种子、土壤、施肥、气候等影响因素下的预测模型,使用模拟退火-遗传算法对权值进行分层修订,并通过实际数据进行验证,得出此模型泛化能力较强,可以应用于其它经纬度,其它农作物生长参数的预测中,是一种全新的动态预测方法的结论。     

基因算法辅助人工神经元网络的结构设计

提出了以基因算法为基础的人工神经元网络结构设计基础。首先从连接权的演化入手,研究了基因算法的实现过程。在结构设计中,提出了稀疏化的编码方法。仿真结果表明这种优化方法对于神经网络的选取是有效的。     

基于离散过程神经元网络的健身结果分析

以4所健身房138名会员为研究对象,采用离散过程神经元网络建立模型,快速定量给出适合健身者的健身时间表、健身器材表、健身方法,给健身者以科学的健身指导.     

BFGS修正算法在前馈神经元网络学习中的应用

介绍了拟牛顿公式中BFGS修正算法和Wolf-Powell不精确线性搜索准则所具有的全局收敛,分析了将该算法应用到前馈神经元网络的训练学习中存在局部最优的原因。     

一种基于权函数的改进型关联规则挖掘算法

提出了一种基于权函数的改进型关联规则算法——CWA priori算法。该算法利用决策属性在挖掘中的作用,归约数据源中无价值或价值较小的记录,从而缩短程序运行时间和节约数据存储空间,较好地改进了算法性能。实验结果证明CWA priori算法的效率明显高于A priori算法。     

一种新型径向基函数神经网络学习算法：递归正交最小二乘法（ROLS）

径向基函数神经网络在很多领域得到了成功的应用。但迄今为止仍没有一种有效的方法来确定隐层中心数目，笔者将递归正交最小二乘（ROLS）方法引入RBFNN建模训练，利用ROLS算法训练网络后所得的有用信息，采用后向选择算法，逐步去掉那些使网络残差增加最小的中心，在得到网络有效中心的同时，还满足了精度要求，从而大大简化了RBF网络结构，节约了大量的存储空间以及计算量。仿真和实验结果表明该方法是有效而实用的。     

正交小波基的构造及算法设计

首先对小波分析的基本原理作了简要介绍,然后从图象信号完全重建的角度对几种小波基进行总结,着重指出：对于子带分解的小波基等价于在正则条件下,设计滤波器组;最后给出：Ｄａｕｂｅｃｈｉｅｓ基的小波生在算法及实验结果。     

基于多聚合过程神经元网络的宁东大气污染物浓度预测研究

已有的基于人工神经网络对大气环境质量预测的研究大多只考虑空间特性,因此,无法准确刻画大气环境中污染物浓度随时间的动态变化规律,更不能实现影响污染物浓度诸因子在时间维上的有效预测。鉴于此,主要在时间、空间上对多聚合过程神经元网络模型进行多次训练与学习,并将训练好的模型对宁东能源化工基地大气环境中污染物SO2的浓度进行预测。仿真实验表明:多聚合过程神经元网络对于大气环境中SO2浓度具有较好的预测能力。     

基于正交设计的反向学习差分进化算法

为了克服反向学习带来的维度退化现象,生成部分反向解增强对反向解空间的勘测能力,提出了一种基于正交设计的反向学习差分进化算法,利用正交设计仅生成若干具有代表性的部分反向解,在增强算法勘测能力与减少函数评价次数上达到了一个良好的平衡.实验结果表明:该算法相对于其他几种反向学习差分进化算法有更好的收敛精度及速度,同时对函数维度变化不敏感,鲁棒性较强.     

一种基于人工神经元网络的条件分支预测算法

针对人工神经元网络学习速度较慢的缺点,提出了改进学习算法的基于人工神经元网络的条件分支预测算法.基于SimpleScalar模拟器,用SPEC95基准程序对改进的方案进行了性能评估.模拟测试表明,在学习初期,相比传统人工神经元网络预测算法,改进的分支预测算法能使预测失效率降低1%~2%,而在稳定期,可获得同等的预测精度.     

基于神经元网络的不确定性规则的获取

讨论了不确定性规则的知识系统同神经元网络相结合的问题;提出了适合处理不确定性规则的负梯度学习算法,使不确定性规则能方便地转换成神经元网络的权矩阵;研究了如何利用神经元网络的生成能力来获取新的不确定性规则,使知识系统具有知识自动获取能力,并使原有规则系统的脆弱性得以改善.     

Schmidt正交化过程的改进

在n维欧氏空间中，一般用Schmidt正交化过程来求标准正交基，该方法计算比较复杂，有人借助合同变换来简化标准正交基的求法，其结果并不理想，本文对Schmidt正交化过程进行了改进，使标准正交基的求法，可以用一系列的初等变换来完成。