基于数值积分的离散过程神经网络算法及应用

为解决离散过程神经网络的训练问题,提出了两种基于数值积分的离散过程神经网络训练算法.分别采用三次样条积分和抛物插值积分直接处理离散样本和权值的时域聚合运算,采用梯度下降法实现网络参数的调整.以漫湾水电站的月径流数据预报为例,实验结果表明,两种算法性能接近,均优于基于正交基展开的过程神经网络.     

基于熵方误差的高斯牛顿前馈神经网络

为了提高前馈神经网络学习算法的收敛速度,尝试定义熵方误差函数,并将其应用于高斯牛顿前馈神经网络。在理论上证明了熵方误差函数的有效性,以及基于熵方误差的高斯牛顿前馈神经网络的局部二阶收敛性。最后进行仿真实验,并与几种常用神经网络进行对比,结果表明引入熵方误差函数的前馈神经网络具有良好的收敛性与稳定性。     

用Melnikov函数的数值积分法估计混沌阈值

用Melnikov方法对含高阶非线性项的微分方程进行研究。由于很难得到Melnikov函数的解析表达式,故采用数值积分法求解,从而得到可能出现混沌的阈值曲线。并由给定参数计算出相应的混沌阈值,数值仿真结果与Melnikov函数的数值解是一致的。     

复数RBF神经网络自适应均衡算法研究

在研究基于实数径向基函数 (RBF)神经网络均衡器结构的基础上 ,提出了几种新的适用于QAM信号的复数RBF神经网络自适应均衡器结构 ,并给出了相应的自适应算法。新的均衡器是充分利用了所得到的信号信息及RBF的特性而分别构成的。理论分析和计算机仿真结果都表明 ,基于新的均衡器的算法比基于实数RBF神经网络的均衡算法具有更好的收敛性能     

初值问题数值积分的并行化方法

本文综述初值问题数值积分的并行化方法的一些结果。讨论的内容包括刚性和非刚性常微分方程组的方法分割的并行化方法以及这些并行算法的构造和分析，也涉及时间分割的并行化方法。考虑各种可能的并行化途径。     

基于改进基函数的自适应动态模糊神经网络算法研究

在D-FNN算法基础上,提出了基于椭圆基函数(EBF)的广义动态模糊神经网络.该算法提出模糊ε-完备性作为高斯函数宽度的确定准则,避免初始化选择的随机性;同时,该算法不仅能对模糊规则而且能对输入变量的重要性作出评价,从而使得每个输入变量和模糊规则都可以根据误差减少率(ERR)来修正.其应用不仅可以用来建模,还可以用来抽取有意义的模糊规则以获取知识.通过与D-FNN以及其他方法的比较,可以看到GD-FNN在学习效率和性能方面具有突出的优势.最后针对实际案例进行了仿真分析,验证了该算法的有效性和高效性.     

基于动态递归模糊神经网络盲均衡算法的研究

模糊系统和神经网络已广泛应用于系统的辨识和控制,但是传统的模糊神经网络是一种静态映射,不适用于动态系统的辨识;而由于无线通信信道的时变性和不确定性,决定了盲均衡器本身就是一个动态的均衡过程,所以研究利用动态递归模糊神经网络的盲均衡算法是可行的,而且也是必要的。仿真结果表明:由于动态模糊神经网络的均衡过程同时利用了系统的当前数据和历史数据,对动态系统的均衡,较传统神经网络在均衡的精度和稳定性方面具有更好的效果。     

粒子群算法在小波神经网络中的应用

利用粒子群(PSO)算法对小波神经网络(WNN)中的参数{am，bm，w(am，bm)}进行优化，取代了传统的梯度下降法。并将仿真结果与BP网络进行比较，仿真数据表明，PSO算法在叠代次数、函数逼近误差、网络性能方面均比BP网络有着显著的提高，且在粒子数目较大的情况下能有效避免BP网络无法避免的局部极小值问题。     

基于模糊Chebyshev基函数神经网络的快速学习算法

将模糊控制与神经网络相结合,用神经网络来实现模糊推理,提出了一种以Chebyshev基函数为隶属函数的模糊神经网络。由于无需调整隶属函数的参数,因此该模糊神经网络模型算法的计算量大大减小,仿真结果表明了该模型算法的有效性和快速性。     

应用神经网络技术研究农业生产函数

在对目前流行的Ｃ－Ｄ农业生产函数研究方法及其存在的问题做了简要分析后,提出了应用神经网络技术建立“隐式”农业生产函数模型的新思路。该模型方法具有较好的非线性品质,模型适应能力强。     

基于递阶遗传算法和BP网络的时间序列预测

提出一种基于递阶遗传算法和BP神经网络的时间序列预测模型。现有的BP训练方法只能训练BP网络的权重,网络的结构得预先用某种方法确定。利用很好设计的递阶遗传算法能够把网络的结构和权重同时通过训练确定。以铁路客运市场数据进行训练和测试,与传统的BP网络预测模型相比较,结果证明该模型的预测精确度是令人满意的,所提出的方法是可行的。     

一种基于频域分析的小波神经网络收敛算法

针对高精度神经网络在线学习过程中，当神经网络所用的神经元和采样数据非常多，传统的梯度下降法很难保证得到的神经网络具有良好的推广能力的问题。根据小波理论提出一种基于频域分析的在线学习算法，并通过仿真试验对这种新的算法进行验证。理论和试验都表明它不但能够保证神经网络在线辨识过程中具有良好的推广能力，而且加快了神经网络的收敛速度。     

双时滞神经网络模型分支性的数值逼近

数值逼近是数值计算中的基本问题,对仿真算法的理论研究有重要意义.文章研究了一类重要的双时滞神经网络模型的Hopf分支的数值逼近问题.首先,将时滞差分方程表示为映射,然后利用离散动力系统的分支理论,给出了差分方程的Hopf分支存在的条件.得到了连续模型的Hopf分支与其数值逼近的关系.证明了当该模型在juu=(L,2,1=j)处有Hopf分支时,其数值逼近在相应的)(hj=uu(L,2,1=j)处产生Hopf分支.数值Hopf分支值与原连续系统的Hopf分支值之间满足)()(hOhjj =uu.     

DC-DC变换器的模糊神经网络控制方法研究

提出了一种新型的模糊神经网络串联式结合方式。这种串联型模糊神经网络具有模糊控制的结构简单、使用方便的特点，同时又利用了人工神经网络的聚类功能，使整个控制器又具备人工神经网络的自学习能力。仿真试验表明该控制方法对于复杂的全桥式串联共振型DC—DC变换器具有良好的控制效果，整个模糊神经网络控制器的设计过程不仅避免了传统控制器的繁琐的参数调节过程，而且又避免了传统模糊神经网络控制器设计的复杂性。     

梯度神经网络求解Sylvester方程之MATLAB仿真

近年来,国内外学者发表了许多关于线性代数问题实时求解的方法,其中包括了矩阵求逆和线性方程组的并行求解方法.在研究了基于梯度法的递归神经网络用于Sylyester矩阵方程的实时求解后,通过使用Kronecker乘积和矩阵向量化等技术进行了MATLAB仿真从而验证了相关理论分析.计算机仿真的结果证实了这类神经网络方法在解决Sylvester矩阵方程中的有效性和高效率(特别是在使用幂S型激励函数的情况下).     

基于模糊集的神经网络景象匹配算法

将神经网络思想引入到景象匹配,提出了基于模糊集的神经网络景象匹配算法。该算法将图像模糊集作为特征空间,尝试了在模糊域中采用神经网络学习算法进行精确寻优。实验结果表明,设计的算法不但较好的满足了景象匹配系统对算法的性能要求,而且比传统算法具有更高的抗干扰能力。     

基于神经网络的数控超声加工效果建模与仿真

为精确地预测数控超声加工效果,应用神经网络理论建立了数控超声加工切削率BP、RBF两种神经网络模型。根据实际情况,进行了网络结构设计,比较了不同特征参数时网络模型的性能,并对所建模型进行了仿真验证。验证结果表明,预测数据与实测数据有较好的一致性,RBF网络数据比BP网络数据稳定,性能更优,当RBF网络中分布密度spread取2时,性能最优。说明可以使用神经网络模型对数控超声加工切削率进行预测。     

求解有界约束二次规划问题神经网络模型的收敛性分析

通过深化Lasalle不变原理,建立了判别一般动力系统全局收敛性的一个准则.应用这一准则,详尽研究了一个求解有界约束二次规划问题神经网络的全局收敛性,给出了当目标函数为一类非凸函数时的全局收敛性条件.特别地利用常微分方程理论,证明了该网络对任意凸函数全局收敛性,所获结果深化和推广了现有文献相关结论的相应结论.这些新的结论都表明了该神经网络在求解有界约束二次规划问题时的有效性.数值模拟与理论分析结果一致.     

基于神经网络方法的船舶姿态运动极短期预报与仿真

根据动态神经网络具有通过学习能以任意精度逼近非线性函数的特性，建立了用于船舶运动极短期预报对角回归网络（DRNN）模型及算法，并将该算法所取得的结果与自回归预报法和周期图预报法的结果相比较，说明了该算法的可行性。     

基于神经网络集成的说话人识别算法仿真研究

说话人识别研究中采用的语音信号特征同时包含了语义信息和话者信息,二者相互影响,给识别带来了很大的困难。为解决这个问题,我们将集成思想应用于说话人识别中,针对每个汉语单韵音的特征空间训练一个神经网络实现说话人分类,并使用另一个神经网络对多个单韵音神经网络识别器的识别结果进行结合。该方法可以有效地避免语义信息对说话人识别的干扰,提高识别精度。不仅如此,神经网络集成的识别结果还可以同时给出该帧语音所属的单韵音类型。仿真实验结果表明,集成系统的识别精度高于单一神经网络,并且在与多种算法的对比中也展示了良好的性能,更重要的是,该方法给出了一种从语音特征中分离语义信息和说话人信息的新思路。