一种非线性的BP学习算法

提出了一种非线性学习规则，以非线性函数th(x)取代传统学习算法中的线性函数x，来调整BP网络的连接权值和阈值。与传统的BP学习算法相比，其连接权值与阈值的调整量不仅与误差函数对连接权与阈值梯度的一次幂有关，而且也与梯度的高次幂有关。因此，克服了传统的BP学习算法过程中难以跳出局部极小值与收敛速度慢的缺点。模拟实验表明，该算法比传统的BP网络学习算法在学习时间和迭代次数方面都具有显著优势。     

进化神经网络的研究进展

进化神经网络由于充分利用了进化算法与神经网络的优点而越来越受到人们的关注,从而形成了一门新兴的计算智能学科.讨论了进化神经网络的起源,从辅助式进化神经网络和结合式进化神经网络评述了进化神经网络的研究现状,阐述了进化神经网络的并行实现.最后指明了进化神经网络的发展与未来.     

连续MFN神经控制系统的稳定性判据

针对广泛应用的多层前向神经网络 (MFN) ,建立了连续MFN控制系统的数学模型 ,给出了其闭环稳定性判据 ,利用Lyapunov方法 ,进行了严格的数学证明 ,并且在证明过程中给出了系统的Lyapunov函数 ,同时进一步得出了系统为线性系统时的稳定性条件 ,最后讨论了目前神经控制系统稳定性研究中存在的有关问题 ,指出了将来的研究方向。     

基于一类模运算的模糊神经网络的模糊联想记忆

本文通过Ｔ－模建立的一类模糊神经网络推广了ｍａｘ－ｍｉｎ神经网络。对于给定的模糊模式对（Ｘ１，Ｙ１），…，（Ｘｐ，Ｙｐ），我们得到了这类网络能够存储这族模糊模式对的充分条件和必要条件。并将所讨论的方法应用于一类带阈值的ｍａｘ－ｍｉｎ神经网络，证明了这类网络能够存储给定的一族模糊模式对的等价条件。最后用实例验证了我们的结论。     

一种基于神经网络的混沌控制方法

将神经网络(NN)与内模控制(IMC)相结合,提出了一种用基于BP神经网络的内模控制进行混沌抑制的方法,该方法既具有内模控制的特点,又引入了神经网络的在线自校正机制。应用所提出的方法,针对Duffing振荡器的混沌控制问题进行了仿真研究,仿真结果验证了该方法的有效性,同时还表明该方法具有很好的鲁棒性与自适应能力。     

应用神经网络技术模拟扩展可靠性数据的研究

为使可靠性评估结果有较高的准确性和可信性，要求样本量足够大，而在实际上获得这些数据是很困难的，因此能否通过模拟仿真的方式在原有数据的基础上进一步产生与原样本具有同样统计规律的数据以扩大样本量值得尝试探索，基于这样的考虑，运用人工神经网络方法对可靠性数据进行了模拟仿真分析并结合不同样本数据与传统方法进行了对比，得出了有益结论。     

神经网络的智能雷战斗部总体效能评价研究

建立了反直升机智能雷战斗部系统总体效能的评价体系.对各种评价方法进行了分析,这些方法都是以判断矩阵为核心,仍然显著地受决策者的主观影响.对应用人工神经网络技术解决反直升机智能雷战斗部系统总体效能评价问题进行了探讨,给出了神经网络评价模型和算法.对层次TCPSIS法评价结果与神经网络评价结果进行比较,结果表明神经网络的评价结果受决策者的主观性影响较小.     

基于均匀场理论的CDMA多用户检测的方法

基于均匀场理论提出了实现码分多址(CDMA)最佳多用户检测的一种神经网络方法。从理论上证明了该算法的稳定性,理论分析和计算机仿真表明该算法能有效地抑制噪声干扰、能有效地克服远近效应,且能实时求解,有利于VLSI实现。     

Hammerstein系统自适应神经网络控制算法的收敛性分析

对一类确定性Hammerstein系统,给出了基于神经网络的自适应控制算法。考虑到神经网络的非线性特点,特别是其自适应学习能力,控制系统采用两个神经网络分别作为估计器和控制器,通过在线训练网络的权重来获得模型参数和控制输入。神经网络的训练用Widrow-Hoff学习规则。对算法的全局收敛性进行分析表明系统具有总体收敛性,输入输出有界。     

光栅实验台的模糊神经网络补偿器设计

在惯导测试设备设计过程中经常会碰到摩擦干扰问题。为消除光栅试验台稳速系统中影响低速平稳性的摩擦干扰 ,提出了一种采用模糊神经网络补偿器的控制系统设计方案。这种方案是先采用传统方法基于对象简化线性模型设计PI控制器 ,然后利用模糊逻辑对摩擦干扰进行补偿。从而较好地解决了摩擦干扰造成的低速性能差的问题。     

基于加速进化规划的模糊神经网络学习算法

提出了一种训练模糊神经网络的加速进化规划算法。该算法是进化规划算法的一种改进 ,适合于多维高精度的数值优化。经仿真实例验证 ,其收敛速度有了明显的改善 ,且不易陷入局部极小。     

智能学习技术及其应用

本文按三种学习方式：有导师学习、无导师学习和加强学习的次序,分别概述了在这些学习方式下各种学习算法和学习系统中所采用的学习技术、方法及其应用。通过智能学习技术的研究使我们了解目前学习技术的主要研究内容、应用和发展方向。     

一种复前馈神经网络的新算法

提出了一种复三层前馈网络的新型学习算法。该算法采用的是分层优化方法 ,将隐层的非线性神经元线性化 ,线性化产生的误差通过罚项受到限制。分层优化使得每一层权值整体优化 ,而与另一层无关 ,这样使得整个优化过程更有效。     

关于前馈神经网络的激活函数与认知能力

讨论了目前前馈神经网络研究中存在的一些问题 ,给出了前馈神经网络的一种数学框架。在这种框架下 ,提出了网络神经元激活函数的选取原则 ,给出了前馈神经网络认知能力的概念 ,证明了静态前馈神经网络的认知能力是有限的。指出了网络的认知能力与激活函数、隐层神经元个数的选取都有关 ,并提出了隐层神经元个数的选取原则。最后 ,给出了前馈神经网络泛化能力的概念 ,指出前馈网络的泛化能力是有条件的。     

非线性嗅觉生理模型在一维序列识别中的应用

Water J Freeman教授在生理实验的基础上建立了一套基于嗅觉系统的神经网络模型。这套模型运用非线性动力学的方法较好的模拟了人体的嗅觉系统,并能够产生类似脑电的非周期背景信号。利用这个的基于嗅觉系统而建立的模型--K系列模型可以实现模式识别。本文首先从原理上介绍了K系列模型的拓扑结构和数学基础,然后通过实际的计算机数值模拟介绍了KII网络和KIII模型在实现一维序列识别时的方法和结果,简单说明了这个模型在模式识别上的特点。     

用FWHT改进BP算法学习过程

本文提出将快速沃尔什-阿达玛变换(FWHT)引入BP算法中,BP算法学习过程大大加快,文中给出计算机模拟结果。     

基于改进BP神经网络的智能控制方法研究

针对典型BP神经网络存在的缺陷提出了一些有效的改进措施。通过采用改进的BP神经网络来对控制规则样本进行学习和训练 ,使网络记忆控制规则 ,以达到智能控制的目的。仿真和实验结果证明 ,该方法具有优良的控制特性 ,能满足伺服电机控制的需要。     

一种军事图像目标识别神经网络系统

在军事图像目标识别中,目标通常发生比例、平移、旋转变化,有时还处于复杂背景之中或部分被障碍物遮挡,而识别往往要求是实时的。这使得传统的图像目标识别方法不能获得较好的效果。本文提出了一种神经网络目标识别系统,该系统能直接识别图像目标,而无需提取图像中的目标特征,具有目标识别的比例、平移、旋转不变性,具有良好的复杂背景下的目标识别性能,是一种高速、实用、识别率高的军事图像目标识别神经网络系统。文中给出了改进的神经网络模型并针对不同军事目标的识别需要进行了仿真实验。     

神经元建模和脑功能成像的研究

长期以来，在理论上架建神经生理学和心理学之间的桥梁一直是神经科学家和认知科学家的研究方向和发展目标。根据电生理学的数据、神经生理学实验和神经心理学证据，本文建立了一种生物神经元的合理数学模型。该神经元模型构造的神经网络的动力学行为可以联系到一些神经生理现象和心理现象。本文还讨论了神经元建模、脑功能和功能成像三者之间的交叉问题。     

多项式感知器用于求解胡尔维茨可满足问题

定义了多项式感知器,分析了多项式感知器的逼近能力及特性,给出了多项式感知器用于求解多项式胡尔维茨可满足问题的神经网络学习算法.算例表明,该算法简单可行,易于实现,在稳定性问题中有着广泛的应用前景.