Equilibria and Stability Analysis of Cohen-Grossberg BAM Neural Networks on Time Scale

Journal of Systems Science and Complexity - This paper considers the Cohen-Grossberg BAM neural networks (CG-BAMNNs) on time scale, which can unify and generalize the continuous and discrete...     

Existence and Global Exponential Stability of Pseudo Almost Periodic Solutions of a General Delayed BAM Neural Networks

This paper studies a class of general BAM neural networks with multiple delays. Employing the exponential dichotomy theory and fixed point method, together with constructing suitable Lyapunov functionals, easily verifiable delay-independent criteria are established to ensure the existence and global exponential stability of pseudo almost periodic solutions, which not only generalize but also complement some existing ones. These theoretical results are also supported with numerical simulations.     

Global Asymptotic Synchronization of a Class of BAM Neural Networks with Time Delays via Integrating Inequality Techniques

In this paper, the authors are concerned with global asymptotic synchronization for a class of BAM neural networks with time delays. Instead of using Lyapunov functional method, LMI method and matrix measure method which are recently widely applied to investigating global exponential/asymptotic synchronization for neural networks, two novel sufficient conditions on global asymptotic synchronization of above BAM neural networks are established by using a kind of new study method of global synchronization: Integrating inequality techniques. The method and results extend the study of global synchronization of neural networks.     

General Decay Synchronization for Recurrent Neural Networks with Mixed Time Delays

This paper studies the general decay synchronization(GDS) of a class of recurrent neural networks(RNNs) with general activation functions and mixed time delays. By constructing suitable Lyapunov-Krasovskii functionals and employing useful inequality techniques, some sufficient conditions on the GDS of considered RNNs are established via a type of nonlinear control. In addition, one example with numerical simulations is presented to illustrate the obtained theoretical results.     

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。     

基于一种新型动态神经网络的非线性自适应逆控制

根据生物神经元的机能,提出了一种具有动态激励函数的新型神经元模型,由此构成的神经网络(DAFNN)应用在非线性自适应逆控制中时只需要确定隐层神经元个数,从而克服了用NARX回归神经网络时需确定输入和输出延时阶数及隐层神经元个数等多个参数的不足。通过对单输入单输出(SISO)及多输入多输出(MIMO)非线性系统的自适应逆控制仿真研究,证实了DAFNN是一种很好的非线性系统建模和控制工具。     

基于优化的RBF神经网络模式识别新方法

提出了一种基于Hough变换优化的RBF神经网络模式识别新方法,该方法把Hough变换应用于RBF神经网络的参数确定中,实现了RBF神经网络的隐层节点数和数据中心值的自适应获取,提高了RBF神经网络的泛化能力。仿真结果表明:此改进的RBF网络用于模式识别中具有识别能力强,计算量小,识别速度快的优点,具有广阔的应用推广前景。     

一种新的基于神经网络的非线性组合预测方法

一种新的基于神经网络的非线性组合预测方法文新辉牛明洁（西安电子科技大学，７１００７１）（新疆石油学院，乌鲁木齐８３００００）ＡＮｅｗＮｏｎｌｉｎｅａｒＣｏｍｂｉｎｅｄＦｏｒｅｃａｓｔｉｎｇＭｅｔｈｏｄｏｎｔｈｅＢａｓｉｓｏｆＮｅｕｒａｌＮｅｔｗｏｒｋ...     

一类新的离散时延递归RBF神经网络

提出了一类带有离散时间 FIR/ IIR滤波器的递归 RBF神经网络 ,用离散时间 FIR/ IIR滤波器代替通常的 RBF神经网络中的线性输出权值 ,以适用于离散动力学系统的辨识和控制以及混沌时间序列预测 .本文给出的学习算法简单 ,可以避免传统的递归算法的不稳定性 .将该类神经网络用于动力学系统的建模 ,收到很好的效果 .     

基于信号流图的动态神经网络在线学习算法

复杂的链式规则求导计算是动态神经网络在线学习算法中梯度向量计算的主要瓶颈,针时这一问题,根据P.Campolucci等人提出的动态系统梯度信息信号流图分析方法,设计了动态神经网络的在线学习算法,该算法可以直接从网络的信号流图及其伴随流图中获取目标函数关于网络参数的梯度信息,从而简化了算法梯度向量的计算.为了确保算法的稳定,根据Lyapunov稳定性定理,提出并证明了可以保证算法收敛的自适应学习速率,并且学习速率容易获得.利用NARX神经网络对非线性动态系统在线辨识的仿真实例也表明了本算法的有效性.     

Contractor Prequalification Based on Neural Networks

Contractor Prequalification involves the screening of contractors by a project owner, according to a given set of criteria, in order to determine their competence to perform the work if awarded the construction contract. This paper introduces the capabilities of neural networks in solving problems related to contractor prequalification. The neural network systems for contractor prequalification has an input vector of 8 components and an output vector of 1 component. The output vector represents whether a contractor is qualified or not qualified to submit a bid on a project.     

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     

多层细胞神经网络模型的一般状态解及动力值域估计

针对多层细胞神经网络模型，分析了其一般状态解并对其动力值域作了估计。     

容错神经网络研究

容错神经网络理论是分析和设计高可靠性的神经网络的理论和方法。容错神经网络的研究对于揭示人脑神经系统的容错机理和丰富容错系统理论有重大意义。本文结合所做的研究工作,系统地提出了容错神经网络的理论框架,为容错神经网络的理论和应用研究的深入奠定了基础。     

基于神经网络威胁判断模型

将神经网络理论应用于防空指挥控制系统中 ,研究了威胁判断模型 ,实例表明该方法是可行的 .     

基于递归神经网络的基因调控网络稳定性分析

基因调控网络是一类复杂的非线性动力学系统,其稳定性分析在生命科学研究中发挥着重要作用。基于递归神经网络所具有的较强的建模能力,建立了一类新的时滞基因调控网络模型。根据模型的特点构建合适的Lyapunov-Krasovskii函数,并借助线性矩阵不等式技术与S-方法推导出使得网络全局渐进与指数稳定的充分性条件,最后通过实例验证了此方法的有效性。     

神经网络理论在投入产出分析中的应用

把神经网络理论应用到投入产出分析中，由此建立起一种新的投入－产出模型，把这一模型中的某些变量理想化并进行变换后即可得到列昂节夫（Ｌｅｏｎｔｉｅｆ）模型。为此，本文把基于神经网络的新模型与列昂节夫模型进行了多方面的比较，并讨论了新模型系统的Ｌｙａｐｕｎｏｖ函数及关联强度的变化规则等.     

神经网络与图论

本文讨论了神经网络与图论之间的相互关系：神经网络的深入研究与发展离不开图论，神经网络的深入发展必将对图论中许多问题的进一步研究产生重要的影响。文中论述了图论在神经网络研究中的作用、地位及应用现状，同时概述了神经网络在图论中的应用情况。     

神经网络与专家系统

本文通过对专家系统与神经网络各自特点的考察，探讨了将两者结合起来并保留各自优点的可行途径，进一步指出了有待解决的问题。同时通过对电力系统中ＮＮ应用状况的回顾，展望了这一技术在电力系统中的应用前景。     

分布式神经网络推理原理

本文给出了一种复合神经元，简称ＣＩＮＮ。它由兴奋性神经元和抑制性神经元组合而成，具有３种状态、４种输入端和两种输出端。利用该神经元可以形成分布式神经推理系统。这种神经推理系统能够实现１６种类型关联推理规则，而普通神经推理系统仅能实现３种关联推理规则。