一种改进的模糊调节神经网络及其应用

针对具有相同激励函数的隐层神经元非线性表达能力较差的情况,提出了一种改进的模糊调节神经网络,并利用遗传算法进行训练。该模糊调节神经网络包括模糊神经网络和三层前馈神经网络2部分,通过模糊神经网络间接调整前馈神经网络隐层激励函数参数,并用遗传算法同时对模糊调节神经网络的权值和模糊神经网络参数进行训练,从而增强了网络的表达能力。将模糊调节神经网络用于非线性量化因子模糊控制器参数的整定仿真结果表明,改进的神经网络比传统的神经网络拥有更大的自由度,具有更强的非线性表现能力,从而使非线性量化因子模糊控制系统具有更好的控制性能。     

神经网络全局收敛快速算法在非线性建模中的应用

把神经网络当作结构已知的非线性系统,权系数的学习看成非线性系统的参数估计,给出前馈神经网络在线运行投影学习算法,理论上证明算法的全局收敛性,并讨论算法参数的选择范围．通过非线性时变系统的神经网络建模应用的仿真,验证算法的在线运行能力．     

激励函数可调的NARX神经网络

提出了一种隐层神经元激励函数可调的具有外部输入的非线性回归(NARX)神经网络,它在进行权值调整的同时,还对各隐层神经元激励函数的参数进行自适应调节;并推导出激励函数参数的学习算法,从而使NARX神经网络更符合生物神经网络.通过系统辨识的仿真实例,说明了隐层神经元激励函数对网络性能的影响,还验证了文中提出的NARX神经网络具有更快的收敛速度,并且能有效地避免算法陷入局部最小.     

前馈网络的一种高精度鲁棒在线贯序学习算法

基于离散傅里叶变换-极限学习机(DFT-ELM)提出了一种新的单隐层前馈神经网络在线贯序学习算法,命名为"在线贯序-离散傅里叶变换-极限学习机"(OS-DFT-ELM).该算法能够逐个或逐段学习数据,随着新数据的逐渐到达,单隐层前馈神经网络的内权矩阵和外权矩阵得到逐步调整.该算法与在线贯序-极限学习机(OS-ELM)相比,具有更高的精度和鲁棒性.同时,通过实验和分析,表明OS-DFT-ELM具有优良性能.     

基于权值函数神经元的BP网络研究

研究了一种神经元模型,在该模型中将参数可调的激励函数往前移到权值上,即把权值变为参数可调的函数,这些权值函数的累加和作为神经元的输出.将此类神经元称为权值函数神经元,根据BP算法给出了由其构成的前馈神经网络的学习算法.仿真实验对比结果表明,在给定的误差精度要求下,基于权值函数神经元的BP神经网络每次训练都能收敛,且平均迭代步数较少,其收敛速度要优于传统BP网络,具有较好的研究应用价值.     

改进的反向传播学习算法

采用了激励函数可调的多层神经网络，并对BP算法进行了改进。     

用多层前馈神经网络进行同调发电机组的在线识别

基于多层前馈神经网络理论，本文提出了电力系统暂态稳定计算中同调发电机组在线识别的基本理论及其算法，文中阐述了这种方法的原理，神经网络的结构及学习算法，分析和计算结果表明，该方法具有准确、快速的优点，在电力系统暂态稳定计算中有很大的应用潜力。     

一种自适应性神经元控制器研究

经典的控制器参数的整定过于依赖控制对象的数学模型,不便在线调整。为了解决这一问题,提出一种自适应性PID神经元控制器。在PID控制原理的基础上,充分利用神经网络用于非线性控制的特性,对神经元赋予了比例、积分和微分的功能。采用可微可导的激励函数,通过反向传播算法,实现了控制器参数的在线调整。仿真实例证明PID神经网络控制器具有较好的自适应性和抗干扰能力。     

基于组合神经网络的软件可靠性预测研究

为了进一步提高神经网络的预测能力,提出了一种前馈神经网络混合学习算法,并将其应用于组合神经网络.该算法由一种模式提取算法(Alopex)和伪逆算法组成.在该混合学习算法中,网络的学习任务被分解为2个部分:隐藏层的权值先随机给定,然后使用Alopex算法不断地对其进行扰动;输出层的权值使用伪逆算法确定.所使用的组合神经网络由多个结构相同的前馈神经网络组成,每个前馈神经网络都使用混合学习算法(采用不同的初值)进行训练.实验结果表明,这种组合神经网络能够显著提高软件可靠性的预测精度.     

基于人工神经网络的棉花黄萎病预测系统

介绍了一种使用非单调函数作为隐层节点的激励函数的前馈多层神经网络模型构造棉花黄萎病预测系统。该系统能够较好地解决局部极小问题 ,并且运算速度快 ,性能良好 ,预测准确。     

多输入模糊神经网络结构优化的快速算法

采用规则前件提取,以获得较少的高效规则,对模糊神经网络(Fuzzy Neural Network)进行结构优化,解决了在多输入模糊系统中因规则数多导致的结构庞大问题,使之适用于多输入模糊系统．结构学习中采用竞争算法优化隶属函数,保证规则前件提取的高效;参数学习中采用梯度下降法调整网络参数。     

稳定性监控自学习FNN控制器

针对一类未知的非线性系统，提出一种具有稳定性监控的实时自学习ＦＮＮ控制器．ＦＮＮ控制器采用遗传算法使自学习获得最优的性能指标；实时学习过程的稳定性则由基于李雅普诺夫方法设计的监控器来保证，使得ＦＮＮ控制器的自学习过程总是在全局稳定性的条件下进行．     

模糊神经网络在超声马达位置控制中的应用

提出了利用模糊神经网络控制器 (FNN)实现对超声马达位置进行控制的方法 ,并提出适应法则进行在线训练 ,以减小由于参数的不确定性和外部干扰对超声马达所产生的影响 ,提供了FNN控制器的结构图。仿真与实验研究表明 ,FNN控制器能够实现对超声马达位置的精确控制     

模糊神经网络控制及其学习方法的研究

对模糊神经网络的学习方法进行了研究.该方法中,在分层训练的基础上通过改变隐层节点数目、训练样本数目和BP算法参数来对网络进行训练.仿真结果表明该方法精简了网络的结构,减少了训练的时间,为模糊神经网络用于实时控制系统提供了可能的条件.     

基于生态遗传算法的煤矸石自适应模糊模式识别

给出煤矸石组分模式识别的模糊神经网络模型，提出一种实用生态算子，同时将此基础上构建的生态遗传算法用于模糊神经网络的离线学习，能有效避免传统BP算法学习速度慢、易陷入局部极小的缺陷和基本遗传算法的遗传滑脱现象．仿真和实验结果显示新算法使离线训练的网络具有良好的收敛性能，而且从训练好的定量网络中提取模糊规则用于原煤的在线自动分选，不仅能提高煤中矸石的识别率，而且有效解决了系统识别精度与实时分选之间的矛盾．     

基于聚类和模糊神经网络的故障诊断

模糊神经网络能够发挥模糊逻辑和神经网络的特性,在武器装备的故障诊断中应用越来越广泛。文中提出了一种基于聚类和模糊神经网络的故障诊断模型,该模型首先通过基于关系度的聚类方法得到模糊神经网络的初始结构,并用梯度下降法对网络的参数进行修改,以得到泛化能力好的诊断网络。仿真结果表明该模型是有效的。     

基于改进模糊神经网络的电力系统短期负荷预测

提出了基于改进聚类算法的模糊神经网络的短期负荷预测方法。首先,利用改进聚类算法确定模糊神经网络的结构,然后利用混合学习算法训练该网络的前件和结论参数,最后向训练好的模糊神经网络输入相关的影响因素数据进行预测。预测结果显示,改进的模糊神经网络可以获得较高的预测精度,所以有更好的使用价值。     

一种新的模糊神经网络删剪策略

模糊规则的数量直接决定模糊神经网络结构的复杂度和效率.基于神经网络自构行学习(NNSCL)算法,用共轭剃度预条件正则方程算法求取删除隐层神经元后的剩余权值,得到改进的NNSCL-1算法.将此算法应用到模糊神经网络的规则推理层,可以极大地优化网络的规则及结构,并且结构优化后不需要重新训练也能保持网络的精确度和泛化能力.仿真结果显示了此算法的有效性和可行性.     

适用于励磁系统建模的模糊神经网络方法

基于原有励磁建模方法,将模糊理论和神经网络相结合,充分利用模糊理论处理不精确问题和神经网络较强的泛化能力等优势,形成一种模糊神经网络(FNN),并推导了FNN的学习算法.将此FNN用于发电机的控制环节——励磁系统建模.仿真结果显示,FNN模型能够较精确地对实际系统进行拟合.     

混沌优化在模糊系统优化设计中的应用

在基于 T- S模型的模糊神经网络的基础上 ,提出了一种将混沌优化方法和最小二乘法相结合的优化方法。用变尺度混沌优化方法优化隶属函数参数 ,而用最小二乘法估计规则后件参数。该方法同时利用了变尺度混沌优化的快速全局搜索能力和最小二乘法的快速收敛性 ,因此网络学习速度快 ,精度高。仿真结果表明了该方法的有效性 ,所建立的模型具有良好的泛化能力。