设计前馈神经网络结构的一种新方法

提出了一种设计前馈神经网络结构的新方法,该方法对网络隐层节点的输出作奇异值分解,根据奇异值大小的分布情况来决定隐层节点的个数,优化网络结构。这种方法同样也适用于有多个隐含层前馈神经网络的设计。应用这种方法来设计一个前馈神经网络并对一复杂信号建模和进行预测,能取得令人满意的结果。     

基于过程神经网络与气动热力参数的航空发动机状态监视

采用前馈过程神经网络方法预测发动机排气温度，讨论了网络输入输出参数的选择问题，基于正交基函数简化了前馈过程神经网络的聚合运算，提出了从前馈过程神经网络向传统前馈神经网络网络模型的转化方法，基于传统前馈神经网络先验知识给出了学习算法，进行了网络训练及仿真，取得了满意的结果。     

基于Bernstein多项式的SISO三层前向神经网络的设计与逼近

利用一元Bernstein多项式在相邻等距剖分点的差值和Sigmodial转移函数性质设计单输入单输出(single input single output, SISO)三层前向神经网络,并给出选取连接权和阈值的方法。此外,依据一元Bernstein多项式逼近连续函数定理证明SISO三层前向神经网络对连续函数也具有逼近性,进而通过实例获得该网络的一种输入输出解析表达式。     

一种基于前馈神经网络的火灾探测方法

讨论了基于模拟量探测器和前馈神经网络的火灾探测方法．以光学感烟、半导体感温、离子感烟和湿度模拟传感量为输入，以火灾概率和阴燃火灾概率为输出量对前馈神经网络进行训练，不仅可提取火灾环境的有效特征，而且可提高检测算法的可靠性     

基于两级神经网络的发酵过程多变量前馈解耦控制

针对具有时变、非线性、不确定性的多变量耦合生物发酵过程,提出了一种基于两级神经网络的多变量前馈解耦方法.一级神经网络利用可获得的过程信息拟和耦合通道的过程特性,实现耦合作用对被控量影响的估计;二级神经网络用来拟和控制通道的逆特性.通过两级网络的串联,消除系统间的耦合.实验结果表明,提出的解耦控制方法能适应生物发酵过程模型的不确定性和参数时变性,克服了前馈解耦方法依赖于过程模型和对模型参数的变化表现敏感的缺点.     

一种基于MATLAB的手写字母的神经网络识别方法

利用前向多层神经网络的反向传播算法,即BP算法,采用MATLAB软件构建用于特征识别的两层前向神经网络,将已知字母经图象处理后对BP网络进行训练,此BP神经网络可以成功地识别A－Z26个手写英文字母。     

多变量模糊控制系统的前馈解耦

为实现多变量模糊控制系统的动态解耦，基于前馈解耦思想和神经网络理论，提出了一种多变量模糊控制系统解耦的新方法——模糊前馈解耦法,模糊控制器和解耦部分独立设计，解耦由两层神经网络实现，节点少，其活化函数采用分段线性函数．利用简化的学习算法，根据系统输出误差，在线调整网络权值，从而实现动态解耦而无需辨识被控对象的模型，该方法结构简单且计算量小，适于实时多变量过程控制，仿真证明了该方法的有效性。     

基于神经元网络的短期电力负荷预测

基于多层感知器可任意精度逼近线性或非线性函数的基本原理，提出一种考虑气候影响因素的多层前馈神经网络的短期负荷预测方法，并给出相应的反向传播算法（BP）的构造过程和训练方法，研究结果表明，基于神经元网络的短期电力负荷预测方法具有精度高的特点，负荷预测结果的相对误差小于3．67％。     

一种新的前馈神经网络删剪算法

前馈神经网络中隐层神经元的个数与它的学习和泛化能力密切相关.通过广义逆矩阵算法解决最小二乘问题改进神经网络自构行学习算法,得到一种新的前馈神经网络删剪算法.将新算法用于已经训练好的大型网络,能删剪“冗余”的隐层神经元,得到一个最精简的神经网络.此精简的神经网络不需要重新训练仍能保持原有的性能,并且泛化能力很好.仿真实例说明此算法的有效性和可行性.     

模糊神经网络模型参考自适应控制

给出了一种基于模糊神经网络的模型参考自适应控制方案。首先,构造了一种运用递推预报误差（ＲＰＥ）算法的多层前向神经网络,并用其对被控对象建模,然后,又构造了一种模糊神经网络控制器（ＦＮＮＣ）。从而为一类难以建立精确数学模型的非线性被控对象提供了一种新的自适应控制方法,信息结果验证了其有效性。     

前向神经元网络的子波表示

基于函数逼近，对前向神经元网络中非线函数与子波变换中母函数的关系进行了分析，推出了前向神经元网络的子波表示，指出两种方法应用于Ｌ＾２（Ｒ）空间函数逼近时是一致性，最后给出了两个前向神经元网络的子波表示，函数逼近实例验证了本结论的正确性。     

Sigmoid传输函数与三层前馈神经网络的映射能力

对于具有n个隐含单元的三层前馈神经网络,证明了隐含层的Sigmoid传输函数可以把输入层数据的维数提升到n维,这意味着有n个隐神经元的前馈三层神经网络具有把低维空间映射到高维空间的能力。     

多变量系统的神经网络解耦新方法

利用前馈补偿的原理,设计了两种多变量系统的神经网络解耦方法·一种利用神经网络实现前馈补偿,使补偿以后的系统实现解耦,且解耦单变量系统具有原对象主通道的特性·第二种方法将解耦和神经网络逆动态控制结合起来,使对象的输出跟随对应输入值的变化·两种方法均可适用于多变量非线性系统     

基于组合神经网络的教师评价模型研究

本文提出的基于组合神经网络的教师评价模型,可以弥补以往基于神经网络的教师评价模型的不足,不但可以给出教师的综合得分或所属类别,还可以给出教师在每个方面的得分.所使用的组合神经网络,由多个结构相同的BP神经网络组成;用构建的组合神经网络和传统BP神经网络分别进行实验.仿真实验表明,该模型相对误差较小,可以满足评价需求.     

深层前馈网络的单调同伦学习算法

本文研究前馈神经网络的结构以及快速二阶学习算法，首先提出一种能和适应分布网络结构的深层前馈网络模型，并利用构造性方法证明了该网络的通有逼近性质，为改进网络学习效率及大范围收敛性，提出了网络权值学习的单调同伦方法，该方法具有与牛顿法相同的二阶收敛性，数值实例显示了该方法的高效性与大范围收敛性，深层前馈网络模型具有自适应分布网络结构，高度非线性逼近性以及可实现快速学习算法等特点。     

燃煤循环流化床锅炉模型化的人工神经网络方法

采用多层前向型神经网络，对燃煤循环流化床锅炉模型化进行了研究。以机理数学模型产生的数据样本对神经网络进行训练，结果表明，训练后的神经网络不仅可以精确地再现机理数学模型现有计算结果，而且可以比较精确地和机理模型一样对锅炉的性能进行预测。由于神经网络模型预测时间极短，并且可以不断随着新的数据样本进行自适应学习，从而为循环流化床锅炉的模型化及其实时应用（如实时训练仿真器、模型预测控制等）提供一个有效的新途径。     

基于遗传算法的进化神经网络

提出了一种基于遗传算法的前馈神经网络的自动化设计方法 (genetic m ultilayer neural network,GMNN ) ,用以同时完成对网络结构空间和权值空间的搜索。该算法利用模拟退火算法、 BP算法和小生境技术来加快算法的收敛速度 ,改善解的性能。初步实验结果表明 ,该方法的收敛速度较快 ,由此得到的神经网络的泛化能力也较好 ,能够达到根据训练样本自动优化设计多层前馈式神经网络的目的。     

一种新的高阶前馈神经网络及其在旋转机械故障诊断中的应用

剖析了基于 BP神经网络和径向基函数网络的故障诊断模型的诊断性能和应用中的局限性 ,针对这些诊断模型的局限性 ,提出了基于椭球单元 (Ellipsoid Unit)高阶网络的诊断模型 ,并对网络训练算法进行了研究 ,提出了基于模糊聚类算法的网络权重初始化方法和网络动态训练策略 ,有效地改善了网络的学习性能和诊断性能 ;最后对该网络在旋转机械故障诊断中的应用进行了研究。结果表明 :比之经典前馈网络 ,椭球单元网络在故障分类方面因其能形成封闭有界的决策区域而具有明显的聚类的优越性和分类的合理性 ,很适合故障诊断领域的分类问题     

神经网络用于两电站间切机协调控制决策

提出了一种应用单隐层前馈神经网络决定多机电力系统中两电站间暂态稳定切机协调控制规律的方法，所选神经网络的输入量与输出量间呈近似连续映射关系，从而保证了神经网络结构的合理性，新英格兰１０机３９节点试例系统的仿真结果表明了文中方法的有效性。     

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.