动态数学神经网络模型及其应用

本文在（１）的基础上建立了广义数学神经元,并引入动态机制,形成动态数学神经网络,由网络当前状态决定网络结点数,从而在一定程度上解决了前向神经网络隐层结点数无法确定的难题,并成功地将其运用于解决用多项式逼近连续函数的魏尔斯特拉斯定理,并建立了龙贝格求定积分的动态数学神经网络模型。     

神经网络隐层作用的机理分析

本文对傅立叶级数进行了拓展 ,提出广义级数的概念 ,指出三层前向神经网络隐层作用的机理实质上是一种广义级数展开 ,从而将神经网络与级数完美地统一了起来。指出神经网络隐层的驱动函数系列构成了一个框架 ,并给出了计算一个已训练好的三层前向网络的冗余度的方法 ,最后给出了许多有益的结论。     

前向多层代数神经网络隐层神经元数目估计方法

结合目前估计前向三层神经网络隐层神经元数目的方法,提出一种向量不交关系来确定多层前向代数神经网络隐层神经元的数目,该方法只须估计出第一隐层神经元的数目,其余各层神经数目利用不交关系的算法随之确定,通过多项式代数函数实例表明,该方法具有效。     

多项式前向神经网络

提出了一种新型的前向神经网络模型-多项式神经网络。该网络具有三层结构,隐层、输出层神经元激活函数分别为：f(x)=x^p和线性函数,网络隐层-输出层的权值采取最速下降法学习,输入层-隐层的权值采用遗传算法进行学习;网络学习时,其误差函数单调递减,学习算法具有较好的收敛性;该网络能逼近任意的连续函数,且具有较好的稳定性,应用实例表明该网络的性能是优良的。     

前向多层代数神经网络隐层神经元数目估计方法

结合目前估计前向三层神经网络隐层神经元数目的方法 ,提出一种向量不交关系来确定多层(层数 >3)前向代数神经网络隐层神经元的数目 ,该方法只须估计出第一隐层神经元的数目 ,其余各层神经数目利用不交关系的算法随之确定 ,通过多项式代数函数实例表明 ,该方法有效     

基于平均矩阵元法的RBF网络降水预报模型

针对径向基神经网络(RBF NN)的隐节点数难确定的问题,提出了一种基于相似矩阵确定RBF网络隐层节点数的新方法。采用基于输入输出全部信息的模糊相似矩阵的平均矩阵元法自适应确定隐节点数。建立自动确定隐节点数、中心、宽度、权值等网络参数的RBF网络降水预报模型,对广西5月的平均日降水量进行仿真实验,结果表明,该方法确定的隐节点数,网络规模较小,模型切实可行,在预报性能上明显优于同期的T213(中国气象局的全球中期天气数值预报产品预报值)降水预报,可为RBF神经网络隐节点数确定提供新思路,在降水预报上有一定的参考价值。     

动态数学神经网络模型及其应用

本文在［１］的基础上建立了广义数学神经元,并引入动态机制,形成动态数学神经网络,由网络当前状态决定网络结点数．从而在一定程度上解决了前向神经网络隐层结点数无法确定的难题,并成功地将其运用于解决用多项式逼近连续函数的魏尔斯特拉斯定理,并建立了龙贝格求定积分的动态数学神经网络模型．     

一种优化多层前馈神经网络中隐节点数的算法

多层神经元网络中隐含层的层数及其每一层的神经元数的多寡，至今仍无法用一个解析式精确求得，提出了一种基于黄金分割法的算法，用于求解三层前馈神经网络中的隐层节点数，所得结果有助于提高三层前馈神经网络整体品质。仿真结果表明该算法能较快地找到较优的隐层节点数。     

基于混合混沌搜索方法的多层递归模糊神经网络建模

提出了一种多层递归模糊神经网络（MRFNN）,并提出混合混沌搜索方法用于网络学习。该网络融合了T—S模糊模型．在隶属函数层和规则层有局部反馈连接。网络的学习分为结构学习和参数学习两部分。结构学习确定隶属函数层和规则层的节点数;参数学习由混合混沌搜索方法完成,利用混沌搜索优化前件参数。同时利用最小二乘法实现后件系数更新。对非线性系统辨识进行,仿真实验并对连续搅拌釜式反应器系统建模。结果表明：本文方法能够有效捕捉系统的动态特性。所建模型具有良好的精度。     

一种改进的多层前馈神经网络结构研究

通过将传统多层前馈神经网络结构改造为具有跨层连接的网络,提出了相应的多层前馈神经网络改进算法.通过分析网络误差函数,从理论上证明了:相对于无跨层连接网络,有跨层连接网络能以更加简洁的结构逼近理想状态.最后,用一个隐层神经元解决了传统网络必须用两个隐元才能解决的异或问题.     

多层人工神经网络合理结构的确定方法

隐层结构如何选择是多层人工神经网络应用中一个关键问题·基于多层神经网络优化算法原理和非线性方程理论,建立了多层神经网络计算输出和理想输出关系的非线性方程组,分析了权阈变量、标准样本数量和输出层单元数量的内在关系,给出隐层层数和每个隐层单元数量选取应该满足的基本条件·提出多层神经网络合理结构,即隐层层数和每个隐层单元数量选取的一般原则,给出隐层结构定量求解的直接计算方法和间接优化计算方法·对具体算例进行了合理结构分析,通过神经网络优化算法对多种结构组合比较,表明所提出的合理结构分析方法的正确性·这种方法将为多层神经网络在工程应用中如何选取合理结构提供理论依据和选取有效方法·     

基于增强LEACH协议的无线传感器网络恶意节点检测模型

针对现有无线传感器网络恶意节点检测方法效率较低的不足,提出一种基于增强低功耗自适应集簇分层（enhanced low energy adaptive clustering hierarchy,enhanced LEACH）路由协议信誉机制的恶意节点检测（malicious node detection based on enhanced LEACH with reputation,MNDELR）模型.在无线传感器网络中使用增强LEACH路由协议选取簇首节点,其余节点选择对应簇首形成各簇集群并确定网络数据包传递路径.节点在数据包内添加节点编号、信誉评价等信息并按传递路径将数据包发送至汇聚节点;汇聚节点解析获取数据包内节点编号并与源节点编号比较判定,形成可疑节点列表;计算节点信誉值并与阈值比较判定网络中的恶意节点.实验结果表明,与其他方法相比,MNDELR模型在无线传感器网络中对恶意节点的检测效果较为显著.      

基于自适应形态学Top-Hat滤波器的红外弱小目标检测方法

针对红外序列图像中运动弱小目标的检测问题，提出了一种基于自适应形态学Top-Hat算子和改进的自适应门限的弱小目标检测方法，其中形态学滤波嚣的结构元素采用两层前馈神经网络通过大量样本训练优化．将Top-Hat运算作为一个整体当作一层，输出层节点定义为作Top-Hat运算后图像矩阵的最大值，并针对所检测的大多数弱小点目标采用自适应门限进行分割，同时对SNR〉4左右的点目标用固定门限进行分割．实验结果表明，该方法对SNR较低的复杂图像具有良好的滤波效果．     

多自适应波束天线节点的最优组网拓扑控制

自适应波束天线由于其发射接收具有强指向性的特点,其网络拓扑控制问题、方法与全向天线存在较大不同。针对节点安装有多个空间均匀分布的自适应波束天线进行组网通信时的拓扑优化控制问题,建立了自适应波束天线和网络节点通信的数学模型;对拓扑优化控制的问题进行了分析,其问题本质是对节点安装的多部天线进行最优化链路分配。以网络通信质量的量化计算作为目标函数,提出了一种基于0-1规划的拓扑控制优化模型,并对网络连通性进行了分析,给出了两节点连通以及整个网络连通的充要判决条件。最后给出了2种不同节点数情况下的仿真计算结果,并通过穷举法验证了模型计算结果的正确性。     

大数据中网络节点拓扑不稳定性的评估模型设计

大数据中网络节点拓扑结构复杂且具有明显的不稳定性,当前网络节点拓扑不稳定性评估模型大多依据社会网络分析方法理论,从不同角度表示具有不同拓扑结构特性的网络元件,获取的评估结果不充分、不可靠。为此,提出一种新的大数据中网络节点拓扑不稳定性评估模型,通过节点收缩法对大数据中网络节点重要性进行评估。针对大数据中网络节点拓扑不稳定性的评估,结合风险函数丰富熵的内涵,将事件的风险函数在效用系数空间中的平均值看作网络的效用风险熵,依据得到的效用风险熵对效用风险熵权重进行计算。将节点收缩法和效用风险熵权重结合在一起,重新考虑权重的影响,给出新的大数据中网络凝聚度,得到大数据中网络节点拓扑不稳定性评估模型。实验结果表明,所提方法评估可靠性很高。     

P2P网络中最近节点定位的优化方法研究与实现

P2P网络移动节点设备资源短缺,导致网络资源负载不均衡,使P2P网络处于动态多变的状态。传统方法依据权重大小对最近节点进行定位,所耗费资源较多,无法对负载的网络资源均衡调整,导致定位精度差。提出基于信任度和蚁群算法的P2P网络中最近节点定位优化方法,对P2P网络中节点间的信任度进行计算;并及时更新计算结果。在此基础上,采用蚁群算法对最近节点进行定位,将转移概率函数值最大的节点作为最近节点。为避免节点定位过程中负载不均衡的问题,对其进行优化处理,引入转移概率函数值、能量值以及业务执行等候队列长度,获取定位最近节点的均衡函数,选择均衡函数值最大的节点作为最近节点。实验结果表明,所提方法提高了P2P网络中最近节点定位的效率和精度,具有良好的应用价值。     

基于属性信息和结构特性的网络节点重要度研究

现有的节点重要度排序方法大多只针对网络的拓扑结构进行研究,忽视了网络节点自身所包含的属性信息.然而这些属性信息至关重要,却广泛存在不完备性,这些不完备属性信息与节点的重要性密切相关.针对这一问题,提出一种基于优势粗糙集理论和TOPSIS方法的网络节点重要度分析方法,融合网络结构特性和节点属性信息,克服了单一从拓扑结构分析的局限.最后,将本文所提出的方法应用于微博社交网络中的用户重要度评价,并与其他方法进行比较,结果表明,该方法的排序结果对节点在属性信息和结构特性的重要性进行了较好的综合,能全面地体现出各节点的重要程度.     

基于ELM神经网络的FAST节点位移预测研究

针对ELM神经网络隐含层节点数目需要人工设定,容易出现过拟合现象从而导致网络的泛化能力降低的问题,引出了基于误差最小化的ELM神经网络的改进方法 EM_ELM算法,并在理论上论证了EM_ELM算法对于提高ELM神经网络预测精度和泛化能力的可行性.随后将EM_ELM算法应用到FAST节点位移的预测模型中,并且进行了仿真验证.仿真结果表明虽然EM_ELM神经网络在训练时间上有了一定的损失,但是仍能满足实时性的要求,而且它的预测精度和泛化能力都得到提升,证明了改进算法的有效性与可行性,进一步说明了EM_ELM神经网络更适合应用于FAST节点位移预测.     

分布式机电仪器网络微损坏移动节点检测研究

分布式机电仪器网络中容易发生移动节点微损坏现象,影响移动节点间的正常通信。传统的检测方法忽略了移动节点能量参数对检测结果的影响,使部分正常节点被错误滤除,降低检测精度。提出一种新的基于节点剩余能量等级的分布式机电仪器网络微损坏移动节点检测方法。建立分布式机电仪器网络模型,在此基础上构建移动节点能耗模型,计算分布式机电仪器网络安全阈值。同时计算剩余能量级别,获取分布式机电仪器网络微损坏移动节点标准值。当移动节点间出现报警信息时,基站会计算参与报警的移动节点标准值。将获取的数据和移动节点能级的临界值相比,判断出微损坏节点,完成网络微损坏移动节点的检测。实验结果表明,所提方法检测精度高。     

Probabilistic Analysis on Connectivity for Sensor Grids with Unreliable Nodes

0 IntroductionWireless sensor networks consist of manynodes , each containing application-specificsensors ,a wirelesstransceiver ,anda si mple proces-sor[1-4]. Sensor networks have extensive applica-tions . A large number of research results can beseenin Refs .[5-7] .This paper mainly concerns with sensor net-works that are inherently unreliable. We consider anetwork with mn nodes ,arranged in a grid over asquare region of areaA. This model was presentedin[8 ,9].Each nodeis a sensor ,and can…