用反向传播神经网络求解J积分

提出了一种基于反向传播神经网络（Back Propagation Neural Network)建立专家系统求解J积分的方法。该方法以构件或材料的性能和形状参数，裂纹的几何参数为神经网络专家系统的系统输入，利用神经网络所具有的自学习，自组织能力，来实现系统输入与输出参数之间的非线性映射。通过应用实例表明，该方法可以用来有效求解J积分。     

模糊反向传播神经网络的函数逼近能力研究

研究了模糊反向传播神经网络的函数逼近能力.研究结果给出了单调连续函数的FBP按序单调特性、连续映射定理以及非函数一致逼近定理,并且说明了FBP虽然能保持连续性映射,但不如原神经网络具有函数逼近能力.     

一种基于神经网络模型的非线性自适应控制系统参数辨识算法

应用神经网络BP算法建立了系统参数模型,以被控对象的控制量和系统输出作为神经网络模型的输入,经过神经网络的隐层和输出层的前向计算以及误差的反向传播采不断修整模型的权值,将非线性系统时变参数的变化规律转化为神经网络参数模型,反映了参数随状态而变的规律;再结合文献[5]已知模型下PID控制参数的计算,推导出一种更具有应用性的系统参数辨识算法.通过在计算机上对非线性系统仿真,结果表明了这种的系统参数辨识算法有效性.     

自底向上加快神经网络学习的算法

介绍了一种加快神经网络学习的改进算法.这种改进算法结合采用快速自底向上构造神经网络算法和动态优化学习参数算法.首先,快速自底向上构造神经网络算法自动地构建神经网络的优化结构;随后,动态优化学习参数算法动态地调整和选取优化的学习参数.实验结果显示,这种改进算法能自动有效地构造网络的优化结构,与其它算法相比,具有更好的分类性能、优化的网络结构和更快的学习速度.     

利用MATLAB实现BP神经网络的设计

BP网络，即多层前馈神经网络，因其采用误差反向传播算法（Error Back Propagation，即BP算法）而得名，是目前应用最为广泛的神经网络之一。主要应用于模式识别、函数逼近、数据压缩及预测等领域。美国的Mathwork公司推出的MATLAB软件包既是一种非常实用有效的科研编程软件环境，又是一种进行科学和工程计算的交互式程序。MATLAB本身带有神经网络工具箱，可以大大方便权值训练，减少训练程序工作量，有效的提高工作效率。     

一种解病态线性方程组的神经网络算法

详细研究了求解病态线性方程组AX=b的神经网络算法,提出并证明了神经网络算法的收敛性定理,算法的收敛性定理为神经网络学习率的选择提供了理论依据.为了验证算法的有效性,给出了应用实例.研究结果表明了求解病态线性方程组的神经网络算法是有效的.     

一种基于神经网络的RSSI定位算法

针对商场、地下室等室内环境GPS室内信号较弱、定位误差较大的问题,本文提出了一种基于神经网络的RSSI定位算法,通过对基本的BP算法加以改进,优化其功能,最后进行实验验证。     

一种基于改进径向基神经网络的人脸图像识别方法

常用于径向基神经网络中心参数学习的K-均值聚类算法,易受初始参数选取的影响而收敛于局部极小值.将自动终止聚类判据的减聚类算法用于径向基网络的学习,可根据样本集确定径向基函数数目,且其计算量与数据点的数目与考虑问题的维数无关,很适合于人脸这种维数较高的模式.实验证明,应用这种算法训练径向基神经网络识别人脸,从识别精度到识别速度上都优于传统算法.     

一种优化的灰狼算法

针对传统灰狼算法存在局部开发能力弱、早熟收敛以及初始种群分布不均匀等缺点,优化了传统灰狼算法。采用Cat混沌映射和反向学习初始化种群,增加初始种群的多样性和均匀性;在灰狼位置更新方面结合了粒子群算法的个体位置更新策略的优势,降低了算法陷入局部最优的风险;引入非线性控制参数,平衡了算法的全局搜索能力和局部开发能力;利用Levy飞行对α狼进行全局搜索,防止了算法后期狼群丧失多样性和算法收敛早熟。利用优化后的灰狼算法对6个标准测试函数进行理论仿真,结果表明,与传统灰狼算法、粒子群算法和蚁群算法相比,优化后的灰狼算法在标准函数求解精度和算法稳定性方面均有显著提高。     

线性方程组的神经网络算法

研究了线性方程组AX=b的神经网络算法,该算法加快了神经网络的收敛速度,大大提高了计算速度,并且该算法对奇异方程组也是有效的。     

一种用于地应力分析的改进型BP神经网络方法

地应力测量及分析研究,对地应力活动方式、构造体系的研究以及岩土工程与结构的设计和稳定性,都具有重大的理论意义和实用价值.BP神经网络算法比较成熟,已被广泛应用,但一般BP神经网络算法存在训练学习速度较慢、样本泛化能力差的问题,通过引入动态学习因子和惯性因子以及模拟辅助样本,对神经网络进行了改进.通过调节动态学习因子和惯性因子以及对样本集数据处理等手段,对样本的学习、训练进行优化处理,通过实例验证,将优化好的网络样本训练结果与一般结果进行比较,结果表明对三层BP神经网络进行的优化,在提高计算精度的同时也提高了网络的收敛速率,证明改进的算法能够很好用于地应力分析.     

基于深度学习的联邦集成算法

联邦学习是多源隐私数据保护领域研究的热点,其框架在满足数据不出本地的情况下,可以训练出多方均满意的共同模型,但存在本地模型参数难以整合且无法在安全的情况下将多源数据充分使用的问题,因此提出基于深度学习的联邦集成算法,将深度学习与集成学习应用到联邦学习的框架下,通过优化本地模型的参数,提高了本地模型准确率;使用不同的集成算法来整合本地模型参数,在提升模型准确率的同时兼顾了多源数据的安全性。实验结果表明：与传统多源数据处理技术相比,该算法在mnist、digits、letter、wine数据集训练模型的准确率依次提升1%、8%、-1%、1%,在保证准确率的同时也提升多源数据与模型的安全性,具有很重要的应用价值。     

前馈神经网络结构新型剪枝算法研究

研究神经网络的结构优化,提出采用基于贡献值与输出连接的权重来修剪节点,节点是直接剪枝而不是消除存有内在联系的节点;该方法认为神经元贡献值低于阈值,那么此神经元就是毫无意义的,同时将该算法应用于非线性函数逼近,实验结果表明,在不牺牲网络性能的情况下,采用新型剪枝算法来修剪神经网络节点是非常有意义的,所提出的算法也是非常有效的。     

联想记忆混沌神经元网络

在对当前混沌神经元网络在信息处理中的应用研究的基础上,提出了对混沌神经元组成的人工神经网络模型建立一种新的自联想矩阵的方法,由此建立了经沌神经元组成的改进的联想记忆网络。通过仿真实验证实了与现有方法相比,其联想的成功率和加快速度方面都有较大的提高。并从理论上详细地介绍了网络的联想记忆过程和性质提高的原因。     

改进BP神经网络的武警装甲车保障能力评估

影响武警装甲车战时平时保障能力的因素很多.针对当前武警装甲车保障能力评估方法的模糊性和不确定性,建立了以武警装甲车保障能力为目标的评估指标体系.采用萤火虫算法优化BP神经网络,确定其初始权值和阈值,并在此基础上提出一种评估武警装甲车保障能力的方法.根据建立的模型进行计算并分析,表明萤火虫神经网络具有更快的收敛速度和更高的准确性,可适用于武警轮式装甲防暴车保障能力的评估.     

ANN-CE:一种预测DNA结合位点的改进神经网络方法

基于误差平方和最小原则的神经网络方法并不适于解决DNA结合位点的预测问题,提出了一种改进的神经网络方法(ANN-CE)被用于对DNA结合位点进行预测.这是一个以交叉熵函数为目标函数的三层反向传播神经网络.计算结果表明,与基于误差平方和最小原则的同规模BP网络相比,其对DNA结合位点预测的敏感性Sn(sensitivity)和特异性Sp(specificity)可分别提高11.40%和11.91%.     

一种改进的Hopfield神经网络对TSP问题的求解方法

论文对Hopfield神经网络的能量函数进行重构,使得新能量函数具有参数少、表达式简洁、计算效率高等特点;并引入遗传算法中的变异算子,使得改进后的Hopfield神经网络的具有自适应调整的功能.同时,针对有效解易陷入局部极小值等问题,运用数据转换技术、贪心算法等对有效解进行优化.最后对不同规模的TSP问题仿真,结果表明这些改进方法和技巧是可行的.     

神经网络水印综述

梳理了近年来神经网络水印技术的发展脉络,将主流方法大致归为白盒水印、黑盒水印、无盒水印和脆弱水印。综述了神经网络水印的评价指标和上述4种不同类型的神经网络水印技术,探讨了现有神经网络水印方案的优缺点,并对未来的发展趋势进行了展望。