基于模糊集μ_X~R的α-截集和强β-截集的粗近似

研究了基于模糊集μXR的α-截集和强β-截集的粗近似问题,提出了(α,β)-粗糙集模型,讨论了粗糙近似算子的一些重要性质,给出了粗糙度和近似精度的定义和性质,证明了该模型比Pawlak粗糙集模型具有更好的精度.     

基于模糊集μRX的α-截集和强β-截集的粗近似

研究了基于模糊集μRX的α-截集和强β-截集的粗近似问题,提出了(α,β)-粗糙集模型,讨论了粗糙近似算子的一些重要性质,给出了粗糙度和近似精度的定义和性质,证明了该模型比Pawlak粗糙集模型具有更好的精度.     

纵向数据的混合效应模型

考虑如下的线性混合效应模型:.其中αi为随机效应部分,{εik}对同一i而言是平稳的α-混合序列.使用特征函数的方法估计了随机效应的密度函数以及模型的参数β,并研究了估计量的大样本性质.     

非对称排斥过程中的稳态性质

通过数值模拟研究了ASEP模型的稳态性质,主要考察了当注入概率α和输出概率β变化时系统稳态密度和流量表现出的相变性质.研究发现,同以往TASEP模型的结果相比较,ASEP模型中系统的稳态密度具有相似的性质,然而其稳态流量表现出非常显著的新特性.首先,在TASEP模型中一个很大参数范围内存在的极大流量区在ASEP模型中退化为一个临界值,系统的极大流量仅仅当注入概率α等于某一临界值cα时才出现.此外,研究发现ASEP模型中存在着一个TASEP模型不具备的流量随注入概率α的增加而递减的流量减小区.     

极小T(min)(α，β)-γ空间

首先给出极小(α,β)-γ-开集和T -γ(min)空间的定义,并获得了它们的相关性质;然后引入了(α,β)-γ-连续和(α,β)-γ-LF空间的概念, 并得到它们更广泛的拓扑性质.     

极小T■-γ空间（英文）

首先给出极小(α,β)-γ-开集和T■空间的定义,并获得了它们的相关性质;然后引入了(α,β)-γ-连续和(α,β)-γ-LF空间的概念,并得到它们更广泛的拓扑性质.     

序半群中有边界值的直觉模糊理想

介绍了序半群中具有边界值（α,β）的直觉模糊理想的概念,并对其相关运算性质进行了探讨.最后,通过有边界值（α,β）的直觉模糊理想,对内正则序半群的特征进行刻画,得到若干刻画定理.     

不分明化拓扑紧性的新形式

利用连续值逻辑的语义方法将β-开集（α-开集）的概念引入到不分明化拓扑空间中,并给出了不分明化拓扑空间中（可数）β-紧性（α-紧性）以及β-Lindeloef性质（α-Lindeloef性质）.并且讨论了其性质.     

边界条件对经典非对称相互作用晶格热化的影响

研究了不同边界条件的选择对一维经典非线性晶格热化性质的影响.通过数值模拟分别对比自由和固定边界条件下类FPUT模型的热化时间,发现边界条件的选择并不会影响相互作用为对称势时的热化时间标度行为,而相互作用是非对称势的模型则会因此产生显著差异.有趣的是,不仅在自由边界条件下的FPUT-α模型热化过程中发现了违背波湍流理论预测的结果,还未在自由边界条件下的FPUT-α-β模型热化过程中观察到明显的亚稳态性质.这些结果表明,在非对称相互作用晶格的热化数值模拟中,边界条件的选择起着重要的作用.     

关于两族解析函数的渐近性质

研究了α级星象函数S^＊（α）和β级Robertson函数G（β）的性质,得到S^＊（α）与G（β）的关系,并分别得到两个函数的有关最大增长指数等式.     

余数制神经网络

提出了一种新的神经元模型，其数据和权值用余数制表示，称之为余数制神经元．它的处理能力等效于一些多层感知机模型．同时提出用中国余数定理重构信号，等效于神经元之间的非线性连接．将此模型用于分类，其单层网络可用于解高阶和边界模糊问题     

基于离散过程神经网络页岩油气储层有机碳含量预测

受地层岩性变化影响,传统方法进行有机碳含量(TOC)拟合预测精度偏低。为提高TOC拟合精度,减小普通神经网络对连续信号的时间累积误差,提出一种极限学习离散过程神经网络的TOC拟合预测模型。模型用向量模拟过程式输入,内部通过抛物插值的数值积分完成离散样本的时域聚合。通过对离散过程神经元的结构分析,提出极限学习训练算法,在隐层相关参数随机赋值后,通过Moore-Penrose广义逆求解输出权值,模型学习速度快。最后将该方法应用于TOC拟合预测,利用相关性分析,选取对TOC响应最敏感的测井曲线作为模型的特征输入。与传统方法和其他神经网络对比,该方法的拟合精度较高,预测TOC与实测值有更好的相关性。     

两电机同步系统的神经网络控制

在对两台感应电机同步系统模型分析的基础上,依据同步系统的结构特点和控制要求,结合人工神经网络的非线性映射、自适应、自学习等能力,提出一种新的基于神经网络的两电机同步系统控制方案,其中神经网络控制器由基于RBF网络整定的自适应PID控制器和神经元解耦补偿器两部分组成.两个自适应PID控制器分别对速度控制回路和张力控制回路进行自适应控制,使系统具有更强的适应能力、更好的实时性和鲁棒性;神经元解耦补偿器综合两控制回路的耦合作用,通过训练网络权值,补偿各回路之间的耦合影响,实现速度和张力的解耦.试验结果表明:采用神经网络控制方法可以实现两电机同步系统中速度和张力的解耦控制,系统具有良好的动静态性能.     

过程神经元网络的理论研究与仿真

过程神经元网络是一种适合于处理过程式信号输入的网络,其基本单元是过程神经元——一种新的神经元模型.过程神经元和传统神经元既存在本质区别,又有着紧密的联系,前者可用后者以任意精度无限逼近.文中首先介绍了过程神经元及其网络模型;然后,给出了过程神经元的两个逼近定理及其证明——时域特征扩展模型和正交分解特征扩展模型.基于第二个定理,给出了数值输出型过程神经网络的相关推论.针对模拟信号的仿真实验表明,过程神经网络对白噪声具有很好的抑制作用.最后,针对过程神经网络面临的主要问题进行讨论,指出了一些具有前景的研究方向.     

一个基于改进遗传算法的RBF网络入侵检测模型

针对异常入侵检测中存在的误报率高的问题,文章提出了一种基于改进遗传算法的RBF网络入侵检测模型。采用数据挖掘方法建立聚簇规则集,用改进的遗传算法优化RBF网络,用已训练好的RBF网络对与聚簇规则集中不匹配的可疑行为进行检测,并能识别出具体的入侵类型。实验表明,文中提出的模型采用改进遗传算法的RBF神经网络,较基于BP神经网络的检测技术有更好的识别精度。     

数字电路的神经网络模型研究

研究数字电路的Ｈｏ０ｐｆｉｅｌｄ神经网络模型,说明了这种模型的原理及建立方法,并指出这种模型存在的不足,然后研究电路手最优神经网络模型,给出了模型的相关定义,讨论了任意数字电路对应的最优神经网络的存在性,这些建模方法可应用于电路的测试、逻辑验证等领域,能提高相关的计算效率。     

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.     

一种新型联想记忆神经网络

提出了一种新型联想记忆神经网络,记忆容量接近2^N,完全消除了假模式,具有多模式回忆能力,同时具有较高的记忆效率;模式的各个分量分别存储在网络的N个连接中,这些连接构成一个通过网络中所有神经元的被称为“模式环”的单环回路;网络中处理和传递的信号为神经元编号组成的序列,神经元执行一组处理这种序列的符号和逻辑运算;连接由“连接状态”和“禁止路径”组成,前者用于存储信息,后者用于抑制网络中出现的假模式。     

一种基于粗糙神经元的神经网络预测算法

根据粗糙集理论的上、下边界,在神经网络预测模型中引入粗糙神经元,建立了一种新的BP神经网络,它由传统神经元和粗糙神经元组成。仿真实例中将其应用于降水量的预测控制,研究显示了该网络具有良好的克服偶然因素的能力以及较强的预测准确率。     

一种记忆元网络自适应控制方法

本文提出了一种神经网络自适应方法。该方法采用记忆元网络采用记忆元神经网络进行对象模型辩识,用单个神经元实现了自适应ＰＩＤ 控制器。被控对象输出误差经记忆元辩识网络反传后得到控制器的输出误差,以此修正控制器网络权值,由于记忆元网络无需引入延迟算子,能够逼近任意阶线性动态,保证了模型辩识的精度和误差返传的精度,神经元ＰＩＤ 控制器具有极为简单的结构与算法,保证了自适应控制的实时性,大量仿真结果表明该方法可以有效地应付非线性对象。