求解广义非线性互补问题的神经网络

研究了广义非线性互补问题，将其转化为等价的无约束优化问题，给出了求解它的二个神经网络模型．分析了新模型的平衡点与互补问题解的关系，证明了其稳定性和平衡．占、集的渐近稳定性，并给出了其渐近收敛的充分条件．新模型可用来求解一类非单调的问题．     

对Styglitz ＆ Weiss模型的修改与补充

在Styglitz and Weiss模型的基础上，联系中国小额信贷的具体特点及其约束条件，对原模型作了修改与补充，建立了一个新模型，分析了边远山区小额信贷的效应，指出了负效应源自不利的地理位置及由此带来的经济结构单一问题，并据此提出部分对策．     

解一类线性变分不等式问题的神经网络

提出了求解一类线性变分不等式问题的一个新神经网络.定义了恰当的能量函数,严格证明了该网络是Lyapunov稳定的,并且渐近收敛于原问题的一个精确解.此外,新模型在适当的条件下是指数稳定的.由于新模型的规模与原问题相同,并且其参数易于选择,因此其结构简单,更适合于硬件实现.实例表明新模型不仅可行,而且有效.     

解水平线性互补问题的神经网络

考虑了单调的水平线性互补问题 .基于其结构特点 ,通过引入新向量 ,提出了求解它的两个简单的神经网络模型 .严格证明了所提出的模型均是 Lyapunov稳定的 ,并且大范围渐近收敛于原问题的一个精确解 .新模型的规模均与原问题相同 ,并且不含任何参数 .数值试验表明新模型不仅可行 ,而且有效     

对偶系统的对偶包含问题

提出对偶系统的对偶包含问题，给出其包含条件及与原系统包含条件之间的对偶关系．对偶系统的约束条件是原系统模型降阶聚集条件的补充．     

一种结合了信源速率控制的自适应带宽预留模型

提出一种结合了信源速率控制的自适应带宽预留模型，给出了模型的数值分析方法．实验表明，该模型在一定程度上解决了高速网络中大突发信源下的带宽预留问题．与原方案相比，该模型可有效地提高系统性能，降低信元丢失概率．     

基于扩散势能和自由体积的扩散系数模型

为探讨流体扩散机理进而研究流体传递性质，在同时考虑自由体积和活化能的基础上，提出一种计算自扩散系数模型，并给出新模型中各个因子的物理含义．还提出一种计算扩散势能的新方法，并应用于新模型．同时将衍生Vander Waals状态方程应用于求解自由体积，式中所需径向分布函数由Morsali—Goharshadi方程得到．结果表明在相同条件下，新模型比原自由体积模型更准确．因此在计算自扩散系数时，需要同时考虑自由体积和活化能．     

多种运输方式模型优化及求解

对可阶段化运输网络，提出了将路径选择与交通运输方式相结合的组合优化模型．通过虚拟一个运输网络，转化为一个与原问题等价的最短路径问题，并设计了相应的遗传算法对其求解，通过实例计算表明，该算法对该问题是可行和有效的．     

解水平线性互补问题的一个新颖的神经网络

考虑了水平线性互补问题,根据其等价性方程,提出了求解它的一个简单新颖的神经网络模型.新模型的规模为原问题的一半,证明了新模型解的存在唯一性,构造了合适的Lyapunov泛函,并利用线性矩阵不等式方法,给出了该神经网络全局指数稳定的充分条件.用数值模拟说明提出的神经网络的良好性能.     

一类线性约束非线性规划的初始神经网络

目的 建立求解一类线性约束非线性凸规划的简单可行的神经网络。方法 射影方法和Lyapunov直接方法。结果 基于问题自身的结构特点和射影方法，提出了求解一类线性约束非线性凸规划的两个神经网络模型。定义了Lyapunov函数，严格证明了它们是渐近稳定的。此外，在一定的条件下证明了其指数稳定性。新模型的规模均与原问题相同，不含任何参数，并且其稳定性不需要Lipschitz条件，模拟实验表明新模型不仅可行，而且有效。结论 建立了求解一类线性约束非线性凸规划的两个简单可行的初始神经网络，并在适当的条件下分别证明了其渐近稳定性和指数稳定性。     

基于灰色神经网络的机床热误差建模

结合灰色模型和神经网络对数据处理的优点,提出了并联和嵌入型2种结构的灰色神经网络机床热误差预测模型。前者是在灰色模型和神经网络分别对机床热误差进行预测的基础上,采用线性组合方式,按照目标预测精度调整模型的加权系数,从而得到最终组合预测结果;后者是在神经网络输入层前增加灰化层,在输出层后增加白化层,通过对神经网络拓扑结构的改进,达到弱化原始数据随机性、提高预测模型鲁棒性和容错能力的目标。通过与传统灰色模型和神经网络进行试验结果对比表明：上述2种结构的灰色神经网络模型均提高了预测精度,且具有对原始数据要求低、计算简便、鲁棒性强等优点,可用于复杂实际加工场合中的数控机床热误差实时补偿。     

基于全局信息的卷积神经网络模型剪枝微调优化方法

为解决因卷积神经网络模型规模大, 模型剪枝方法引起的精度下降问题, 提出一种模型剪枝微调优化方法。该方法引入原卷积神经网络模型权重全局信息至剪枝后模型, 使原模型信息体现在剪枝后模型的权重上, 提升剪枝后模型的精度。在图像分类任务和目标检测任务中的实验结果表明, 所提出的微调优化方法可获得更大的压缩率和更小的模型精度损失。     

基于BP神经网络的税收预测模型

在分析影响税收主要因素的基础上，将反向传播（BP）神经网络理论应用于税收的预测．首先对初始数据进行预处理，使其适应BP神经网络学习的要求，然后建立基于BP神经网络的税收预测模型．采用实际数据对模型进行验证，并将其与传统的统计模型相比较，证明了基于BP神经网络的税收预测模型有较高的精度和较强的实用性．     

基于扩展神经网络的网格资源调度优化算法

针对具有时间约束和若干资源约束的网格资源调度问题,提出了一种基于扩展神经网络的求解新方法GRSENN。资源调度问题首先被分解为一系列多维背包问题并提出相应的数学模型,然后通过把问题的各种约束表示为Hopfield神经网络的能量函数项,进而导出神经网络模型。实验仿真结果表明该方法的有效性,并可避免通常神经网络所具有的容易陷入局部极小点的缺陷。     

一种改进轻量化神经网络的齿轮箱故障诊断方法

针对齿轮箱故障诊断精度低以及深度神经网络模型对计算机硬件要求高等问题,提出了Shuffle-ECANet网络模型用于齿轮箱故障诊断。该模型以轻量化神经网络ShuffleNet V2为基础,在保留网络轻量化结构的同时对网络模型进行了优化,采用Gelu激活函数增强了模型非线性变换能力,嵌入高效通道注意力(efficient channel attention, ECA)模块以提高网络性能。深度可分离卷积提高了网络模型的运算效率,通道混洗技术使得信息更加流通,提高了特征表达能力。实验结果表明,本文所提网络模型在保证轻量化的同时适用于不同噪声工况的齿轮箱故障诊断,在原信号下可达99.6%的诊断准确率,在添加了信噪比为-8 dB的高斯白噪声下可达92.7%的诊断准确率。本文所提方法为神经网络更好地应用于齿轮箱故障诊断提供了一条新的途经。     

基于神经网络广义逆的感应电机变频系统内模控制

为提高感应电机变频调速系统的鲁棒性和抗干扰能力,提出了基于神经网络广义逆系统的内模控制方法.在分析原系统可逆性的基础上,先用动态神经网络逼近原系统的广义逆模型,从而串接在原系统之前组成广义伪线性复合系统,实现系统的线性化与开环稳定,有利于系统的综合.再对广义伪线性系统引入内模控制,保证系统的鲁棒稳定性.采用该系统进行了阶跃响应和跟踪效果试验.结果表明,该方法能够成功地实现系统的线性化,并且当系统存在建模误差和负载扰动的情况时,仍能使系统保持高性能的控制.     

基于卷积神经网络的灾难场景图像分类

为了对灾难场景图像进行快速分析和识别,提出了一种基于多分辨率卷积神经网络和残差注意力机制(attention module)相结合的图像分类模型.首先,对灾难场景数据集进行预处理,在相同类型的条件下将其随机划分为训练集和测试集.基于改进的卷积神经网络(convolutional neural network,CNN),提取训练集的图像特征.使用训练集图片的特征进行训练,并且在测试集图片上实现分类测试.选取DenseNet、Xception和MobileNetV2三种模型,以灾难场景数据集(Disaster_Data_Scenes)为数据集进行实验验证.结果表明:改进的Xception和MobileNetV2网络在灾难场景数据集上进行的图像分类实验测试,比原网络精度分别提升了4.56％和3.04％.其中改进的DenseNet网络比原网络模型精度分别提升9.13％、17.88％和10.27％.可见改进的卷积神经网络模型的分类精度得到有效提高.     

基于聚类的超闭球CMAC神经网络改进算法

针对CMAC神经网络的网络节点随输入维数的增大呈几何级数增加的问题,提出了基于模糊聚类的超闭球CMAC神经网络改进算法。该算法通过对输入数据进行模糊聚类确定网络节点数和节点值,并根据输入输出数据通过模糊推理优化算法计算神经网络初始权值。与原算法比较,该算法可有效降低神经网络节点数,提高系统的学习精度。对一个多步时延的非线性系统的辨识仿真结果表明了该算法的可行性与有效性。     

一种改进的小波神经网络的网络流量预测算法

为了有效地对网络进行维护,提高网络性能,预知网络流量可以提前对网络出现的问题采取应对策略,从而对用户提供更好的服务。在神经网络预测模型中把隐含层的传递函数用小波函数替换,并采用共轭梯度下降算法,建立了一个小波神经网络的网络流量预测模型。通过实际流量数据对模型进行仿真,结果显示该模型与神经网络预测模型相比,该网络具有良好的预测效果,网络训练时间短,有效地提高了训练速度。     

Jordan神经网络的改进研究

针对Jordan神经网络的反馈网络的反馈信息表征能力不强的缺点,提出了一种新的反馈网络模型,对Jordan神经网络的缺点进行了改进,并且对原来的训练学习算法进行了改进,提出了一种提取绝对值最大权的训练学习算法来降低计算复杂性,最终给出了实验结果证明。