计算无圈有向网络可靠度的一个有效算法

利用布尔代数知识和网络的拓扑结构相结合 ,同时采用道路排序的技巧、保持可靠度不变的串并联化简等计算 ,给出了一个计算无圈有向网络 ST可靠度的公式及有效算法     

最大-乘积型模糊联想记忆网络的一种新的学习算法

本文提出了最大-乘积型模糊联想记忆网络的一种新的学习算法,并给出了严格的理论证明.在一定条件下,新算法能将多个模糊模式对可靠地编码到模糊联想记忆网络的连接权矩阵中,且已存储的模式对可被完整地回想出来,并举例验证了算法的有效性.     

一种基于T-模运算的模糊联想记忆学习算法

提出了基于一类最大T-模运算的模糊联想记忆连接权矩阵神经网络学习算法,并且给出了严格的理论证明,该算法成功地解决了多模糊模式对的存储问题。对于给定的模糊模式对,若这些模式对存在连接权矩阵,则该算法很容易求出它们的最大权矩阵,如果这些模式对不能够用一个连接权矩阵来存储,应用本文的算法,可以应用尽可能少的连接权矩阵来存储,从而可以有效地减少存储空间。     

前向神经网络学习速率的自适应算法

学习速率是控制神经网络学习过程的一个重要参数,影响神经网络的稳定性和快速性。提出了一种能够满足实时性要求的神经网络学习速率的自适应算法,并证明了在该学习速率下,神经网络的学习过程是Lyapunov意义稳定的。该方法通过为神经网络的输出增加一个输出修正量来补偿多个未知因素对学习误差的影响,从而构造使学习误差快速收敛到零的学习速率自适应算法。通过对神经网络在线逼近一个非线性对象的过程进行仿真,结果证明了该方法的有效性。     

模糊逻辑系统的一种自适应参数学习算法

根据自适应模糊逻辑理论以及基于导数的参数优化方法,分析了模糊逻辑系统常规参数优化算法存在的不足,从改善模糊系统的参数训练步长的角度着手,对其常规的最速下降算法进行了改进,提出了一种新的自适应模糊逻辑系统参数学习算法,并对该算法的推导过程进行了具体的分析和描述。最后,针对一非线性函数逼近问题,对该算法进行了验证,仿真的逼近精度和收敛速度都获得了提高,表明本文提出的模糊逻辑系统自适应参数学习算法是可行和有效性的,且能够克服常规参数优化算法中存在的某些不足。     

一种基于SGNN网络的模糊图像融合算法

首先对现有的M-L算法提出了优化顺序和优化次数的改进;接着提出了对生成的SGNN网络先剪枝再一次优化的综合处理方法;然后对原有的基于SGNN和模糊理论的图像融合提出了两点改进:在原有的图像像素聚类后,加入了综合处理环节,使得图像像素聚类的效果更好;针对由于不同传感器获得的图像灰度特性的不一致导致的聚类后各类类中心的灰度值差别很大,甚至分类数目都不一致的问题,提出了改进的融合方法.仿真证明了所提的模糊融合方法的优越性.     

基于T-S模型的模糊自适应PSO算法

惯性权重的取值对改善微粒群优化(Particle Swarm Optimization,PSO)算法的收敛性起着关键作用.针对惯性权重的取值问题,提出一种基于T-S模型的模糊自适应PSO(T-SPSO)算法.算法根据当前种群最优适应值和惯性权重,自适应更新惯性权重取值,改善了算法收敛性.最后以典型优化问题的实例仿真验证了所提出算法有效性.     

基于模糊CMAC网络的非线性自适应逆控制

针对非线性自适应逆控制中非线性对象的建模和逆建模的精确性这一问题,提出一种基于模糊小脑模型关节控制器(Fuzzy Cerebellar Model Articulation Controller, FCMAC)网络的非线性自适应逆控制方案.将模糊逻辑思想嵌入到CMAC中构成FCMAC来对非线性对象进行较精确的逆建模,从而构建逆控制系统.在对象特性未知的情况下,选用BP网络来对象进行正建模,并由BP网络的辩识结果来对FCMAC的参数进行调整.仿真实验表明了该方案的有效性,且验证了其控制效果较单纯的CMAC网络逆控制更理想.     

基于自适应模糊度参数选择改进FCM算法的负荷分类

在建立了负荷分类五阶段过程模型的基础上,提出了用类内距离和与类间距离和之比作为负荷分类评价指标自适应选择模糊度参数的方法,同时用模拟退火算法和遗传算法对模糊C 均值（FCM） 算法的搜索性能进行优化. 实验结果表明,在负荷分类中常用的模糊度参数值m=2并不是最优的,负荷分类中模糊度参数的最优取值区间为[2.6,3.2]. 同时,改进算法还克服了传统 FCM 算法全局搜索能力不足的问题,提高了负荷分类的精确性和有效性.     

稳健二进前向网络的遗传训练方法

稳健二进前向网络是对逻辑知识的隐式表示和显式表示的有机统一,是性能优良的逻辑知识库、推理机和解释器,但目前还没有一种网络训练算法能够训练出稳健二进前向网络,针对这种情况,本文首先对稳健二进前向网络的神经元辅阈值范围进行了改进和有效描述,并在此基础上提出了一种对稳健二进前向网络进行有效训练的遗传训练方法。在这种训练方法中,网络参数采用三值编码方案,并运用相应的变异机制和有效的适应度函数,经这种方法训练出的网络具有结构最优、稳健性能最强和最易实现的特点。文章最后给出了实验的结果。     

多层前向神经网络的RLS修正训练算法

文献［４］提出一种训练多层前向神经网络的快速学习算法—ＲＬＳ算法,与标准ＢＰ算法相比有较高的学习效率,但该方法的主要缺陷是存在数值稳定问题和鲁棒性不强的问题。提出了一种修正的基于递推最小二乘算法（ＲＬＳ）的多层前向神经网络的快速学习算法,证明了算法的数值稳定性,对两个系统进行了辨识,并与ＲＬＳ训练算法和标准ＢＰ算法进行了比较,仿真结果显示了所提方法的鲁棒性和有效性。     

一种复前馈神经网络的新算法

提出了一种复三层前馈网络的新型学习算法。该算法采用的是分层优化方法 ,将隐层的非线性神经元线性化 ,线性化产生的误差通过罚项受到限制。分层优化使得每一层权值整体优化 ,而与另一层无关 ,这样使得整个优化过程更有效。     

前馈神经网络的一种连续型学习算法

本文给出前馈神经网络的一种连续型学习算法，对传统的ＢＰ算法作了改进。分析了该算法的收敛性。通过实例与传统ＢＰ算法进行比较，该算法可以明显提高网络的收敛速度，说明它是一种实用的学习算法。     

训练前向神经网络的全局优化新算法及其应用

把填充函数法与BP算法相结合，提出一种训练前向神经网络的混合型全局优化新算法。该算法首先由BP算法得到一个局部极小点，然后利用充函数使BP算法跳出局部最优，得到一个更低的极小点。重复此过程最终求得全局最优解。最后给出一个应用实例。     

模糊神经网络在股价预测中的应用

讨论模糊神经网络在股价预测中的应用，模糊神经网络克服模糊规则产生对专家的依赖性及模糊集的非自适应性，隶属函数的自适应和模糊规则的自组织通过神经网络的自学习和竞争获得。通过一个股价预测实例验证了该方法的有效性。     

Fuzzy Entropy Based Combined Learning Algorithm for Neural Networks

ＦｕｚｚｙＥｎｔｒｏｐｙＢａｓｅｄＣｏｍｂｉｎｅｄＬｅａｒｎｉｎｇＡｌｇｏｒｉｔｈｍｆｏｒＮｅｕｒａｌＮｅｔｗｏｒｋｓ￥ＭｉｎＹａｏ（Ｄｅｐｔ．ｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅ，ＨａｎｇｚｈｏｕＵｎｉｖｅｒｓｉｔｙ，Ｈａｎｇｚｈｏｕ３１００２８，Ｐ...     

一种模糊神经系统的修正学习算法

本文在深入分析模糊神经系统的基本结构和学习算法的基础上,指出基于梯度下降的学习算法的不足,并提出一种模糊神经系统的修正学习算法。分析表明,该算法具有能够确保模糊语义和模糊空间一致划分的优点。     

二进前向网络的结构优化设计

ｎ维超立方体顶点的分类问题是人工神经网络研究中的重要问题之一。若对ｎ维超立方体的顶点进行正确分类,同时保证网络具有最好的稳健能力,则任两个不同类顶点连线的中点都应是分割这两顶点的超平面上的点。基于这样的思想,本文导出了使网络稳健能力最强的分类超平面的标准方程,给出了网络各层节点之间连接权值和阈值的可能值。其连接权值仅需取＋１、－１和０,阈值仅需取１２加上〔－ｎ,ｎ－１〕上的整数,从而可获得最优的网络结构、最少的隐节点数目、最大的稳健能力,这样结构的网络易于训练,并不易进入局部极小点。