自组织增强学习模糊神经网控制器的设计

给出了一种利用增强信号进行模糊神经网络控制器设计方法,提出了一个神经网络控制顺在线增强学习的算法,并把所设计的增强学习神经网络控制器用于对象的仿真和具体温控炉的现场运行,结果证明设计折思想和方法是正确的。     

改进的神经网络快速学习算法

提出了一种新颖的神经元模型和用于神经网络训练的推广准则，给出了多层神经网络的快速学习算法，研究了一种用于语音识别的时变多层神经网络及其相应的快速学习算法．语音识别实验表明：所给出的快速学习算法能有效地加速网络训练进程．     

基于凸规划观点的神经网络学习

人工神经网络最重要的特征就是网络的学习能力,通过对神经网络内部权值的调整,学习外部环境结构的特征和信息的表示.从信息几何的角度,对神经网络的学习过程进行了几何描述,并将神经网络的学习问题转化为,最小化外部环境表示的真实分布与网络模型表示的逼近分布之间的"距离",并证明了对于可编码成指数簇流形的神经网络是凸规划问题.为神经网络学习的研究提出了一个新的思路,也为在高维非线性空间中解决网络学习问题的有效性,从信息几何的角度给出了一种解释.     

基于Q-学习的卫星姿态在线模糊神经网络控制

将模糊神经网络控制引入到三轴稳定卫星的姿态控制中,结合Q-学习和BP神经网络来解决模糊神经网络参数在线调整问题,在无需训练样本的前提下实现控制器的在线学习. 仿真结果表明,这种基于Q-学习的模糊神经网络控制不仅可以满足对姿态控制精度的要求,还有效地抵制了外界干扰,提高了姿态稳定度,对卫星的不确定性有较强的鲁棒性.     

BP神经网络学习率参数改进方法

针对动态BP神经网络学习率优化方法收敛速度慢而且对误差曲面变化不敏感等不利因素,本文提出了一种改进的BP神经网络学习率的优化算法,该策略使网络对误差曲面变化敏感且收敛速度快。     

变结构模糊神经网络控制及其学习规律研究

提出变结构模糊神经网络控制及其学习算法,并对变结构模糊神经网络学习规律进行研究,变结构模糊神经网络中的模糊化神经网络（Ｆ＿ＦＮＮ）、模糊推理神经网络（Ｅ＿ＦＮＮ）和模糊决策神经网络（Ｄ＿ＦＮＮ）都是结构可变的,可分开进行模糊隶属函数及模糊推理的学习,其学习过程符合人脑由粗到精的认识规律,学习收敛速度比一般模糊网络快,具有很好的适应性。     

基于神经网络增强学习算法的工艺任务分配方法

在任务分配问题中,如果Markov决策过程模型的状态-动作空间很大就会出现"维数灾难".针对这一问题,提出一种基于BP神经网络的增强学习策略.利用BP神经网络良好的泛化能力,存储和逼近增强学习中状态-动作对的Q值,设计了基于Q学习的最优行为选择策略和Q学习的BP神经网络模型与算法.将所提方法应用于工艺任务分配问题,经过Matlab软件仿真实验,结果证实了该方法具有良好的性能和行为逼近能力.该方法进一步提高了增强学习理论在任务分配问题中的应用价值.     

一种改进的深度网络残差学习的图像降噪方法

近年来,基于深度卷积神经网络的学习方法在图像降噪方面取得了前所未有的成果,通过调整网络结构和参数来获取更好的图像降噪效果已成为研究热点.降噪卷积神经网络在深度神经网络中采用残差学习方法,在提高降噪效果的同时,在一定程度上解决了盲降噪问题.其不足之处在于算法收敛时间长.该文针对降噪卷积神经网络结构做了进一步的改进,提出了一种基于反卷积降噪神经网络的图像降噪算法.该文工作的主要特色如下：1) 在原有的网络结构中,引入反卷积神经网络,优化了残差学习方式;2) 提出一种新的损失函数计算方法.使用BSD68和SET12测试数据集对本文提出的方法进行验证,实验结果表明,该文算法的降噪性能与降噪卷积神经网络算法相比,在相同降噪效果情形下,该文算法的收敛时间缩短了120%～138%.同时,与传统的深度学习图像降噪算法比较,该文方法的降噪效果和运行效率也都有提高.     

BP神经网络学习率参数改进方法

针对动态BP神经网络学习率优化方法收敛速度慢而且对误差曲面变化不敏感等不利因素,本文提出了一种改进的BP神经网络学习率的优化算法,该策略使网络对误差曲面变化敏感且收敛速度快。     

BP神经网络学习率的优化方法

本文针对动态BP神经网络学习率优化方法收敛速度慢而且对误差曲面变化不敏感等不利因素,提出了一种改进的BP神经网络学习率的优化算法,该策略使网络对误差曲面变化敏感且收敛速度快。     

遗传算法在BP神经网络学习中的应用

在遗传算法与BP神经网络结构模型相结合的基础上,设计了用遗传算法训练神经网络权重的新方法．     

一种新的混沌神经网络组织方式研究

提出用图像作为大规模混沌神经网络的权值矩阵,改变了神经网络的组织方式。研究网络的输出变化情况,发现不同的图像得到的输出曲线(面)不同,相同或类似的图像输出结果基本相同。特别是对于分形图像,输出有着规律性的结果。对这些现象进行了实验分析。作为一种新的神经网络激活组织方式,还有许多问题有待解决。     

基于BP网络的钢骨高强混凝土框架边节点设计

为了研究钢骨高强混凝土柱，钢筋高强混凝土梁框架边节点的承载力，在实验研究的基础上，分析了钢骨高强混凝土柱，钢筋高强混凝土梁框架边节点承载力的组成，明确了钢骨、钢强混凝土和箍筋所提供的承载力的计算方法，确定了钢骨高强混凝土柱，钢筋高强混凝土梁框架边节点承载力的计算公式。利用神经网络的原理，建立了钢骨高强混凝土柱，钢筋高强混凝土梁框架边节点承载力的BP神经网络模型，并根据试验结果，对网络进行训练，使其具有分析和判断的功能，从而形成一种新型的设计方法。     

纠双错神经网络非线性码的研究

本文献在文［１］、［２］的基础上，设计了一种离散型Ｈｏｐｆｉｅｌｄ自反馈神经网络，其权值矩阵仍具有较强的规律性。将这种网络应用于编码技术，得到了纠双错的非线性（ＤＥＣ－ＴＥＤ）码，同时对非线性码的旋转平移性进行了研究。这种网络原理简单，译码复杂性低，所得码具有一定的规律性。     

正弦函数混沌神经网络研究

通过复合正弦函数和Sigmoid函数构成激励函数,构造了一种新的暂态混沌神经网络.对混沌神经元模型的倒分岔和Lyapunov指数谱图进行了分析.基于这个神经元模型,建立了混沌神经网络.对各参数进行了网络寻优能力的比较和分析.通过对非线性连续函数的寻优问题的解决,验证了该网络的有用性和有效性.     

社会网络分析及其在个案工作中的应用

随着个案工作应用范围的增大，研究者在对案主进行分析时往往不再单纯地拘泥通过与案主直接地沟通来获取信息．通过案主的社会支持网络来获取与案主相关的资料，可能获得比案主口叙更加真实和有价值的信息．从方法论的角度来看，社会网络分析这门在国内新兴的研究方法无疑是测量案主支持网络的最好途径之一．社会网络分析在个案工作中具有显著的效用．     

神经网络模型在用电负荷预测中的应用

在电力系统规划中 ,居民用电负荷的预测是一项重要的基础性工作。但影响居民用电负荷的因素很多 ,并且难以用一个线性表达式来表示。神经网络模型在处理非线性大系统的复杂问题中具有很大的优势 ,文中引入三层反向传播的神经网络模型 (BP网络模型 )对居民用电负荷情况进行了分析 ,并采用变化学习速率的方法对网络进行训练。     

基于小波神经网络免疫PID控制器的研究

针对PID控制器,本文介绍了一种基于小波神经网络的免疫PID控制器。由于小波变换具有较好的时频局部性．神经网络拥有较强大的非线性映射的能力、自适应、自学习等优势,将规范正交的小波函数与神经网络的基函数相结合构成小波神经网络．该网络同时具有小波和神经网络的优点,本文用小波神经网络来逼近免疫PID的函数,试验以及仿真结果表明,本文介绍的控制器性能优于其它类型免疫PID控制器。     

基于神经网络的机器人运动模型辨识及实验验证

为提高机器人模型辨识时神经网络的学习速度，改进得到一种新的神经网络拓扑结构——状态延迟输入动态递归神经网络．以德国PowerCubeTM模块化机器人为研究对象，将机器人关节位置信息和OPTOTRAK 3020三维运动测量系统测得的机器人末端位置信息作为神经网络的学习样本，对包含各种影响因素的机器人运动模型进行了辨识．并以此模型为基础，输入验证样本进行验证，所得结果及误差分析说明了该神经网络在学习能力上的优越性及辨识模型的有效性．     

基于LabVIEW的神经网络PID自适应控制器的设计与应用

基于LabVIEW的神经网络PID自适应控制器，是将LabVIEW与Matlab神经网络工具箱相结合，控制算法上将神经网络和PID控制规律融为一体，既具有常规PID控制器结构简单、参数物理意义明确的优点，又具有神经网络自学习、自适应的功能；且与测量、自动化的硬件结合非常紧密，使这种控制器不仅在算法上比常规控制器具有更好的鲁棒性和控制效果，而且在工控领域也必将有广阔的应用前景。