发酵过程混合神经网络模型及其仿真

提出了一种新型的发酵过程混合神经网络模型，该模型由非线性神经网络和线性神经网络两部分组成，由于非线性神经网络采用结构具有线形式的Flat网络，两个网络能够合并为同一表达式，并具有线性形式，可采用线性最小二乘法求解网络权值，与串联结构及串并联结构混合神经网络模型相比，该模型训练方式简单，并可方便地使用在线辨识算法。     

分布式交互仿真应用系统输入输出模型的研究与实现

由于分布式交互仿真中输入输出设备的多样性与复杂性，给软件的设计与开发带来诸多困难。在研究分析已有原语系统的基础上，通过定义逻辑设备坐标系及其中的归一化函数强化了设备无关性，提出了一个分布式交互仿真应用系统输入输出层次模型，并基于COM技术对该模型进行了具体实现。应用效果表明，该模型体现了设备无关的要求，并具备良好的可扩展性，能满足具体的分布式交互仿真应用系统的要求。     

协同性资源交互的神经网络模型与仿真

首先根据资源在商业网络参与者之间交互的特性，将企业资源分为协同性资源和非协同性资源；然后，在分析协同性资源基本含义的基础上，建立了一个用来分析协同性资源在屠 之间交互2的规律及协同效应的模型。最后，文章结合神经网络技术，选取经济管理领域内几种典型的商业网络模式，应用前述模型进行仿真分析，通过对仿真结果的分析，得到一系列关于协同性资源交互规律的推测和假设。     

仿真模型有效性确认方法研究

在本文中，作者在综述了模型确认方法的基础上，重点讨论了运行有效笥的确认方法、表观有效笥的确认方法和加权可信度评估方法，并提供了模型确认的详细分析和计算步骤。     

基于T-S模型的迭代学习控制算法及其在机器人点位控制中的仿真研究

考虑了一类特殊的迭代学习控制问题，即用迭代学习方法解决机器人的点位控制问题。采用T-S模型描述机器人系统，在T-S模型的基础上，运用并行分配补偿方法(PDC)确定T-S模型的迭代学习控制器结构，并给出了误差收敛条件。为避免迭代过程的初始定位操作，丈中还设计了模糊循环迭代学习律。最后以在垂直面内运动的单关节的机器人为例说明了所提出方法的有效性。     

面向对象的交互显示和拾取模型研究

针对三维CAD／CAM系统可视化交互部分的实现，深入研究了可视化关键技术－－三维形体在计算机屏幕上显示和拾取的具体运行机制，采用面向对象思想构建了各自不同的模型框架，能够清楚高效地实现交互显示、拾取过程，简化系统结构，使系统具有层次性，易于维护，在此基础上，对显示和拾取进一步进行封装，合二为一，建立了两者统一的可视化数据模型，模型结构清晰，在面向对象环境下容易实现，体现了软件良好的封装性和复用性。     

基于遗传算法的系统动力学仿真模型研究

系统动力学（SD）在模拟复杂大系统的动态行为等方面颇具有优势；但同时存在固有的缺陷和不足，如机械性，精确度低等。本文提出了基于遗传算法的SD，它具有自组织，自适应，智能决策等特点，能更有效地领导具复杂大系统的动态行为。     

神经网络自适应学习研究

本文讨论了网络拓扑结构、网络的学习参数以及神经元的激活函数等多方面的人工神经网络学习问题，提出了具体实现方法。实验表明这些方法对于加快网络的收敛速度，优化网络的拓扑结构等方面有显著成效。     

一种广义模糊小脑模型神经网络及其仿真研究

针对传统的小脑模型，在保留CMAC原有增强和局部特性的基础上，结合模糊逻辑的思想，采用模糊隶属度函数作为接收域函数，提出了一种广义模糊小脑模型神经网络（GFAC）。研究了GFAC接受域函数的映射规律、隶属度函数及其参数的选取规律和学习算法。仿真结果表明GFAC具有良好的泛化能力和逼近精度，利用GFAC可以获得较常规CMAC连续性强且有解析微分的复杂函数近似。     

分布交互仿真系统支撑软件的研究

分布交互仿真是一种新兴的仿真技术,是指利用计算机网络将分布在各地区的仿真器和仿真人员联结起来,使众多仿真器在大范围内可进行综合性能测试及培训。     

人工神经网络距离继电器的仿真研究

距离继电保护是高压传输线继电保护的一种主要方法。传统距离继电器的精度受到不同的故障条件以及电网结构变化的影响，容易发生误动,拒动等现象，给电力系统带来重大损失，本文提出一种基于人工神经网络的距离继电器，该方法以三相电压和电流的基波分量幅值作为网络输入，仿真结果表明，与传统的继电器相比，该继电器反应迅速、准确，即使在不同的故障条件和网络条件下也能正常工作。     

基于神经网络的数控超声加工效果建模与仿真

为精确地预测数控超声加工效果,应用神经网络理论建立了数控超声加工切削率BP、RBF两种神经网络模型。根据实际情况,进行了网络结构设计,比较了不同特征参数时网络模型的性能,并对所建模型进行了仿真验证。验证结果表明,预测数据与实测数据有较好的一致性,RBF网络数据比BP网络数据稳定,性能更优,当RBF网络中分布密度spread取2时,性能最优。说明可以使用神经网络模型对数控超声加工切削率进行预测。     

基于连续时间系统仿真的神经网络学习算法

从连续时间动力学的角度,研究了多层前馈神经网络的学习问题.基于李雅普诺夫稳定性分析方法,建立了一种神经网络权重参数连续调整的学习算法,并基于连续时间系统仿真的思想,给出了一种算法实现的自适应策略.算法实现中,通过估计截断误差估计自动调整步长,几乎不需要人工确定任何参数,而且可以保证算法的稳定性及计算精度.最后,给出了两个典型的应用算例.     

结构方程模型与人工神经网络模型的比较

结构方程模型作为一种统计建模技术越来越多的应用在企业管理研究中,线性结构方程模型(LISREL)是其中最有代表性的一种.针对LISREL应用中的问题引入了人工神经网络方法,在民营企业治理结构影响企业绩效的案例分析中对人工神经网络方法和LISREL方法作了一个对比分析,并根据对比分析的结果,探讨了两者的互补性以及结合应用的方法.     

回归神经网络辩识电液伺服系统模型与仿真

建立了一种回归神经网络辩识非线性电液伺服控制系统数学模型的辩识方法,研究了基于回归神经网络内部状态反馈的辩识算法,利用辩识实验获得的过程输入/输出数据动态调整神经网络权值。仿真结果辨明:神经网络描述的电液伺服控制系统数学模型具有较高精度,算法全局逼近能力良好。     

基于神经网络的船舶运动建模及随机最优控制

以某水面舰艇为研究对象,利用径向基函数神经网络算法和标况下的水池实验数据,建立了基于航速、航向角和海情自适应变化的船舶横向运动非线性参数模型。然后对海浪随机干扰建模,利用成形滤波器将随机扰动白化处理,最后根据分离原理提出一种用于船舶减横摇运动的随机最优控制算法。仿真表明,径向基函数神经网络所建船舶横向运动模型误差低于2%,扰动建模及相应成形滤波器构造符合实际工况且方法简单可行,随机最优控制可使横摇角均方误差达1.42°,减摇效果达46%-74%;艏摇角均方误差达1.68°。     

基于神经网络的图像描述方法研究

自动识别和描述图像的内容是人工智能中一个重要的研究方向,它涉及计算机视觉和自然语言处理技术。针对这一难题,提出了一种由深层神经网络模型生成自然语言句子来描述图像内容的方法。该方法提出的模型由卷积神经网络(Convolution Neural Network,CNN)和循环神经网络(Recurrent Neural Network,RNN)组成,其中,CNN用来提取输入图像的特征生成固定长度的特征向量,该特征向量初始化RNN来生成句子。在MSCOCO图像描述数据集上的实验结果表明了该模型所生成句子的语法准确性和语义准确性,且优于先前的基线模型。     

人工神经元网络及其在系统仿真中的应用

本文简要地介绍了人工神经元网络的基本概念、主要特征及其发展历史,评述了几种有代表性的神经元网络模型。在此基础上,探讨了人工神经元网络在系统仿真中可能的应用方向。     

基于模糊神经网络局部强化学习在Robocup中的应用

针对Robocup仿真组比赛中智能体的配合与动作选取,将模糊神经网络（FNN）和局部协调图动态角色分配与传统Q-学习相结合,提出了基于模糊神经网络的局部Q-学习。采用该方法,有效抑制了仿真平台中的噪声干扰,提高了动作选取的精度,解决了传统Q-学习中Q表占用内存空间过大的问题,增强了系统的泛化能力,并进一步缩短了学习时间,更好的满足比赛实时性的要求。将其运用于仿真组比赛的传球和射门模型中,验证了该方法的有效性。