基于小波网络的非线性逼近方法

利用小波空间中函数的多分辨率分解思想,结合神经网络构造了一种多尺度正交小波网络模型,利用最小二乘法对网络参数进行确定,对非线性函数进行了逼近的仿真研究,与前向BP神经网络进行了仿真比较。结果表明,这种新的小波网络具有良好的函数逼近能力,收敛速度快且逼近精度高。     

多层前向小世界神经网络的逼近与容错性能

基于Watts-Strogatz网络模型的构造思想,对多层前向神经网络中的规则连接依重连概率进行重连,构建了一种多层前向小世界神经网络模型.对该网络模型进行简要的数学描述,并以函数逼近和网络容错仿真考察了构建的小世界神经网络的性能.结果表明,与规则或随机连接的网络相比,当重连概率处于0.1～0.2时,小世界神经网络具有更优的逼近性能,且当网络学习速率参数在0.1～0.3之间时,对小世界神经网络的逼近性能影响较小.此外,当网络权值故障率小于30%时,重连概率不大于0.8的小世界神经网络与规则网络同样具有较优的容错性能,而当故障率大于40%时,重连概率较大的小世界神经网络和随机连接的神经网络的容错性能要明显优于规则网络.     

一种换热器网络优化新方法

基于遗传算法和神经网络的多层感知器模型的有机结合,提出一种优化换热器网络的新算法和一种新的编码方法－基因矩阵,这种算法根据遗传适应度（目标函数）的大小,以随机搜索方式寻找在求解区域的最优解,采用神经网络多层感知器模型实现换热器网络的结构优化和参数变化。经过遗传－感知模型优化并与外逼近算法做了比较,表明采用此法优化多维、多峰、非凸的换热器网络也具有很好的适应性。     

RBF神经网络与多层感知器区分与替代问题的研究

本文着重从模型、工作特性以及应用上对比了RBF神经网络与多层感知器网络的不同之处,又用模式分类具体实例指出,在一定条件下RBF神经网络与多层感知器网络可以相互替代。多层感知器网络通常用来解决非线性问题,而RBF神经网络则主要用于函数逼近,能够逼近任意非线性函数。因此,在非线性问题上,一个可以被另一个代替。     

前馈网络的一种线性化快速学习算法

针对前馈神经网络的反向传播（ＢＰ）学习算法收敛速度慢的缺点,提出了一种新的学习算法即线性化快速学习算法。这种学习算法在神经网络学习的初期,采用标准ＢＰ学习算法。而当神经网络接近最优点时,由于此时其连接权重调节幅度很小,因此采用对各层神经元的非线性作用函数进行泰勒级数展开,并取其一阶展开式近似逼近原函数,从而使其非线性作用函数转化为线性作用函数,简化了网络学习过程的计算量,加速了网络的学习速度。文中最后给出了采用线性化算法与标准ＢＰ算法对正弦函数的学习过程。     

基于多层前传网络的异步电机转子磁链和转速辨识

文章利用多层前传网络对异步电机转子磁链和转速进行直接辨识,多层前传网络具有良好的函数逼近能力,利用误差反传算法对多层前传网络进行训练,使神经网络准确地反映电机转子磁链和转速,在此基础上建立了一个异步电机矢量控制系统.系统仿真结果表明,这种方法能较好地辨识电机转子磁链信号和转速,系统具有良好的动态性能.     

多层前传神经网络的随机训练算法

基于承机射线法,本文提出了一种对动态网络大新的多层前传神经网络的训练算法。     

基于Laguerre正交基神经网络的动态手势识别

提出一种基于Laguerre正交基前向神经网络的动态手势识别方法.首先根据多项式逼近和矩阵理论,构造了一种以Laguerre正交多项式作为隐含层神经元激励函数的多输入、多输出三层前向神经网络模型,在网络权值迭代计算公式基础上推出一种基于伪逆的直接计算网络权值方法,避免求取权值的反复迭代过程;提出一种快速的基于颜色的指尖...     

基于参数优化的RBF神经网络结构设计算法

针对径向基函数(RBF)神经网络的结构优化问题,提出了一种基于参数优化的RBF神经网络优化算法.首先,改进K-means++算法,使得聚类算法更精确,为RBF神经网络的隐含层节点找到一个合适的初始中心;然后,考虑数据分布和缩放因子选择的影响,采用方差度量法计算隐含层神经元基函数的宽度;最后,修正网络参数,提高网络的非线性逼近能力.实验结果表明,本文提出的基于参数优化的RBF神经网络具有良好的逼近效果和泛化能力.     

一种RBF神经网络高精度算法研究及应用

剖析了RBF神经网络基本算法的原理以及激励函数参量与隐层单元数量按经验选取所带来的问题.基于RBF神经网络结构,以网络的权阈值为设计变量,网络误差为目标函数,通过合理的动态变量排序,构建了一种RBF神经网络的新的高精度算法,并编制计算程序.与RBF网络基本算法相比,这种算法是以权阈值为未知变量的真实优化过程,实现了RBF神经网络的高精度计算.从方程论理论出发,给出了网络隐层结构的合理确定方法.通过实例的程序分析,表明了该优化算法具有较高的样本拟合与插值精度,为进一步理论研究与工程应用提供基础.     

新神经网络结构及其在数码语音识别中的应用

为了提高人工神经网络处理动态信号能力 ,在时延神经网络 ( TDNN )和卷积神经网络 ( CNN)的基础上 ,针对孤立音节的特点 ,提出了一个新的网络结构 ,研究了其学习算法。新网络在进一步改进后用于汉语孤立数码语音识别 ,对特定人和非特定人任务 ,分别达到了 97.7%和 95 .6%的正确识别率 (无拒识 ) ,其性能远远高于多层前向感知机( ML P)和时延神经网络 ,与传统的隐马尔科夫模型 ( HMM)方法是可以相比的。     

连续型Hopfield神经网络求解设备布置问题

主要利用连续型Hopfield人工神经网络进行了设备布置问题的优化求解计算。讨论了连续型Hopfield人工神经网络的模型,以及求解设备布置问题的一般方法。仿真结果表明,利用连续型Hopfield人工神经元网络进行设备布置优化计算,求解质量稳定、速率快,有较好的应用前景。     

层次广义同余神经网络结构及运算特性分析

提出一种层次广义同余神经网络（ＨＧＣＮＮ）,以有限环上岐次整数余神经网络ＨＧＣ－ＮＮ为例,分析了该网络的运算特性。这种运算保持了神经网络的高度并行结构,能够时完成有限环上的同余运算,给出２个算例。     

神经网络控制系统仿真

利用基于神经网络修正误差ＢＰ学习算法的多层网络和间接学习或专门学习的动态逆特性控制方法＾［１］编制的神经网络控制系统的仿真软件（ＳＣＳＢＮＮ），给出了调节时间和最大超调量与神经网络中间层节点数的关系曲线，同时给出了各种学习率和神经元作用函数增益的响应曲线。ＳＣＳＢＮＮ也可用于神经网络非线性控制系统。仿真结果说明神经网络非线性控制系统具有良好的控制性能。     

储层潜在敏感性B-P网络快速预测方法研究

对神经网络算法以及利用神经网络进行敏感性预测中经常出现的问题进行了探讨。着重介绍了合理网络结构的确定方法、学习样本的搜集与处理以及学习算法的改进等 ,并建立了改进的B P算法。通过水敏性预测 ,介绍了神经网络在敏感性预测中的具体应用过程 ,并对其在实际生产中的应用效果进行了验证。结果表明 ,利用改进后的神经网络对储层敏感性进行预测的方法 ,具有预测精度高、自适应好、容错能力强等优点。为了便于使用 ,编制了功能完备的敏感性预测软件 ,现场使用效果良好。     

基于遗传算法的人工神经网络学习算法

为了克服和改进BP算法的不足，提出了一种基于遗传算法的神经网络学习算法，仿真结果表明，该算法具有无比的优越性，可避免BP算法易于陷入局部极小值，训练速度慢、误差函数必须可导、受网络结构的限制等缺陷。     

旱涝灾害的遗传-神经网络集成预测方法研究

利用遗传算法的全局搜索能力同时进化设计三层BP神经网络的结构和连接权,并以进化后的网络结构和连接权作为新的神经网络结构和初始连接权,再进行新一轮附加动量的BP神经网络训练,把训练后的结果简单平均集成,以此建立旱涝灾害的遗传-神经网络集成预测新方法。应用该方法对广西桂林6月(主汛期1995~2005年)的降水量进行实例预测的结果表明,该方法的收敛速度快,预报精度高,易于操作,是一种具有较高应用价值的预测方法。     

基于解释的人工神经网络集成学习方法

基于知识的人工神经网络是集成学习方法领域中最主要的研究方向，它利用领域知识决定神经网络的初始拓扑结构和联接权值的设置。一方面利用领域知识加速了网络的学习，另一方面利用神经网络的鲁棒性减少了领域理论不完善和数据噪声的影响，从而较好的解决了不完善领域理论的学习问题。本文对这方面的几个主要系统ＫＢＡＮＮ、ＲＡＰＴＵＲＥ进行了分析和评价，指出了它们在网络拓扑结构的动态改变、深层网络的加速学习和结果网络到规则的转译等方面的弱点，并因此提出了一种有效的集成学习方法——基于解释的人工神经网络。     

增量构造负相关异构神经网络集成的方法

基于负相关异构网络,提出了一种增量构造异构神经网络集成(NNE)的方法.该方法在训练成员网络时,不仅调整网络的连接权值,而且动态调整网络的结构,从而在提高单个网络精度的同时增加各成员网络之间的差异度,减小网络集成的泛化误差.该方法包括构造最佳异构网络(BHNN)和构造异构网络集成(HNNE)两个部分,BHNN基于负相关学习动态构造多个最佳网络,HNNE利用训练好的最佳网络增量地构造异构NNE.使用网络泛化误差和集成泛化误差,整个集成过程可自动完成,无需预先确定成员网络的结构.分别对回归和分类问题进行了实验,相对于单个网络,该方法在测试数据集上的错误率降低了17%～85%,与已有的Boosting、Bagging等网络集成方法相比,错误率也有不同程度的改善.     

基于Agent的主动网络拥塞控制模型研究

基于模糊神经网络与微粒群算法(PSO),运用主动网络系统的Agent,提出了基于Agent的主动网络拥塞控制模型,并将该机制应用于主动网络系统中,充分发挥Agent对环境感知的学习能力和彼此协调的合作能力,解决了主动网络系统可能发生的网络拥塞问题.