产生式系统与神经元网络的结合

提出了产生式系统和神经元网络相结合的方法，研究了从推理网络转换到神经元网络的途径，研究了从神经元网络权矩阵转换到产生式规则的方法，从而使产生式系统能自动修正规则和获取规则。还提出了一种由二次型阈值元件组成的神经元网络，给出了它的学习算法，并严格证明了它的收敛性。     

一种产生式系统的扩展方法

产生式系统是一种应用广泛的知识表示和知识推理方法，但具有大规模规则库的产生式系统，其知识的组织与管理越来越困难，推理效率也越低。该文采用关系模式表达知识，利用关系数据库技术，提出了一种行之有效的方法，适合大规模产生式系统的设计。     

基于产生式系统的不确定性知识表示及推理研究

不确定性知识表示及推理是人工智能研究领域的重要内容之一。通过对不确定性知识表示及推理的问题的探讨，提出了不确定性知识程度（Uncertainty Knowledge Degree，UKD）的表示法，为提高不确定性推理结果的可信度提出了一些新的技术和方法，并通过实例验证了本方法的可行性和有效性。     

产生式系统的一种新匹配算法

本文提出了产生式系统的一种新匹配算法，并对新算法的时空复杂性作了估计，还进行了模拟试验，结果表明，新匹配算法明显提高了效率。     

模糊集值产生式系统的启发式图搜索算法

首先提出了模糊集值产生的系统的概念，然后运用三角范算子，得到了模糊集值产生式系统启发式算法，并对启发式算法的可采纳性给出了证明。     

基于神经元网络的不确定性规则的获取

讨论了不确定性规则的知识系统同神经元网络相结合的问题;提出了适合处理不确定性规则的负梯度学习算法,使不确定性规则能方便地转换成神经元网络的权矩阵;研究了如何利用神经元网络的生成能力来获取新的不确定性规则,使知识系统具有知识自动获取能力,并使原有规则系统的脆弱性得以改善.     

基于神经元网络的无缝图形拼接

虚拟现实的设计中，利用计算机构造一个逼真的三维视觉环境是必不可少的一个环节，本文提出了一个基于神经元网络的无缝拼接方法，它无需昂贵的或繁琐的几何建模，只需利用现有的微机和普通的照相机，就可完成虚拟现实复杂的环境构造。     

一个基于Rete算法的可视化产生式系统

国内常见的产生式系统 ,如OPS5和CLIPS ,他们的应用和开发界面都是类似LISP的文本界面 ,可操作性差 .基于面向对象的方法和技术 ,设计并实现了一个可视化的产生式系统 ,该系统采用Rete算法进行推理 ,提供了事实库、规则库和Rete网络的可视化的维护功能 .使用VC 6 .0实现了该系统 .实际运行表明 ,该系统效率高 ,可操作性强 .     

转换GPS高程的神经元网络方法

介绍了神经元网络BP算法的基本结构,提出了转换GPS高程的神经元网络模型－－经改进的5层BP网络结构。该BP网络结构包括：输入转换层,输入层,隐含层,输出层和输出转换层。由于BP网络激活函数的数据限定区间为[0,1],在工程应用中,增加设置输入转换层和输出转换层是必要的。通过某工程实例,对5层BP网络的具体模型结构进行了一些试验研究。如输入输出层的结构设计,隐含层最佳节点数的选取等。最后得到了一些有工程实用价值的结论。     

基于权函数正交基展开的过程神经元网络学习算法

针对过程神经元输入和网络连接权均可以是过程或时变函数,为解决过程神经元网络训练涉及的时域聚合运算问题,提出了基于权函数基展开的过程神经元网络学习算法。在网络输入函数空间中引入权函数正交基,将输入函数和网络连接权函数表示为该组正交基的有限项展开形式,利用函数基的正交性,可简化过程神经元在时间聚合运算中的复杂性,提高网络学习效率.     

系统辨识的神经网络实现

采用Ｂｐ算法，给出了一个系统辨识的实现方案，并给出计算机编程算法，为神经网络的理论研究向生产实践应用转化，提出了一条可行的途径。     

神经网络知识获取及推理技术在番茄专家系统中的应用

针对传统专家系统知识获取的瓶颈性问题，提出了基于神经网络和传统知识获取与表示相结合的方法。传统的推理方式存在推理效率低和冲突消解问题，提出了由神经网络推理和逻辑推理所组成的混和推理系统。利用神经网络的自学习、自组织、自适应特点，来实现自动知识获取；混和推理既利用了神经网络的并行处理的效率、解决了传统推理存在的冲突消解问题，又克服了神经网络推理结果无法解释等特点，具有较高的准确性和效率性。最后给出了番茄病虫害诊断的应用实例。     

基于神经网络的无监督自学习控制系统

所论系统的控制由两个神经网络完成,即对象放识器和系统控制器。并且提出了一种 新的学习算法,它能利用存贮于辨识网络的信息改进控制策略。该控制系统可以对非线性系统,不确定系统等进行无监督的学习控制。     

线性与非线性输出单元相结合的神经网络

从神经网络的连接方式着手，扩展从隐含层到输出层的连接，提出了一种新的神经网络连接结构，在此基础上推导出了相应的学习算法．并通过对奇偶问题、非线性函数逼近问题、模式分类问题等的仿真，验证了所提出方法的有效性．实验结果表明，通过适当地调整线性输出与非线性输出的比例，所提出的算法具有训练速度快和正确识别率高的双重优点．     

基于知识发现技术的神经网络专家系统

为了克服传统专家系统的３大缺陷，在讨论专家系统新技术的基础上，探讨如何在专家系统中融入知识发现的技术，提出一个新的系统框架，在其中使用的一些知识发现算法包括历史数据库中的数据挖掘及知识库中的知识发现，对此新的专家系统框架给予了实验。结果是：系统运行后，既可以发现新知识，又可以改进原有规则。这样大大提高了系统知识获取的能力，而且也求精了知识库。     

多输入模糊神经网络结构优化的快速算法

采用规则前件提取,以获得较少的高效规则,对模糊神经网络(Fuzzy Neural Network)进行结构优化,解决了在多输入模糊系统中因规则数多导致的结构庞大问题,使之适用于多输入模糊系统．结构学习中采用竞争算法优化隶属函数,保证规则前件提取的高效;参数学习中采用梯度下降法调整网络参数。     

神经网络推理机制的电机调整设计专家系统

针对传统电机调整设计专家系统的缺陷,提出一种新型的,基于神经网络推理机制的电机调整设计专家系统模型．该模型将神经网络技术与专家系统技术、优化技术紧密结合,采用并行推理策略,能够有效提高推理效率,解决调整设计过程中调整力度难以确定的问题．     

基于蚁群神经网络的设备故障诊断

BP算法在神经网络中应用较为广泛,但有收敛速度慢、易于陷入局部极小的缺点,而蚁群算法是一种新型的模拟进化算法,有正反馈、分布式计算、全局收敛、启发式学习等特点.将蚁群算法和神经网络结合起来,应用于设备故障专家系统的知识荻取和诊断推理中,可以提高运算效率,具有很好的应用前景.利用该方法,对测得的样本数据进行实验分析,证明此系统具有推理效率及准确性较高的特点.     

神经网络智能PID参数最优控制及应用

本文提出了一种神经网络智能ＰＩＤ参数最优控制系统，给出了有效的基于共轭梯度的神经网络学习算法。仿真实验和应用结果表明，这类智能控制器可用于难以建立数学模型的控制系统。     

基于神经网络的函数逼近问题

给出了函数逼近问题,提出了一种新的神经网络模型,结合函数逼近问题及该神经网络模型给出了一种学习算法,并利用该算法对函数逼近进行了仿真.说明了该算法的实用性.