一种改进的变尺度混沌优化算法及其仿真研究

为了避免混沌优化在区间内的盲目重复搜索，提高搜索效率，提出一种改进的变尺度混沌优化方法，该方法在混沌搜索过程中，只需设置两个循环，内循环进行混沌搜索，外循环负责缩小区间．将每次搜索到的较优值计数，并设置一个标志A，当搜索到较优值的次数=A时，则根据搜索区间的大小动态缩小空间，在小区间中再重复上述过程，直至找到全局最优解，方法非常简单。仿真结果表明，该方法局部搜索能力强，搜索效果优于变尺度混沌优化方法。     

一种小波神经网络结构及其学习算法研究

基于仿射小波神经网络的逼近原理和结构设计问题 ,本文提出了一种新型小波神经网络结构 ,研究了其结构化设计方法和相应的学习算法 ,优化组合小波基元激励函数 ,实现了小波神经网络权系数的二次学习 ,避免了“维数灾”问题 ,改善了网络学习特性。计算机仿真结果表明 ,研究的小波神经网络结构及其学习算法简单有效 ,函数逼近更精确     

一种改进的RBF神经网络学习算法

提出了一种改进的RBF神经网络学习算法 ,分别通过减聚类和监督学习算法对网络参数和权值进行训练 ,既可以根据样本合理地聚类、确定RBF径向基函数的个数和相应参数 ,又具有较强的网络映射能力 ,从而不仅使RBF神经网络结构得以优化 ,性能也得到了提高。仿真结果表明了该学习算法的实用性和有效性     

一种混沌神经网络模型及其在优化中的应用

通过在Hopfield神经网络模型 (HNN)中引入非线性自反馈项 ,提出了一种具有暂态混沌动力学行为的神经网络模型。该模型首先经过一个倍周期倒分叉过程进行混沌搜索 ,进而进行类似HNN的梯度搜索。由于它利用了混沌搜索固有的随机性和轨道遍历性 ,因而具有较强的克服陷入局部极小的能力。两个典型的函数优化例子表明了该算法的有效性     

一种新混沌优化方法及在神经网络中的应用

将遗传算法和变尺度机制引入到混沌中，提出了一种新的混沌优化方法，并将此方法应用于神经网络的训练中。通过仿真研究证实，所提出的方法优于BP算法，能够达到指定的误差指标，具有一定的泛化能力，并且具有训练次数少、精度高、实施方便等优点。     

神经网络对新增样本的学习算法

对新增样本的快速学习而又不损失原有样本的记忆，是自适应在线系统的要求．本文提出了一种基于对节点激励函数线性化的逐层优化学习算法，为防止由于线性化而造成较大的误差，在损失函数中加入了惩罚项．该算法在每次迭代中，权值矩阵可以显式表达出来．算例仿真表明了该方法可行有效     

一种新型复合神经网络模型

本文首先详细地阐述了ＢＰ神经网络和ＣＭＡＣ神经网络各自的结构，原理以及算法。提出了一种ＢＰ神经网络与ＣＭＡＣ神经网络组合起来的新型复合神经网络模型，并利用误差逆向传播原理推导出复合网络的学习法。仿真实验结果表明，这种复合神经网络在保留了ＢＰ和ＣＭＡＣ各自特长的基础上，同时具有学习速度快，泛化能力强等特点     

一种改进型神经网络算法NN-LMBP

提出最近邻Levenberg—Marquardt误差反向传播神经网络算法。针对BP神经网络收敛速度慢的不足，利用Levenberg—Marquardt优化算法进行改进。同时为了提高神经网络的泛化能力，进一步基于最近邻算法对样本进行修剪。试验表明，与一般神经网络算法相比，NN-LMBP在改善神经网络泛化能力的基础上，有效地提高了神经网络收敛的速度。     

利用模糊神经网络进行数据挖掘的一种算法

研究把模糊神经网络结合进数据挖掘的方法,经过模糊神经网络的建立,训练达到精度要求、网络的裁剪、隐节点激活值的聚类和规划提高的步骤,达到通过模糊神经网络方法从数据库中提取知识的目的,并通过仿真验证了算法有效性。     

一种模糊神经网络学习算法:移动小论域法

提出了一种T-s模糊神经网络在线学习算法：移动小论域法，解决非线性控制对象的在线辨识的精度和实时性问题。该算法是在前后件参数可分离的离线混合学习算法基础上，通过分析隶属函数类型及论域模糊子集划分稠必程度对辨识精度的影响后提出来的。不同于传统模糊化进程，此法使用了移动的小论域窗口在此窗口上划分较少的模糊子集技术产生网络前件模糊化参数，解决了模糊神经网络学习中精度和实时性相互制约的矛盾。仿真结果证实该算法精度高，实时性好。     

一种前馈过程神经元网络初始化方法及改进学习算法

分析了前馈过程神经元网络初始化对其训练速度的影响.提出了一种前馈过程神经元网络初始化方法,该方法将阈值初始化为时间积分运算的均值,可消除网络初始化不当的影响.提出了改进的网络学习算法,采用与初始化相似的方法修正阈值,可加快前馈过程神经元网络的训练速度.以时变信号分类为例,仿真验证了初始化方法及改进学习算法的正确性和有效性.     

过程神经元网络学习算法中的积分方法分析

过程神经元网络常采用基于正交基展开的学习算法,以简化积分运算.分析对比了基于正交基展开和基于梯形公式两种不同积分方法,提出并证明了网络结构一定时,两种方法可以使网络达到相同的误差精度,并推论出积分运算方法不影响网络训练所能达到的误差精度.两种方法具有不同的适用情况,连续函数输入适合采用正交基展开法,在网络输入为离散等距采样点时,基于梯形公式的方法能够在不影响网络原始输入数据的前提下简化运算,避免了由原始数据构造拟合曲线或平滑插值,再进行正交基展开的过程.     

基于嵌入混沌序列的遗传算法

将混沌序列引入遗传算法中,获得了一种新的算法．该算法有效地克服了标准遗传算法中的“早熟”现象,并具有更快的收敛速度．计算机模拟验证了上述特征．同时还将改进了的算法用于多重小波神经网的训练．     

基于信号流图的动态神经网络在线学习算法

复杂的链式规则求导计算是动态神经网络在线学习算法中梯度向量计算的主要瓶颈,针时这一问题,根据P.Campolucci等人提出的动态系统梯度信息信号流图分析方法,设计了动态神经网络的在线学习算法,该算法可以直接从网络的信号流图及其伴随流图中获取目标函数关于网络参数的梯度信息,从而简化了算法梯度向量的计算.为了确保算法的稳定,根据Lyapunov稳定性定理,提出并证明了可以保证算法收敛的自适应学习速率,并且学习速率容易获得.利用NARX神经网络对非线性动态系统在线辨识的仿真实例也表明了本算法的有效性.     

复杂地形下传感器网络中传感器的放置模型与算法

有效的传感器放置能改善网络覆盖、减小网络中的通讯量,是传感器组网过程中必须解决的关键问题.研究和分析了不同网格结构的性能,建立了用于传感器放置的地形模型,提出了-种基于矢量地图数据的传感器放置算法.算法以优化传感器数目为目标,将传感器放置在能带来最大有效变化的网格节点上.仿真实际表明,与现有传感器放置算法相比,算法具有更高的效率.     

一种优化算法的神经网络在混凝土强度判定中的应用

根据混凝土强度早期判定的特点 ,建立了能映射复杂非线性关系的多层前向神经网络 .重点分析了它的一些算法 ,针对基本 BP算法存在局部极小的缺陷 ,导出了基于输出空间的全局优化 BP算法 (GOBPA) .在大量混凝土强度试验的基础上 ,计算机仿真结果表明 ,用 GOBPA训练的多层前向神经网络能够以较高的精度预报混凝土的强度 .     

基于改进型能量函数和瞬态混沌神经网络的TSP问题研究

针对传统神经网络在搜索NP类问题的解时易陷于局部最优点的不足,提出了一种基于改进型能量函数(IEF)和瞬态混沌神经网络(TCNN)的优化模型,将此应用于旅行商问题(TSP)的求解,并和传统神经网络优化方法进行了比较。仿真研究结果表明,该论文所提出的方法在解的可行性以及全局最优解的获取能力方面都有很大优势,收敛速度和准确度也令人满意。     

复杂过程对象混合建模策略的研究

提出一种面向复杂过程的混合建模策略并应用于精馏塔的建模。混合模型包含基于基本原理的简化机理模型和基于神经网络的稳态、动态补偿机构。通过工况的识别以及模型参数的离线辨识和在线优化，混合模型可以准确地模拟复杂过程在大范围内的动态特性。仿真结果证明了混合建模策略的有效性。     

基于遗传算法的神经网络两阶段学习方案

一种两阶段学习方案被提出用于神经网络的训练。在第一阶段，让实数编码的遗传算法来代替人解决神经网络结构的选择和初始参数的设定，称之为结构辨识阶段。在第二阶段，让传统的优化算法来解决参数的学习，称之为参数辨识阶段。在整个学习过程，神经网络的复杂度、逼近精度和泛化能力之间得到了满意综合。     

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。