低碳供应链资源配置算法及其鲁棒性能

为合理解决低碳供应链资源的配置效率问题,本文在云模型、量子神经网络研究基础上提出了基于云模型的混合量子神经网络算法。应用混合粒子群算法来确定神经网络的连接权值、隐层神经元个数及各层神经元的阈值等参数。通过对低碳供应链资源配置算法及其算法的鲁棒性能等问题展开深入研究,确定了混合量子神经网络算法的参数主要有各层神经元的个数及阈值。数值实验发现不同的初始状态和参数设计会影响混合算法鲁棒性能的测定。采用混合量子粒子群算法的混合网络结构可以提高在低碳供应链资源配置过程中的错聚效率,能有效提高低碳供应链资源配置的准确度和正确性。     

基于多项式网络的空袭目标类型识别模型

给出了进行目标类型识别的指标集 ,建立了基于多项式前向神经网络识别模型。该模型具有三层结构 ,隐层、输出层分别采用多项式函数和线性函数作为激活函数 ;隐层 输出层的权值用最速下降法学习 ,输入层 隐层的权值用遗传算法进行学习。实例表明该模型是可行的。     

关于前馈神经网络的激活函数与认知能力

讨论了目前前馈神经网络研究中存在的一些问题 ,给出了前馈神经网络的一种数学框架。在这种框架下 ,提出了网络神经元激活函数的选取原则 ,给出了前馈神经网络认知能力的概念 ,证明了静态前馈神经网络的认知能力是有限的。指出了网络的认知能力与激活函数、隐层神经元个数的选取都有关 ,并提出了隐层神经元个数的选取原则。最后 ,给出了前馈神经网络泛化能力的概念 ,指出前馈网络的泛化能力是有条件的。     

灵敏度分析在多层感知器硬件设计中的应用

以多层感知器的相对灵敏度为指标,利用灵敏度分析方法,研究了存在量化误差的情况下,多层感知器硬件设计中的网络结构设计和量化比特数选择问题。提出了训练前多层感知器硬件设计的灵敏度分析方法。针对单隐层感知器的硬件设计进行了计算机仿真,得到了满足设计要求的隐层神经元个数和量化比特数。仿真结果表明,所提方法在理论上是一种有效的网络硬件设计方法。     

用于大工业过程建模的新型小波神经网络结构

提出一种新的小波神经网络结构 ,旨在解决输入变量比较多、变量分先后次序起作用的一类问题。该网络结构类似于多层前向神经网络 ,不同的是将一部分输入节点移至隐层 ,输入变量不是由同一层输入 ,而是根据变量起作用的前后次序分别在网络的不同层输入 ,从而使网络的规模减小 ;同时 ,隐层神经元的激励函数是一维小波函数 ,避免了多元小波函数带来的维数灾难问题。因此 ,该神经网络是处理高维问题的有效工具 ,尤其适用于包含多道加工工序的大工业过程的建模。将该神经网络用于热连轧产品质量建模 ,并经过了实测数据拟合与检验。试验结果表明 ,提出的小波神经网络结构是可行的 ,而且有很好的应用前景。     

复数神经网络的一种新型初始权值选择方法

为了改善学习速率,提出了一种确定复数神经网络初始权值的新颖方法。初始权值不是随机给定的,而是通过计算求得。具体方法是选择一类隐层神经元的变换函数(类支集函数),将输入层和隐层之间的复数权值计算出来,保证隐层的输出矩阵是满秩矩阵,并从理论上证明了这样的满秩矩阵是存在的。利用这个满秩矩阵,通过最小平方算法就可以求得隐层和输出层之间的复数权值。将这些权值作为初始权值,采用最速下降算法来对神经网络进行训练。初始权值的优化,使得该算法可以有效地提高复数神经网络的训练速度和计算精度。一个特例是当隐层神经元的个数与样本个数相等时,就可以求得代价函数值为0的全局最小点。计算机仿真实例验证了该算法的有效性。     

任意非线性函数的神经网络实现及其仿真分析

本文采用计算机仿真的方法,对多层神经网络描述任意有界非线性函数的特性进行了分析和实验验证,并对网络的隐层数和每一隐层的神经元个数给网络输出带来的影响进行了分析,同时给出了仿真结果。     

基于一种新型动态神经网络的非线性自适应逆控制

根据生物神经元的机能,提出了一种具有动态激励函数的新型神经元模型,由此构成的神经网络(DAFNN)应用在非线性自适应逆控制中时只需要确定隐层神经元个数,从而克服了用NARX回归神经网络时需确定输入和输出延时阶数及隐层神经元个数等多个参数的不足。通过对单输入单输出(SISO)及多输入多输出(MIMO)非线性系统的自适应逆控制仿真研究,证实了DAFNN是一种很好的非线性系统建模和控制工具。     

一种新型δ函数神经元构成的神经网络及学习算法

本文提出一种新型δ函数神经元构成的三层前馈神经网络，其隐层中神经元采用δ变换函数而不是ｓｉｇｍｏｉｄ函数。学习算法不再采用误差反向传播（ＢＰ）算法，而是通过选定隐层与输入层之间的自由权来确定隐层与输出层间的待求权的直接算法完成学习。这种学习算法运算速度快，不存在局部极小和收敛速度慢的问题，只要隐层δ函数神经元个数等于样本对数量就一定能完成学习，这是传统ＢＰ算法不能比拟的。计算机仿真实例表明该算法是十分有效的。     

不确定多时滞系统动态自适应神经网络控制

针对一类具有不确定多时滞的非线性系统,提出一种由时滞补偿器和动态结构自适应神经网络所构成的控制器.通过设计时滞补偿器中的参数自适应调节规律来消除多时滞对控制输入的影响,再引入动态自适应神经网络,利用其隐层神经元个数可以随着逼近误差的增大而在线增加的特点,获得满意的逼近精度,提高控制性能.最后,对时滞混沌系统进行仿真,表明该方法的有效性.