控制系统神经网络结构优化问题研究

应用Δ目标函数法，研究了控制系统神经网络结构优化问题．给出一个推广算法及一个前向全连网络，并对用网络实现非线性映射进行仿真研究．结果表明：用推广算法训练前向全连网络，能同时得到优化结构与权值，训练速度快，适合控制系统神经网络使用     

一种动态大系统实时递阶控制方法

为了克服数值计算方法的困难，给出了一种用于求解动态大系统递阶优化控制问题的神经网络模型，构成该神经网络的局部优化子网络和协调子网络同时工作，给出最优解，具有很高的求解效率，并且该网络具有全局渐近稳定性，便于硬件实现及实际应用。     

基于重置的拟牛顿动态前馈神经网络

前馈神经网络的结构直接影响网络的性能。构造基于拟牛顿法(Quasi．NewtonAlgorithm)的前馈神经网络模型，为了优化神经网络结构，尝试引入重置算法(EarlyRestartAlgorithm)，得到基于重置的拟牛顿动态前馈神经网络。对比实验表明，重置算法的引入有效地解决了结构优化问题，优化后的神经网络具有良好的收敛性与稳定性。     

基于RBF神经网络的销售预测模型的研究与应用

文章研究一种基于RBF神经网络建立预测模型方法，其主要采用有监督学习的SG(Stochastic graclient)法对RBF神经网络进行训练，并通过遗传算法优化隐层节点的中心值，用优化的中心值再次训练网络，优化网络参数，得到全局最优解。     

基于GA优化BP神经网络的WSN数据融合技术研究

为减少无线传感器网络中节点的数据通讯量,降低能量消耗,达到数据融合的目的,设计了一种基于遗传算法优化BP神经网络的数据融合算法(BPGA),阐述了数据融合原理、BP神经网络和遗传算法,介绍了遗传算法优化BP神经网络的数据融合方法,利用遗传算法优化神经网络的权值、阀值及隐含层结构,然后通过优化后的神经网络提取无线传感器网络中原始数据的特征信息,并将特征信息发送给汇聚节点,从而提高网络数据采集效率,延长网络生命周期。最后通过与LEACH、BPNDA算法进行仿真实验比较,证明了其有效性。     

神经网络结合遗传算法优化应用

神经网络特别是BP网络因其函数逼近能力已取得了广泛的应用,遗传算法因其解决优化问题的普遍适用性而在现实生活及科研领域获得了广泛应用。本文提出的优化策略是为解决一些工程优化问题,即用神经网络及遗传算法结合起来解决此类问题。以BP网络的函数逼近能力隐式地得到问题的函数表达式,再用遗传算法优化该网络的输出。     

水电机组效率的神经网络算法

水电站优化运行要求具有连续水位和导叶开度下的效率特性曲线。对此提出用BP神经网络方法计算机组效率，并建立了BP神经网络模型，以现场效率试验数据作为样本进行训练，并用训练好的网络计算该机组的效率。网络的训练速度及计算结果表明，该算法收敛速度较快，精度高，为计算水电站任意水头及导叶开度下的机组效率提供了新思路和新方法，可用于指导水电机组的优化运行。     

神经网络紧凑集成模式

在分析现有神经网络集成构造过程的基础上，提出了一种神经网络紧凑集成模式，集成中成员网络的训练和网络组合权重的优化在同一个学习过程中进行，各参数的调整以提高集成泛化性能为目的．与现有神经网络集成模式相比，集成构造过程更加紧凑，它将个体网络生成阶段与结论合成阶段合二为一，并且网络之间的信息交互建立在实时动态的集成结构基础上，保证了成员网络训练与结论合成之间信息传递的始终一致性．为验证该模式的有效性及优越性，采用4种典型的分类数据集对神经网络紧凑集成模式与CNNE、Bagging、Boosting等现有的集成模式在泛化性能上进行了比较，结果表明神经网络集成模式在测试数据集上的错误率降低了8％～16％．     

GA-Elman网络的网络控制系统预测

为了消除网络时延对网络控制系统的影响,采用Elman神经网络预测系统时延采样值,并用遗传算法优化神经网络权值阈值.实验仿真表明:经遗传算法优化后的Elman神经网络具有很好的预测精度及动态性能,能够消除时延的影响,并验证了该方法对时延采样值预测的有效性.     

基于Hopfield网络的模糊神经网络优化方法

针对训练模糊神经网络时收敛时间慢,难以实时实现的缺点,将Ｈｏｐｆｉｅｌｄ网络引入模糊神经网络权值的优化问题中,从而融合了Ｈｏｐｆｉｅｌｄ网络可进行实时优化和模糊神经网络可引入专家知识化权值的优点。理论分析和模拟实验表明,这种网络可以在电路时间常数数量级内给出优化后的模糊神经网络权值,并且具有Ｌｙａｐｕｎｏｖ意义下的稳定性,为模糊神经网络权值的实时优化提供了一条新途径。     

人工神经网络预测高炉铁水硅含量

提出了BP神经网络预测高炉铁水硅含量的几种网络优化方法，指出了神经网络预测硅含量的可行性与局限性。     

神经网络优化问题研究进展

神经网络优化问题是智能计算研究领域中的一个前沿课题．在剖析神经网络优化问题现代方法优缺点的基础上,探讨了神经网络优化问题的研究动态和重大进展：结构优化方面目前主要是利用网络自身的性质及寻求新的算法优化网络的隐层层数与隐层节点数,但效果并不明显;权值优化方面多数研究是固定结构单方面优化权值,结构与权值优化的同步进行还有很大的研究空间;BP算法是优化神经网络最常用的一种方法,随着与智能算法的融合,性质得到了一定的改进,其中BP网络各种性能综合改进的研究是近年来研究的热点．针对神经网络优化存在的问题提出了改进的策略并对今后的研究前景作了具体的展望．     

一类约束优化问题的神经网络

提出了一类解不等式约束优化问题的神经网络，并针对几个党见的约束优化问题给出了相应的网络求解公式。与文献［３］相比，该网络的优点是：虽然问题中含有不等式约束，但所给的网络求解规模没有扩大。     

神经网络在催化剂配方优化中的应用

介绍了一种应用前向多层神经网络进行催化剂配方优化的方法．给出了神经网络算法的基本原理，步骤及网络结构，由实际数据得出了仿真结果．将仿真结果与以往方法的计算结果加以比较，证实了这种算法的可行性．这种算法对其它化工实验数据分析也有借鉴意义．     

Tchebycheff正交神经网络的建模方法——针对一类多变量非线性动态系统

针对一类多变量非线性动态系统，采用Tchebycheff正交神经网络建立系统模型，用Givens变换确定网络结构。Tchebycheff正交神经网络不仅能快速进行网络训练，而且能对网络的结构进行优化，为多变量非线性系统的动态建模提价节一种有效方法。     

基于结构的神经网络模型

提出了一种基于结构的神经网络模型，并介绍了利用该模型进行系统建模与参数优化的方法，该神经网络模型本质上是结构化的，网络模型的结构与系统结构相对应，网络中神经元的个数是确定的，神经元之间的连接不是盲目的，而是根据子系统间的相互作用关系连接而成，网络的部分连接权值与系统结构参数相对应，具有明确的物理意义，所以，建模后可进一步进行结构参数的优化。     

小生境遗传算法优化的BP神经网络模型

针对传统BP神经网络模型收敛速度慢、易陷入局部极小点、网络结构不稳定等缺陷,提出一个小生境遗传算法优化的BP神经网络模型.该模型充分利用小生境遗传算法的搜索能力和BP神经网络的非线性映射和学习联想能力,通过小生境遗传算法的选择、交叉、变异及小生境淘汰等操作,优化BP神经网络的初始权值和阈值,并采用BP算法对网络进行训练,有效解决网络初值不合理的问题,提高网络收敛速度、稳定性.实验证明:与传统方法相比,该模型具有很强的可行性和有效性.     

基于遗传算法的模糊RBF神经网络设计及应用

提出了一种基于遗传算法的模糊RBF神经网络学习算法.采用遗传算法对模糊RBF神经网络需要调整的参数进行优化,再将遗传算法优化的各参数结果作为模糊RBF神经网络各个参数的初始值,并结合梯度下降法对网络的各参数进行动态调整.在对非线性函数逼近的仿真中,仿真结果验证了优化后的模糊RBF神经网络具有更高的精度及强鲁棒性.     

基于过程神经网络与气动热力参数的航空发动机状态监视

采用前馈过程神经网络方法预测发动机排气温度，讨论了网络输入输出参数的选择问题，基于正交基函数简化了前馈过程神经网络的聚合运算，提出了从前馈过程神经网络向传统前馈神经网络网络模型的转化方法，基于传统前馈神经网络先验知识给出了学习算法，进行了网络训练及仿真，取得了满意的结果。     

重置变结构神经网络的算法

神经网络的结构直接影响到网络性能的优劣，进而影响其推广使用，是目前研究的焦点之一．尝试将重置算法应用于经典BP神经网络的结构优化，研究了重置算法中最佳重置时间的性质，同时提出一种重置变结构经典BP神经网络．