Job—shop调度问题的瞬态混沌神经网络解法

采用具有瞬态混沌特性的神经网络（TCNN）解Job-shop调度问题。利用神经元的自抑制反馈产生混沌动态,其随机搜索能力有效地了传统Hopfield神经网络（HNN）极易陷入局部极小的缺陷;同时利用一时变参数控制混沌行为,使网络在经过一个短暂的倍周期倒分岔后逐渐趋于一般的神经网络,从而收敛到一个最优或近似最优的稳定平衡点。仿真结果表明,该网络解Job-shop调度问题比HNN具有更强的全局搜索能力和寻优能力,并具有更高的搜索效率。     

一种基于参数扰动退火策略的神经网络全局优化新算法

针对非线性全局优化问题,提出了一种新算法它采用参数扰动策略,使Hopfield神经网络克服局部极值点的吸引,同时对参数扰动采用模拟退火算法,使扰动逐渐减小,直到扰动不能对最优解和最优值产生影响,从而得到全局最优解.通过对大量测试函数的仿真计算,充分体现了新算法在速度、精度和适应性方面的优势.本文还对算法的收剑性进行了理论分析.     

利用基序列逼近的一类非线性时变系统辨识的实用方法

提出了一种针对一类非线性时变系统（时变的Hammerstein级数）辨识的实用方法。为减少时变系统建模所需参数个数,利用已知基底列的线性组合来逼近系统的时变动态特性,并采用递推最小二乘来估计模型的参数,克服了以往基序列逼近用于时变系统辨识方法中离线最小二乘计算效率不高的缺陷,仿真结果表明,本文提供了的有经济有效地对一大类时变非线性系统进行较好的辨识。     

一种非线性时变系统小波网络辨识算法

提出一种可对任意非线性时变系统进行辨识的新方法，即基于小波神经网络的带自校正移动窗的递推最小二乘算法，与现有的神经网络辨识算法不同，该算法是根据被估权值时变速度的快慢来自适应地调整移动窗的长度，以跟踪非线性时变系统的动态特性，文中推导了了算法，并将全局算法进一步推广成不含任何矩阵运算的局部算法以提高算法的实时性能，几个典型的系统辨识仿真实例显示出这种方法具有跟踪精度高和计算简便的良好性能。     

规则不确定性的几种度量及其相互关系

对目前广泛应用的基于粗集理论和信息熵的几种规则不确定性度量准则进行了比较分析,通过定理证明了它们之间存在不一致性以及发生不一致时的必要条件,并从不同角度揭示了它们之间的相互关系.最终为下一步构建更有效的不确定性度量的指明了方向.     

一种基于神经网络和决策树相结合的数据分类新方法

提出了一种将神经网络和决策树相结合的数据分类新方法。该方法首先依据属性重要性将属性进行排序,然后通过RBF神经网络进行属性裁减,最后生成决策树,并抽取出规则。与传统的决策树分类方法相比,此方法可依据属性重要性直接生成最小决策树,避免了树的裁减过程,大大加快决策树的生成效率,并进一步提高了规则的预测精度。该方法适用于大规模及高维属性的数据分类问题。