岩体中孔与裂纹贯通破坏模式图形判别法

为研究工程岩体贯通破坏过程岩体裂纹起裂贯通机制,预制了以岩桥倾角为变量的红砂岩试块用单轴压缩的加载方式进行实验,并且通过数值模拟进行验证.首先总结了含单裂纹与单孔红砂岩岩石试块破坏的4种断裂模式,然后首次定义了塑性核心区半径、塑性延展区长度,并用它们表征单孔半径(或裂纹长度、倾角)与塑性破坏区域的大小,发现塑性破坏区的贯通与试块的贯通断裂具有很好的对应关系,最后提出通过作图判断岩石裂纹贯通断裂的判别方法.模拟结果验证了所提破坏模式判别方法的正确性,与类似物理实验结果具有一致性.     

样条神经网络的权值直接确定法

根据样条逼近理论和神经网络原理构造了一种样条神经网络模型,以一组样条基函数作为隐神经元的激励函数。依据误差回传（BP）思想推导出该网络模型的权值修正迭代公式,利用该公式迭代训练可得到该网络的最优权值。而对于构造的具有特定网络结构的样条神经网络,依据伪逆思想提出了一种直接计算权值的方法,从而避免冗长的迭代训练过程。仿真结果表明该权值直接确定法不仅能一步确定权值从而获得更快的运算速度,而且能达到更高的计算精度。     

基于WASD神经网络的日本国债预测结果与分析

日本是发达国家中国债和GDP的比值最高的国家。在过去的20年中,日本国债规模增长迅速。根据日本财务省官方公布的数据显示,截至2020年6月底,日本国债总额已达到1 159.028 9万亿日元。为了预估日本中央政府未来的债务风险,对日本国债规模进行预测是有必要的。研究利用权值和结构确定(WASD)神经网络对日本2017年3月—2020年6月一共14个季度的国债规模成功进行了预测,预测结果与官方数据的相对误差在4%以内。此外,利用校验误差最小的神经网络更进一步地完成了2020年9月—2022年12月一共10个季度的短期预测。结果表明,短期内日本国债规模仍将缓慢上升。     

线性矩阵方程的梯度法神经网络求解及其仿真验证

 介绍一种基于梯度法的Hopfield神经网络在线求解线性矩阵方程,并且探讨其MATLAB仿真技术以验证该神经网络在求解线性矩阵方程问题时的准确性和有效性。仿真过程中用以下几种重要技术手段：①Kronecker乘积,用来将描述该神经网络的矩阵微分方程（MDE）转化为向量微分方程(VDE),即标准的给定初始值常微分方程（ODE）;②MATLAB指令“ode45”,用来仿真上述转化后的给定初始值常微分方程;③各种激励函数的编码实现,用以检验该神经网络系统的收敛性和存在实现误差时的鲁棒性。仿真结果同理论分析的对应与一致,进一步证实基于梯度法的Hopfield神经网络在求解固定系数线性矩阵方程中具有很好的效验。     

符号函数激励的WASD神经网络与XOR应用

基于权值与结构确定(WASD)算法,提出和构建了一种以非连续符号函数为隐层神经元激励函数的WASD神经网络模型。通过WASD算法,能有效地确定所构建网络的权值及网络的最优结构。该文也将此网络模型应用于XOR(异或)上,并详细讨论了在带噪类型不同时网络在此应用上的性能。计算机数值实验结果验证了所提出的权值与结构确定法能够有效地确定出网络的最优权值与结构,所构建的WASD网络在XOR应用上具有优秀的抗噪性能。另外,通过对比符号函数激励的WASD神经网络与幂函数激励的WASD神经网络在高维XOR应用方面的性能差异,证实了所提出的符号函数激励的WASD神经网络及算法在解决非线性问题时的优越性。     

Laguerre正交基前向神经网络及其权值直接确定法

根据多项式理论,构造了一种以Laguerre正交多项式作为隐层神经元激励函数的前向神经网络模型.根据标准BP算法,导出了权值修正的迭代公式(包括标量形式和矩阵形式).区别于这种需要迭代训练获得最优权值的方法,针对该网络模型,进一步提出了一种基于伪逆的直接计算权值的方法.该权值直接确定法避免了以往的权值反复迭代训练的冗长过程.仿真结果显示其具有比传统的BP迭代法更快的计算速度,并且能够能达到更高的工作精度.     

牛顿方法的用导一致性

导数及其使用是一种重要的数学工具与方法,在数值方法研究中起着十分重要的作用,很多经典数值计算方法理论中都涉及了对导数的运用.作为常用的数值方法,牛顿方法大量利用了求导的思想.通过归纳牛顿迭代法的显性用导特性和牛顿插值多项式的隐性用导特性,得到牛顿方法的用导一致性.     

反插值问题的幂激励前向神经网络求解

针对数值法求解反插值问题时存在的正解精度受初值选取影响、计算速度慢等问题,采用幂激励前向神经网络来求解反插值问题.仿真结果表明,幂激励前向神经网络能够有效地解决一一映射反插值问题,而对于非一一映射,却不具备准确反插值的能力.为此,文中提出了一种增加时序控制条件的幂激励前向神经网络,即时序幂激励前向神经网络模型.理论推导和仿真实验结果表明,该时序幂激励神经网络能够更好地解决一一映射及非一一映射反插值问题.     

求解线性不定方程组所展现的BP与Hopfield类型神经网络的学习同质性研究

主要针对求解线性不定方程组的两种并行计算神经网络模型(BP和Hopfield类型神经网络)进行了探讨。BP神经网络和Hopfield类型神经网络尽管在起源、网络定义、拓扑结构和学习模式上有较大的不同,但这两类人工神经网络在相同学习率条件下求解线性不定方程组中却可以表现出相同的数学公式、学习本质和计算能力,即学习同质性。此外,分别在零初值、相同但非零初值和不同随机初值三种情况下,针对两类人工神经网络求解线性不定方程组体现出来的学习同质性进行了计算机仿真验证,并证实了两类神经网络算法的有效性。     

复杂建筑环境下电梯系统的快速仿真研究

高效的电梯仿真系统是研究电梯群智能控制策略的基础平台。在深入分析电梯运行轨迹和速度特征的基础上,提出了一种基于运行轨迹节点的电梯系统快速仿真技术,实现了不同客流强度、客流分布和层站高度等复杂建筑环境下的电梯多速度模式运行仿真。实例表明,该仿真系统在仿真效率上较传统仿真平台有明显的提高,为各种电梯群控制策略研究所需的大量仿真实验提供了优良的测试平台,具有较大的应用价值。