单层石墨和多层石墨的电子能带结构

用紧束缚方法得到了单层石墨材料中π和π^＊能带的解析表达式;当考虑前三近邻原子的相互作用时,紧束缚方法的计算结果与第一性原理计算结果符合很好。在前三近邻紧束缚近似的基础上,考虑到层问原子的相互作用,进而得到了多层石墨的π和π^＊能带结构。     

基于多层感知机神经网络的智能高度传感器设计

基于大气中的两个物理参量:大气静压力、大气温度以及它们和几何高度的关系,借助于压阻式压力传感器和温度传感器对大气静压力和温度进行测量,并以两个传感器作为多层感知机网络的输入,以几何高度作为网络的输出.利用标准数据采用动批量法(MOBP算法)对网络进行训练,得到网络各层的权值和偏置值,由此可以确定在任意静压力和温度输入作用下,网络输出的精确几何高度值,神经网络的算法可借助DSP芯片实现.实验表明采用该方法设计的传感器比采用曲面拟合的方法具有更高的精确度和抑制传感器的温度漂移和时间漂移的优势.     

用粗糙集构造基于知识的模糊多层感知器

提出了用粗糙集理论构造模糊多层感知器的方法。使用粗糙集从样本信息表中抽出关于领域的规则以及规则的精确度和覆盖度。网络的结构由已经抽取的规则映射而成,初始连接权由规则的精确度和覆盖度确定。论文给出了基于信息熵的知识的简算法。运用于水稻虫害分类的试验结果表明：这种基于知识的模糊多层感知器与传统感知器相比,具有较少的隐层节点,并能做出正确的特征分类。     

一种用于多类模式识别的综合感知器网络和学习算法

提出一种由感知器神经元组合成的综合网络模型及相应的学习算法,网络由3层感知器神经元组成,中间屋到输出层的权值相应地为＋1或－1,输入层到中间层的权值通过学习获得,且中间层每个神经元的权值单独学习完成,该学习算法在有限次迭代步骤内终止。当算法终止时,对于可线性发的多类模式识别问题总是能找到正确的解,如果还有模式不能识别,则说明这是一个不可线性划分的多类模式识别问题,用阿拉伯数字识别的例子说明了网络模型和算法的有效性。     

基于AdaBoost的弱分类器选择和整合算法

针对传统AdaBoost算法在人脸检测中训练耗时和误检率高的问题,提出一种改进的AdaBoost算法.新算法在基于PSO的AdaBoost算法基础上对弱分类器的选择和整合两个阶段进行改进.弱分类器选择阶段,在使用PSO迭代选择最佳弱分类器之前,剔除部分无用特征,缩小粒子搜索空间;弱分类器整合阶段,在采用基于核函数的非线性感知器算法优化调节弱分类器参数的过程中使用一种新的与正样本分类能力有关的弱分类器初始参数.采用基于MIT数据库的实验结果表明,本文算法比基于PSO的AdaBoost算法在检测性能上有明显提高.     

基于感知器的和型Fuzzy合理选择研究

研究了单一选择函数的和型Ｆｕｚｚｙ实现的有关问题。将单一选择函数的和型Ｆｕｚｚｙ实现问题转化为由线性阈值元件组成的感知器模型。在假定有限社会状态结果集合的条件下，给出了单一选择函数是和型Ｆｕｚｚｙ可实现的一个充要条件，从而建立了选择问题与感知器模型的联系，此外还给出了单一选择函数是和型Ｆｕｚｚｙ可实现的一个几何描述。利用感知器学习算法规则给出了单一选择函数的和型Ｆｕｚｚｙ实现的具体算法并计算出实现结果。     

带递归的模糊感知器有限收敛性

模糊感知器的主要功能是通过权值的学习来判别样本所属的类别.对一种基于模糊逻辑运算的带递归的模糊感知器进行了研究,其网络结构类似于内部运算基于加法-乘法的传统感知器,并加入了动态递归项.设定网络的初始权值均为常数0,证明了若训练样本的输入向量维数为2,在样本模糊可分条件下,学习算法有限收敛,即有限步后权值的训练停止;若训练样本的输入向量维数大于2,在稍强的条件下,学习算法也有限收敛.     

自适应加噪反向传播算法研究

提出了一种对三层前向感知器的权重修正值注入自适应噪声的方法。在误差反向传播训练过程中 ,感知器权重的噪声幅度随权梯度值下降而趋近于零。不论是仅采用权重加噪的方法还是同时进行训练集输入端及权重加噪的方法 ,都能显著提高神经网络的泛化能力 ,并以异或问题的仿真实验验证了上述结论     

Complex Function Approximation Based on Multi-ANN Approach

ＣｏｍｐｌｅｘＦｕｎｃｔｉｏｎＡｐｐｒｏｘｉｍａｔｉｏｎＢａｓｅｄｏｎＭｕｌｔｉ－ＡＮＮＡｐｐｒｏａｃｈ￥ＬｉＲｅｎｈｏｕ＆ＧａｏＦｅｎｇ（ＩｎｓｔｉｔｕｔｅｏｆＳｙｓｔｅｍｓＥｎｇｉｎｅｅｒｉｎｇ，Ｘｉ＇ａｎＪｉａｏｔｏｎｇＵｎｉｖｅｒｓｉｔｙ，Ｘ...     

FORECASTING AUTOMOBILE WARRANTY PERFORMANCE IN PRESENCE OF ‘MATURING DATA＇ PHENOMENA USING MULTILAYER PERCEPTRON NEURAL NETWORK

Automobile companies that spend billions of dollars annually towards warranty cost, give high priority to warranty reduction programs. Forecasting of automobile warranty performance plays an important role towards these efforts. The forecasting process involves prediction of not only the specific months-in-service (MIS) warranty performance at certain future time, but also at future MIS values. However, ‘maturing data‘ (also called warranty growth) phenomena that causes warranty performance at specific MIS values to change with time, makes such a forecasting task challenging. Although warranty forecasting methods such as log-log plots and dynamic linear models appear in literature, there is a need for applications addressing the well recognized issue of ‘maturing data‘. In this paper we use an artificial neural network for the forecasting of warranty performance in presence of ‘maturing data‘ phenomena. The network parameters are optimized by minimizing the training and testing errors using response surface methodology. This application shows the effectiveness of neural networks in the forecasting of automobile warranty performance in the presence of the ‘maturing data‘ phenomena.