用反馈神经网络对非线性离散系统进行实时建模

利用时变反馈神经网络的概念及二维线性系统理论给出了非线性离散系统的一种实时建模方法,理论及仿真实验结果均表明,这种实时模型能够任意逼在线性离散系统。     

基于贝叶斯方法的知识发现

贝叶斯方法是概率统计学中一种很重要的方法。贝叶斯网络就是根据各个变量之间概率关系用图论方法建立的模型,本将概率统计的贝叶斯规则应用于知识发现,建立图论模型进行数据挖掘,章最后应用贝叶斯网络对于实际的数据库进行知识发现,其结果说明了这种方法的有效性。     

基于决策树的神经网络规则抽取方法

将从神经网络中抽取一个可理解的模型视为一个归纳学习任务 ,其中 ,目标概念就是神经网络表达的功能 ,所生成的可理解模型是一个能很好近似神经网络的决策树 .在这个过程中 ,应用了决策树归纳学习的优化原则 ,使得生成的决策树能最简洁、准确地描述神经网络学到的知识 .实验证明 ,生成的决策树可以很好地近似神经网络 ,且比用传统方法生成的决策树具有更好的分类精度 ,同时NNtoDT算法也保持了具有较好的通用性和可扩充性的特性 .     

基于小波网络的非线性多变量约束预测控制

为了解决非线性多变量系统的建模、控制和优化问题 ,论文扩展基于小波神经网络的单变量系统辨识到多变量系统辨识 ,并用它实现非线性预测控制。对开环稳定过程 ,引入一个具有输入约束的基于小波神经网络模型的区域预测控制方案 ,它的闭环稳定性能够通过适当选择它的预测水平来保证。基于上述动态控制方案 ,提出了一个稳态状态优化方案。通过对一个聚酯生产过程的仿真研究 ,证实了上述方法的有效性。由于能够通过线性最小二乘 (L S)估计方法来辨识 ,该模型易于实现并可用作通用模型。仿真研究的结果表明了该模型的通用性、辨识和控制方法的简单性 ,所提出方案能够被用于过程工业的非线性系统的建模和控制     

亚夸克模型,轻子型夸克和一种简单的夸克-轻子结构模型

基于最简洁的ｒｉｓｈｏｎ亚夸克模型,讨论了由此可以组成的各种玻色子和费米子。这可以导出轻子型夸克及一些新粒子,进而提出一种简单的夸克－轻子复合结构的动力学模,如此可以不引入色,并与已知的粒子质量关系,衰变道一致,最后,简单探讨了中微子有质量的某些总是春与相对论的关系。     

基于代数神经网络的多元多项式不可约判定及学习算法

把感知器作为数学模型,充分利用神经元的运算特性,以二元多项式近似求根神经网络模型为基础,设计一类多元多项式不可约判定的神经网络模型,它是单输入多输出三层前向神经网络,给出神经网络学习算法,这种学习算法在ｐ－ａｄｉｃ意义下,通过调整隐层与输出层的权值Ｃｉ,ｊ完成学习,可确定出多元多项式不可约,通过算例表明,该算法有效,相比传统的判定算法,可操作性强。     

多维离散傅立叶变换神经网络函数逼近

利用多维离散傅立叶变换原理构造新颖的神经网络模型用于函数逼近,网络结构为分层前向网络。给出了网络的学习算法,网络的大部分权值都是固定的,只有输出层与最后隐层之间的权值需要调节。     

三维异联想Hopfield模型

三维物体的识别是有重要应用意义的课题,神经网络模型是解决该复杂问题的一个途径。作者将神经网络模型表达为矩阵形式,提出异联想矩阵形式的Ｈｏｆｉｅｌｄ模型,从而提出了能较好地解决这一问题的新方案。与传统Ｈｏｐｆｉｅｌｄ模型相比较,该模型对三维物体的识别有较好的识别率,对神经网络的发展和实际应用有重要参考价值。     

运用马尔可夫链求一类矩阵的逆矩阵

运用马尔可夫链的知识 ,证明了一类矩阵是满秩的 ,并给出求其逆矩阵的方法     

具有跟踪性可扩同胚的链回归集

给出具有跟踪性可扩同胚的链回归集的几个性质 ,指出以往文献中证明链回归集无环性时的错误之处 ,并给出严格的证明 .