联想记忆系统的学习算法设计（Ⅰ）

基于牛顿向前插公式设计了一种新的联想记忆系（ＮＦＩ－ＡＭＳ）的学习算法,用以实现任意阶的多变量多项式函数的无误差逼近。该系统与传统类型的ＣＭＡＣ－ＡＭＳ相比,具有学习精度高和记忆空间小的特点;且比多层的ＢＰ网络具有学习算法简单和收敛速度快的特点。数值模拟表明,这种ＮＦＩ－ＡＭＳ在信号处理,模式识别,及高精度的实时智能控制等领域具有很大的应用潜力。     

铸造合金优化配料原理与计算机软件开发

应用计算机进行优化配料,不仅可以免除人工配料烦琐的计算过程,同时可以降低原材料成本,保证产品质量,提高企业经济效益。为此开发了计算机优化配料软件,论述了它的基本原理和功能,并介绍了该软件应用实例。     

线性非时变系统全响应的算子算法

在传统的算子理论基础上,建立了电路的算子模型,提出了求解线性非时变系统全响应的一种新方法。与传统的时域、复频域方法相比,此方法计算简便,物理意义明晰。     

一类非线性系统迭代优化神经网络控制器

提出了一类非线性系统迭代优化神经网络控制器的设计方法,该是在正向神经网络辨识模型的基础上,应用迭代学习方法进行控制器设计。为了补偿辨识和迭代学习误差,给出了通过引入了反馈补偿控制器控制精度的方法,仿真结果证明了该方法的有效性。     

基于记忆图样权重的联想记忆神经网络学习算法

提出了记忆图样对神经突触联接强度的贡献权重概念。通过使原图样成为稳定态即稳定条件得到的方案求解该权重,得到了突触联结强度矩阵,实现了神经网络相关模式的联想记忆。将此算法和其它联想记忆算法进行了比较和讨论,并用计算机进行了模拟。     

基于人工神经网络降维映射的统计优化方法

提出将多维空间的样本数据降维映射到二维平面上,并在该平面上自动生成函数的等值分布曲线,从而,可直观出该函数的最优点或最优区域,通过本文提出的逆映射算法可将其还原到多维空间用原始变量表示．运算实例结果表明,基于神经网络降维映射的优化方法,直观、准确、可靠,对于有约束优化问题的求解特别有效．     

基于变量混合调整的机械产品智能优化策略

为解决机械产品原始设计方案的可行化,提出了基于变量混合调整的优化策略,采用了基于启发式思想生成的变量因果关系图与几何约束混合求解的变量调整策略,该策略能很好就适应产品设计的各个阶段具有良好的柔性,同时它又是约束驱动,具有很强的自适应性和灵活性,就汽车驾驶室内布置设计对该策略进行了有效的验证。     

基于园区网络的多层网络拓扑发现算法研究

逻辑网络拓扑发现的缺陷在于,它仅发现网络层的网络拓扑,而不发现在物理层及链路层的网络拓扑结构,且无法发现和管理虚拟网。针对这一不足,将多层网络拓扑发现的功能引入网络管理系统软件之中,提出基于园区网络、Ｗｉｎｄｏｗｓ平台的多层网络拓扑发现的算法,研究结果对制作具有自己版权的网络管理系统软件将有参考意义。     

神经网络中误差反传算法的分析与改进

分析了ＢＰ网络存在的主要问题及其产生原因,提出了改进算法ＢＰＧ,以共轭梯度方向代替梯度方向进行搜索,并在学习过程中采用不精确的一维搜索、限幅和条件轮回等措施．计算机仿真结果表明：改进的ＢＰＧ算法优于原ＢＰ算法．