线性化逐层优化MLP训练算法

提出了线性化逐层优化ＭＬＰ训练算法（ＬＯＬＬ）．ＬＯＬＬ采用循环方式逐层对ＭＬＰ的连接权值进行训练．训练连接权值时用一阶泰勒级数表示神经元的非线性激活函数以实现神经网络的线性化,使ＭＬＰ的训练问题转化为一个线性问题．同时,为保证神经网络线性化条件不被破坏,ＬＯＬＬ通过在神经网络的误差函数中计入部分线性化误差限制参数的改变幅度,对神经网络的误差函数进行了修正．实验结果显示,ＬＯＬＬ训练算法的速度比传统的ＢＰ算法快４倍,用它构成的语音信号非线性预测器有较好的预测性能．     

T-S型模糊RBF神经网络快速学习算法

针对Ｔ－Ｓ型模糊ＲＢＦ神经网络输入空间模糊最优聚类算法运算量大、运算速度低的缺点,提出基于输出空间模式聚类的快速学习算法,以满足多变量系统实时性要求．仿真结果表明该快速学习算法不仅可以达到要求的辨识精度,而且可有效地提高运算速度     

一种实现异构知识集成的新方法

在知识的广义定义的基础上,指出了数量性知识、符号性知识、样本性知识是主要的异构形态知识,分析了它们的不同特征．提出通过建立知识描述形式之间的转换联系达到知识集成的目的．分别给出了从神经网络到规则和从规则到框架的转换方法和具体步骤．通过一个机床加工选择的实例,验证了本方法的有效性．     

T-S型模糊RBF神经网络的结构研究

提出Ｔ－Ｓ型模糊ＲＢＦ神经网络模型结构,讨论该模型参数的输入空间模糊最优聚类学习算法．仿真结果验证了学习算法的有效性和可行性,表明Ｔ－Ｓ型模糊ＲＢＦ神经网络可逼近任意多变量非线性函数．     

基于神经网络的ATM接入允许控制

提出一种基于ＢＰ神经网络的ＡＴＭ接入允许控制方案．该方案不仅具有自适应实时控制的优点,而且不依赖于呼入的种类个数,同时也无需呼入参数的更详细描述,因而比以往提出的方案具有更大的灵活性和适应面．模拟结果表明该方案有充分大的接入区域和抗干扰能力     

基于神经网络测试码生成的一个鲁棒算法

针对基于组合电路神经网络模型进行测试码生成,提出了一个对神经元连接权值不敏感的鲁棒算法——改进的遗传算法．它克服了运用概率松驰搜索算法求解测试矢量时,神经元之间连接权值的选择影响测试结果的缺陷,增强了测试码的鲁棒性．该算法对不同的连接权值都能得到满意的测试结果     

汽车二维图像的分类识别研究

用自相关函数提取图像的特征,对三类小汽车模型的侧影进行了分类识别研究．给出了两种分类识别方法：加权ｋ－近邻分类法和ＢＰ网络分类法,并对两种分类方法的性能进行了分析．实验结果说明,识别效果较好     

用动态神经网络解决粘度预测的方法

针对聚酯生产中粘度计测量滞后的问题,报告了用动态神经元网络进行粘度预测的方法,着重讨论了神经网络输入 变量的选择,构成动态神经网络的结构以及实现在线修正的方法。     

BP神经网络预测高水分农产品物料比热的探索

高水分农产品物料的比热是农产品加工工程研究和农产品加工设备设计中的重要热特性参数之一．预测精度关系到所设计加工设备的质量、性能的优劣．本文建立了高水分农产品物料比热的ＢＰ神经网络模型,比较了二元回归模型和ＢＰ神经网络模型对高水分农产品物料比热的预测效果,得到ＢＰ神经网络模型的预测精度高于二元回归模型．     

一类非线性系统的递归神经网络控制

递归神经网络（ＲＮＮ）由于具有极为丰富的动力学行为而被用在非线性控制系统中,但是传统的ＲＮＮ的训练算法不仅复杂,而且容易陷入局部极值点．作者通过对标准的遗传算法的改进,采用格雷编码方式、比赛选择策略和稳定状态更替方式,使其适用于ＲＮＮ控制器结构和参数的确定．此外,把ＲＮＮ控制器用于控制一类ＳＩＭＯ自不稳定非线性系统（ 如倒立摆系统） ,也收到很好的效果．