发酵过程混合神经网络模型及其仿真

提出了一种新型的发酵过程混合神经网络模型，该模型由非线性神经网络和线性神经网络两部分组成，由于非线性神经网络采用结构具有线形式的Flat网络，两个网络能够合并为同一表达式，并具有线性形式，可采用线性最小二乘法求解网络权值，与串联结构及串并联结构混合神经网络模型相比，该模型训练方式简单，并可方便地使用在线辨识算法。     

基于RBF网络的混沌时间序列的建模与多步预测

提出将RBF神经网络应用于混沌时间序列的建模与预测中 ,设计了一个三层RBF网络结构 ,说明了RBF网络用于混沌时间序列建模和预测时的基本性质。仿真结果表明 ,RBF网络模型对混沌时间序列有比较强的拟合能力和比较高的一步及多步预测精度。采用RBF网络进行混沌时间序列的建模和预测能够取得比其它方法好得多的效果。     

文本处理中基于随机映射的加速LSI方法

首先针对在文本处理的高维矢量环境中Kohonen自组织映射神经网络的计算瓶颈问题和输入矢量空间中存在的问题进行分析，然后对随机映射(RM)和隐含语义索引(LSI)方法分别进行理论分析，提出用于文本处理的基于随机映射的加速LSI方法．试验结果表明，加速LSI方法可以在凸现原有语义联系的基础上，低代价、有效、可控地解决上述问题，极大地降低文本处理环境中Kohonen自组织神经网络的规模和计算代价．     

基于LSI和自组织神经网络的高效文本聚类方法

根据隐含语义索引(LSI)理论和动态自组织映射神经网络理论,提出了一种文本聚类的新方法.应用动态自组织映射神经网络来实现文本聚类,不必预先给定聚类个数,可以在任意合适的位置生成一个新的类,具有聚类灵活和精度高等特点,对于高维的文本特征向量来说,聚类速度很低;该方法应用LSI理论来建立文本集的向量空间模型,在词条的权重中引入了语义关系,消减了原词条矩阵中包含的"噪声"因素,从而更加突出了词和文本之间的语义关系.通过奇异值分解(SVD),有效地降低了向量空间的维数,克服了自组织神经网络的聚类缺陷,提高了文本聚类的精度和速度.     

基于RBF网络的混沌动力系统辨识

提出用RBF神经网络对混沌动力系统进行辨识，设计了一个三层RBF网络结构，仿真实验说明了RBF网络用于学习混沌动力系统时的基本性质。用辨识模型重建吸引子方法定性地评价辨识模型，通过计算辨识模型的Lyapunov指数定量地评价辨识模型的性能，同时推导了RBF网络模型Lyapunov指数的计算公式。仿真结果表明，该辨识模型能很好地逼近原混沌动力系统，准确地体现原混沌系统的动力学特性。     

电力系统超短期负荷预报的一种有效方法

针对电力系统超短期负荷预报的特点提出了自校正移动窗卡尔曼滤波—最小二乘算法(SMWKL)。首先用带移动窗的卡尔曼滤波算法减少负荷数据的噪声,然后通过自校正移动窗最小二乘算法得到较精确的参数估计,再进行一步预测就可得到较好的结果。实例表明了这一点。     

一类有效的变尺度分层BP学习算法

提出一类有效的改进ＢＰ算法，它采用分层的变尺度学习算法克服一般变尺度学习算法处理的矩阵线数过高、难于实用的问题；同时对势态项系数采用一种自适应的调整方法，避免因其选择不当影响学习收敛速度问题．计算实例表明算法的优越性．     

四色和K色图着色问题的瞬态混沌神经网络解法

首先给出了用神经网络求解四色图着色问题的神经网络结构和能量函数 ,然后采用了具有瞬态混沌特性的神经网络 ( TCNN)来解四色图着色问题 .由于引入具有复杂动态特性的瞬态混沌使得该法具有很强的搜索全局最优解的能力 .仿真结果表明 ,用该法解四色图着色问题总能保证使能量函数收敛到最优解 ,有效避免了用传统的 Hopfield人工神经网络 ( HNN)解此问题时极易陷入局部极小的缺陷 ,并且收敛速度更快 .另外我们还用此法求解了属于 NP-完全问题的 K色图着色问题.     

ART2神经网络聚类的改进研究

为进行快速动态层次聚类,通过分析自适应谐振理论(adaptive resonance theory,ART)神经网络的快速学习、主观设置警戒参数、输出无层次结构等优缺点以及自组织特征映射(self-organizing feature map,SOFM)神经网络的侧反馈、不能动态聚类、输出无层次结构等优缺点的基础上,借鉴Hebb规则的思想,针对ART2神经网络的聚类算法进行了改进研究.通过结构描述、算法分析,该算法融合了ART2和SOFM的优点,克服其不足之处,以快速学习的方式形成可带有多层层次的动态聚类结构(不同的层次代表不同粒度的聚类),此外还降低了对警戒参数主观设置的要求,对于较粗粒度的聚类不再需要重新训练神经网络.并通过仿真实验证明该算法的有效性.