基于 ANN 的 FMS 故障诊断模型及其学习算法

讨论了基于前馈型神经网络的ＦＭＳ故障诊断模型，并提出一种用于前馈型神经网络训练的改进ＢＰ算法和基于遗传算法的网络初始点获取策略，给出一种通用前馈型神经网络结构和学习参数自整定学习算法，最后应用上述方法建立了基于前馈型神经网络的ＦＭＳ机器人故障诊断模型，并用所提出的新的学习算法对网络进行了学习，与传统ＢＰ算法比较，学习速度较快，且不易陷入局部极小点     

并行协作模块化神经网络体系结构

提出了一种并行协作模块化神经网络的体系结构和学习算法,它可实现复杂任务的自动分解判定和模块化训练策略.实验表明,本文提出的体系结构和算法与非模块化神经网络技术相比,提高了训练速度、改善了网络性能,它具有高效并行运行效率、容易实现新增样本学习等特点.     

在于神经网络的模型辨识

提出了一种神经网络的智能ＩＭＣ模型辨识方法，给出了有效的基于共轭梯度的神经网络学习算法。领导具结构表明，该方法可用于难以建立数学模型的对策。     

一种新的多层前馈网络学习算法

基于权值解耦思想，本文提出一种新的多层前馈网络学习算法，该学习算法的收敛速度比ＰＢ学习算法快，且比并行递推预测误差学习算法有更好的数值稳定性，文中论述了它与别的学习算法之间关系，并选取神经网络对非线性系统建模的例子进行仿真，说明新算法的有效性。     

基于互相关函数的神经网络解耦器在线学习算法

在分散解耦的系统框架上，提出了基于ＭＩＭＯ过程互相关函数的神经网络解耦器在线学习算法。该算法定义了一组ＭＩＭＯ过程的互相关函数作为神经网络解耦器的指标函数，采用了混合遗传算法在线训练神经网络。结合实际工业对象的仿真结果，表明了该算法的有效性。     

基于GA-CGA优化神经网络解耦方法的应用研究

为了克服神经网络存在的收敛速度慢、易于陷入局部极值等不足,采用一种混合学习算法优化神经网络,即将改进遗传算法(GA)和共轭梯度算法(CGA)的混合学习算法用于对神经网络权值的修改,针对流浆箱的总压和浆位之间存在耦合问题,提出一种基于GA-CGA混合优化算法的神经网络PID解耦方法,成功地实现了总压、浆位之间的解耦.仿真结果表明该系统比神经网络PID解耦具有更好的控制效果和抗干扰能力.     

神经网络自适应均衡器研究

神经网络具有大规模并行处理、自适应、自学习能力和非线性特征，已获得了广泛应用。本文将多层正馈神经网络（ＭＬＦＮＮ）应用到数字通信中的均衡问题，讨论了ＭＬＦＮＮ自适应均衡（ＡＥ）和判决回授均衡（ＤＦＥ）的结构及其学习算法。通过计算机仿真研究了ＭＬＦＮＮ组成的ＡＥ和ＤＦＥ的性能以及系统收敛情况。初步结果表明，神经网络用于通信中的均衡器是可行的、有效的，性能是优良的。     

图象矢量量化：改进的竞争学习算法

用神经网络实现图象矢量量化是一种非常有效的方法。在对竞争学习算法（ＣＬ）和频率敏感竞争学习算法（ＦＳＣＬ）分析的基础上，提出了一种改进的竞争学习算法（ＭＣＬ），实验表明，ＭＣＬ算法优于ＣＬ算法和ＦＳＣＬ算法。     

一种具有自适应量化层的CMAC神经网络

首先阐述了ＣＭＡＣ神经网络的原理，结构和学习算法，提出了一种新有采用竞争学习原理的非等距自适应量化算法，理论分析和仿真结果表明，在保持量化总级数不变的前提下，该方法能有效的利用ＣＭＡＣ神经网络的内存，提高逼近精度。文中进行了理论分析，仿真实验证明了所提方法的有效性。     

神经网络集成的免疫学习算法

针对神经网络集成中个体独立训练的低效性，提出一种神经网络集成的免疫学习算法NEIL，通过对集成单体神经网络的免疫优化，借助免疫算法的多峰值搜索和并行优化特性，将最终的收敛抗体群分别对应神经网络集成的各个单体，实现集成的同时训练过程，仿真结果表明NEIL算法是有效的，既保持了启发式优化方法的并行性，提高了神经网络集成的学习效率，又可保证单体网络之间相互独立，具有较大的差异度，进一步增强神经网络集成的泛化性能。     

基于VHDL神经网络研究法

介绍VHDL语言的特点，及其应用于神经网络研究的优点和可行的研究方法，提出一种全新的并行动态刺激延时神经网络，通过将算法融于网络结构，由互相并行的每个神经元自主地根据输入进行动态的权值调整，从整体上仿真生物神经网络的运行规律，并用VHDL语言仿真了这个神经网络，结果表明这种方法是可行的，它能够极大地拓宽神经网络研究的范围和方法。     

前馈神经网络混合学习算法研究

提出了一种前馈神经网络混合学习算法。该算法综合考虑了影响神经网络性能的３个主要因素：权值、激励函数和拓扑结构。该算法以参数神经网络和结构学习为基础,并采用了学习速率矩阵。对双螺旋问题的仿真实验结果表明,该算法具有较快的收敛速度。     

适合于BP学习的共轭梯度法

基于ＬＭＳ的标准ＢＰ算法收敛速度极慢，而共轭梯度法要求精确的线性搜索，这在神经网络的高维权空间中是难以实现的。本文提出了一种新的ＢＰ学习算法，它采用一种对线性搜索要求不高的改进的共轭梯度法与一种简单的不精确线性搜索相结合，极大地提高了ＢＰ学习速度。经多次测试表明，与标准ＢＰ算法相比，该算法的效率提高了二个数量极。     

基于模块化神经网络的轴承故障判断方法

提出了一种用于滚动轴承类故障识别的混合模块化神经网络方法．该方法将用于检测故障的过滤网络模块与用于分类的网络模块相组合．首先将不同故障类别轴承的振动信号形成的特征向量经过滤模块，用改进的BP算法判断有无故障，然后经分类网络模块确定其所属故障类型．分类模块中的网络结构则通过对每类故障独立训练形成．实验结果证明，与单一神经网络学习及判断结果相比较，本文提出的方法准确率更高，实用性更强．     

基于样本划分的启发式遗传BP算法

遗传算法作为一种模拟生物遗传进化过程的随机搜索算法，具有并行和全局搜索能力，不要求函数导管特点，在神经网络学习中得到广泛应用，合理选择初始群体和控制搜索的盲目性，有利于提高算法的效率，为此，提出了一种新的神经网络学习算法－－基于样本划分的启发式遗传BP算法，该方法对神经网络学习样本进行划分，形成样本子集，初始群体通过在样本集类上训练神经网络而获得，这些初始网络中包含了关于样本子集的有用信息，根据模式定理，能通过遗传算法保留和加强，此外，提出并证明了关于样本集类及其BP训练的几个代数性质，结合子空间划分进行启发式搜索，以克服搜索的盲目性，对上述方法进行仿真实验，迭代次数和误差较小，表明本学习算法是切实可行的。     

一种再增强模糊神经网络控制器的建立

利用模糊控制的推理功能使神经网络得以简化，减少了学习单元的数量，提高了收敛速度，利用神经网络的并行特点使模糊控制表更容易实现，利用ＢＰ算法为自适应模糊控制提供了一种通用的规则再增强自适应算法，仿真验证了这种再增强模糊神经网络控制器的合理性。     

MIMD多机系统的异步并行拟牛顿法

基于ＭＩＭＤ（多指令流多数据流）多处理机并行系统，提出了求解非线性方程组的异步并行拟牛顿法，给出了算法的实现过程，收敛性及收敛效率估计。该算法的工作量比常用串行牛顿法少，具有超线性收敛和数据稳定性，理论分析与计算结果表明，异步并行拟牛顿法有较好的并行性。     

预测神经网络控制器及其在禽蛋孵化过程中的应用

本文针对常规神经网络控制通常需要辨识和控制网络两个网，提出将神经网络用于提前学习系统动态特性，借助于运动方程来获得控制信号的预测控制算法，极大地提高了算法的运算速度。将此算法用于非线性多变量耦合的禽蛋禽化过程，取得了最佳的动，静态特性。     

基于CMAC的自适应控制方案

基于ＣＭＡＣ，设计了一种神经网络控制器，对常用的ＣＭＡＣ权值学习方法进行修改，提出了一种基于目标函数优化的控制器权值算法。当被控对象的特性未知时，用神经网络辨识器进行辨识。并且给出了整个控制系统的自适应步骤。仿真实验表明了方案的有效性。     

机器人逆模神经控制及其应用

提出了一种机器人的神经控制方法,把神经网络的ＰＩＤ控制相结合构成一种混合性的机器人逆模学习控制方案,分析了神经控制系统的稳定性与学习算法的收敛性。此外,还提出了一种启发式学习算法,并用于机器人的神经控制。最后给出两关节机器人的仿真结果。