基于ALR的Hopfield神经网络在高程拟合中的应用

运用具有正规化项的增广拉格朗日函数作为神经网络的能量函数，辅助二次曲面拟合，进一步探索Hopfield神经网络在高程拟合中的应用。实际算例表明，该方法可以大大提高神经网络的计算效率和可靠性。     

Fourier神经网络非线性拟合性能优化研究

针对采用传统BP(back propagation)算法训练的Fourier基函数神经网络拟合非线性函数容易陷入局部最优、拟合精度较差等问题,提出采用粒子群(particle swarm optimization,PSO)算法优化Fourier基函数神经网络拟合非线性函数的方法。通过引入具有全局搜索能力的PSO算法对Fourier正交基神经网络权值进行优化,达到提高非线性函数拟合精度的目的,并进行实例仿真实验,通过比较PSO和BP算法训练Fourier基函数神经网络的预测输出结果,验证PSO算法拟合非线性函数的优越性。结果表明,经PSO算法优化后的Fourier基函数神经网络学习能力更强,非线性函数的拟合精度更高。     

基于遗传算法的4层神经网络的函数仿真

首先对神经网络的数学模型和遗传算法的原理进行了系统阐述,然后在实验的基础上提出了对遗传算子的改进。重点讨论了采用十进制编码的遗传算法对神经网络进行函数按拟合的实现过程,总结了二进制编码的不足,并比较了改进前后的性能。     

高斯型点扩散函数边缘拟合模型的研究

采用高斯型点扩散函数拟合方法与理想边缘做卷积得到边缘模型,基于该模型对黑白棋盘的像的边缘像素灰度分布进行拟合,通过比较高斯型点扩散函数与贝赛尔型点扩散函数的拟合效果,研究表明利用高斯型点扩散函数拟合获得的拟合参数比后者更接近给定的初始拟合参数值,边缘拟合效果更好。     

基函数神经网络和再生核函数关系

主要研究了基函数神经网络和再生核函数之间的关系,证明了当基函数神经网络的激活函数φ(x)∈C[-1,1]n时,基函数神经网络实质就是一个再生核函数,并且给出了基函数神经网络的再生核数学表示形式.同时,把这个结论推广到一般前馈神经网络结构上,得到一般前馈神经网络实质上也有一个再生核函数表示的结果,并给出了相应的数学表示形式.     

基于子波神经网络的函数逼近

分析了神经网络中非线性函数与子波变换母函数的关系，研究和于非线性函数逼近的子波神经网络的结构设计方法，函数逼近实例证实了结论的正确性。     

方向基函数神经网络及其逼近能力

描述了方向基函数神经网络的基本概念,并通过利用分析仿射基函数和径向基函数神经网络逼近能力的方法证明了方向基函数神经网络不仅能够逼近有限点集上的任意方向不变函数,能够在单位球面上一致逼近任意方向连续函数,而且还能够依L~p范数平均逼近任意的p次方向可积函数。     

基于RBF神经网络的输油管道安全停输时间预测

针对影响海底输油管道停输的因素复杂,难以对管道安全停输时间做出准确判断的问题,提出了海底输油管道安全停输时间预测的径向基函数(RBF)神经网络模型,综合考虑了各因素对输油管道安全停输的影响。以实测数据为基础,训练网络并验证了模型的预测准确性。研究结果表明,径向基函数神经网络预测模型对训练样本的拟合精度和对验证样本的仿真精度分别达到98.40%和97.33%,可对海底输油管道安全停输时间进行有效预测,为海底输油管道的安全输送提供重要依据。     

神经网络在发动机试验数据拟合中的应用

本文将神经网络应用于发动机试验数据的拟合，为改善神经网络性能引入了函数连接。研究表明：神经网络能够避免数据的分析和建模工作，能够识别有噪声的输入模式，数据拟合精度高，可减少分析人员的介入。     

利用子波基函数神经网络进行预测

提出了一种利用子波基函数神经网络对自动控制系统进行预测的新方法。子波基函数神经网络利用局部获得信息完成函数映射,从实验数据中提取时频特征,基于以前观察获得的数据来预测未来的输出结果。在这篇论文中,我们提出了一种实现子波基函数神经网络的结构和算法,并给出了一个时间序列预测的例子评价子波基函数神经网络预测的性能。     

小波神经网络用于非线性函数逼近的研究

神经网络具有良好的学习特性,而小波变换具有良好的时频局部化特性,将二者结合在一起构成小波神经网络,网络隐层采用morlet小波函数,输出层采用线性函数,可使该网络兼具神经网络和小波变换的优点.作者分别用小波网络和BP网络逼近一非线性函数,其结果表明,在相同的误差条件下,小波网络的收敛速度要远远快于一般的BP网络.     

基于径向基神经网络的加速度计随机误差处理

神经网络应用于加速度计的随机误差处理,更接近真实值,因而比线性方法更优越近年来,BP神经网络受到了广泛重视,但径向基神经网络尚未得到重视径向基神经网络具有比BP神经网络更快的收敛速度,但是径向基神经网络能否达到全局最优解尚没有理论上的判别方法对BP神经网络和径向基神经网络在加速度计输出数据处理方面的优劣势进行了分析,分析时既考虑了数据量的增加,也考虑了优化性未来,对数据以最优化的方式进行大量处理将成为发展的趋势,也是走向实用化的切实可行的发展路径     

BP、模糊、小波网络逼近性比较研究

对神经网络、小波网络和模糊小波网络函数逼近性进行对比,进而对采用正交化选择法和前向选择法净化小波时,小波网络和模糊小波网络对一维非线性函数逼近进行了分析.仿真结果证明模糊小波网络具有高精度的逼近能力和很强的泛化能力,该方法比小波网络和BP网络更优越,并且正交最小二乘法净化小波的性能指标优于前向选择法.     

基于RBF神经网络的语音情感识别

介绍了径向基函数神经网络的原理、训练算法,并建立了RBF神经网络的语音情感识别的模型。在实验中比较了BP神经网络与RBF神经网络分别用于语音情感识别识别率,RBF神经网络的平均识别率高于BP神经网络3%。结果表明,基于RBF神经网络的语音情感识别方法的有效性。     

人工神经网络在系统辨识中的研究与应用

主要研究了单层神经网络、Ａｄａｌｉｎｅ网络及Ｂ－Ｐ网络用于系统辨识中的工作原理,提出了把Ｂ－Ｐ网络权值转换为传递函数的方法。使用 ＶｉｓｕａｌＣ＋＋语言构造这 ３种神经网络,以火力发电厂中常见的大惯性、大迟延系统为对象进行了辨识试验。仿真结果表明：在不人为加入特殊激励信号,只利用生产过程自然存在的随机扰动的情况下,Ｂ－Ｐ网络辨识器可得到较为准确的对象数学模型,对于解决电厂中常见热工系统的建模问题,具有重要的实用价值。     

不变凸非线性规划问题的神经网络模型

给出了解决不变凸非线性规划问题的神经网络模型。对于无约束问题,基于梯度下降法给出了递归神经网络模型,讨论了该模型的稳定性和优化性能;对于约束优化问题,基于逐次逼近的思想建立了一个反馈神经网络模型,并证明了该神经网络的收敛性。最后给出仿真实例验证神经网络的稳定性和优化能力。     

RBF神经网络非对称损失改进及应用

针对应用RBF（Radial Basis Function）神经网络信用评分中存在的第Ⅰ类错误率高的问题,提出了基于Linex损失下RBF神经网络分类方法,并给出了UCI（University of California Irvine）中德国信用评分数据集上的测试结果。实验结果表明,该方法能有效解决传统RBF神经网络信用评分中存在的问题。     

基于神经网络的油墨转移率预测

利用神经网络根据油墨转移率影响因素的数据来预测其具体数值. 通过对比径向基神经网络、Elman神经网络和BP神经网络最后选择径向基神经网络作为预测网络的模型. 根据各影响因素间的相互关联和各自对油墨转移率影响的大小关系确定影响油墨转移率的主要因素. 以主要影响因素为试验条件,运用正交试验法和均匀试验法合理设计分组试验,将试验结果作为神经网络的样本数据. 利用样本数据对网络进行训练,最终使网络能够预测出不同影响因素下油墨转移率的数值. 将径向基神经网络预测结果和Elman神经网络、BP神经网络的预测值对比分析,以此证明径向基神经网络的预测值具有较高的精确度.     

改进BP神经网络算法在机器人轨迹优化中的研究

针对未知的全局环境,将整体任务分解为环境信息已知的一系列中间任务,即将整个机器人的运动分解成一系列直线运动,降低神经网络函数复杂度,并且将障碍物封装为简单图形,以减少整个运动过程中的中间任务的个数,进一步降低神经网络函数复杂度．利用BP神经网络高速并行计算的优点,建立神经网络函数,提出一种实时性较高的求取函数的负梯度方向的方法,控制机器人快速高效地完成中间任务,从而驱使机器人到达目标点并进行仿真．