组合式前馈神经网络研究

本文首先讨论了组合式前馈神经网络原理和一般设计方法，然后用两个仿真实验展示了组合式前馈神经网络在处理函数逼近和模式分类问题上的有效性。     

模拟电路故障诊断的仿真研究

介绍改进的前馈神经网络在模拟电路故障诊断中的应用.利用Proteus仿真软件采集样本数据,在Matlab7.0的平台上训练前馈神经网络并仿真验证了改进的前馈神经网络应用于模拟电路故障诊断的可行性.     

前馈神经网络新型综合算法

为了实时解决前馈神经网络学习过程中可能遇到的小残量问题和大残量问题,引入QuasiNewton优化算法,并与GaussNewton法相结合,构建基于GaussNewton QuasiNewton法的前馈神经网络.根据每次迭代的结果判断属于大残量问题还是小残量问题,进而选择采取GaussNewton迭代步或QuasiNewton迭代步.与基于最速下降法的经典前馈神经网络以及与基于GaussNewton法的前馈神经网络的对比实验表明,所构造的基于Gauss Newton QuasiNewton法的前馈神经网络较好地解决了残量问题,具有良好的收敛性和稳定性.     

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     

三层前馈神经网络的异联想算法

在简要描述三层前馈神经网络模型中最佳平方逼近输出向量与输出误差的数学表示的基础上,讨论了三层前馈神经网络的泛化性能,推导出与学习模式有偏差的微扰模式应满足的条件和异联想实现条件,并设计了实现多层前馈神经网络异联想功能的算法。     

基于熵方误差的NL2SOL前馈神经网络

为提高前馈神经网络学习算法的收敛速度,尝试定义熵方误差函数,在理论上证明了熵方误差函数的有效性,并将其应用于NL2SOL前馈神经网络.对比实验表明,引入熵方误差函数的前馈神经网络具有良好的收敛性与稳定性.     

多层前馈神经网络的面向对象的程序设计框架

提出多层前馈神经网络的一种面向对象的程序设计框架，其中包括表示前馈神经网络中的神经元、权值的数据成员，以及完成网络的构造、初始化、学习和输出值计算等功能的成员方法，并用支持面向对象的程序设计语言Java实现了这一框架。模式分类和函数近似等问题的解决说明了这一前馈神经网络的面向对象的程序设计框架的有效性。     

双并联神经网络在线梯度算法的收敛性

双并联前馈神经网络是一个单层前向网络和一个多层前向网络的并向联接,在实现线性映射的同时也能够反应非线性映射,尤其对于弱非线性问题效果更为明显。在线梯度算法是训练神经网络的一种常见、高效的训练算法。研究了双并联前馈神经网络在线梯度学习算法的确定性和收敛性,证明了误差函数单调性质,给出了双并联前馈神经网络弱（强）收敛性结果,即误差函数的梯度趋于零,权值序列收敛于固定点等结论。     

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.     

基于改进的FNN的无线信道模型研究

根据多层前馈类神经网络(FNN)的机制,提出了一种基于多层前馈神经网络和改进的BP算法的无线通信信道的模型和仿真方法。仿真结果表明,FNN模型可以很好地追踪无线信道不稳定的时变特性,反映了无线通信信道中用多层FNN系统建模的优越性。     

Fuzzy logic systems are equivalent to feedforward neural networks

Fuzzy logic systems and feedforward neural networks are equivalent in essence. First, interpolation representations of fuzzy logic systems are introduced and several important conclusions are given. Then three important kinds of neural networks are defined, i.e. linear neural networks, rectangle wave neural networks and nonlinear neural networks. Then it is proved that nonlinear neural networks can be represented by rectangle wave neural networks. Based on the results mentioned above, the equivalence between fuzzy logic systems and feedforward neural networks is proved, which will be very useful for theoretical research or applications on fuzzy logic systems or neural networks by means of combining fuzzy logic systems with neural networks.     

模糊联想记忆神经网络

首先引入了一类模糊神经元 ,其次在联想记忆神经网络的基础上 ,得出了模糊联想记忆神经网络的结构和邻接矩阵的学习算法 ,最后证明了在正交状态下实现联想记忆的若干定理 .模糊联想记忆神经网络分为模糊自联想记忆神经网络、模糊异联想记忆神经网络和模糊双向联想记忆神经网络 ,并分别对此作了研究 .     

一种基于遗传算法径向基神经网络的混合无线定位算法研究

文章提出了一种基于径向基神经网络的混合无线定位算法。采用径向基函数(Radial basis function neural net-works-RBF)神经网络建立移动台位置估计模型,并用递阶遗传算法(HGA)同时训练RBF的网络结构和参数。对进行位置估计的三种参数TOA/TDOA/AOA进行数据融合,以有效地提高定位精度。与传统BP神经网络定位算法进行比较,仿真结果表明,该算法的定位结果能够很好地满足FCC的定位要求。     

运用GA-BP神经网络研究时间序列的预测

神经网络能以任意精度逼近非线性函数,以神经网络为基础的时间序列预测模型能很好地反映信息的非线性发展趋势。该文在分析传统BP网络缺点的基础上,用具有良好全局搜索能力的遗传算法来改进神经网络。详细讨论了GA算法的优化神经网络初始权值和阈值的思想和理论。在阐述预测方法同时,用具体例证分析了GA-BP网络预测的性能和特点。结果表明,基于GA-BP神经网络在预测精度和适应性方面高于传统的BP神经网络。     

基于神经网络模型的信息融合技术

介绍了信息融合概念以及在信息融合领域中常见的BP神经网络和在此基础上发展而来的模糊神经网络和混沌神经网络,指出利用神经网络技术与信息融合技术相结合进行分析研究具有较大的拓展空间,信息融合的神经网络适用于更广泛的领域.     

基于混沌分析的BP神经网络模型及其在负荷预测中的应用

结合混沌分析理论和BP神经网络，提出在混沌相空间建立BP神经网络模型。运用混沌方法构成训练样本及确定神经网络的网络结构，用神经网络拟合相空间相点演化的非线性关系。并利用该模型对具混沌特性的电力系统日负荷时间序列进行短期预测，对比了标准BP网络模型和混沌线性回归模型的预测结果，结果表明基于混沌分析的BP神经网络模型的预测精度较高。     

高阶联想网络的容量分析

分析了高阶联想神经网络如高阶Ｈｏｐｆｉｅｌｄ神经网络、高阶双向联想网络、分形神经网络、神经网络环及多向联想神经网络的存储容量，并给出了容量与阶数Ｋ和样本向量的概率之间的关系式。理论分析表明高阶神经网络的容量比常规的神经网络的容量要高许多。     

人工神经网络神经元活动状态的鉴别

神经网络的神经元是状态响应的信号部件，神经元状态直接影响神经网络的输出信息精度．本文探讨神经元活动状态的鉴别技术，考虑了活动状态的强度，它将提高一般神经网络模型的精度．     

延迟离散Hopfield型网络的异步收剑性

延迟离散Hopfield型网络是离散Hopfield网络的一种推广,研究了非对称的延迟离散Hopfield型神经网络的异步收剑性,并给出了相应的收剑性定理,所获结果推广了已有的结论。     

基于观测器的自适应神经网络Backstepping输出反馈控制

针对一类单输入单输出状态不可测非线性系统,提出一种自适应神经网络bakstepping输出反馈控制方法。首先,用神经网络逼近非线性函数,然后设计神经网络自适应观测器估计系统的状态。其次,在backstepping设计框架下,设计了自适应输出反馈控制器。最终,证明了所提出的自适应神经网络控制方法能够保证系统所有信号有界的同时,跟踪误差趋近于原点的一个小邻域内。仿真结果进一步验证了所提出方法的有效性。