基于有限元方法的极小曲面造型

讨论极小曲面方程的求解。极小曲面方程是一个高度非线性的二阶椭圆偏微分方程，求解十分困难。该文基于有限元方法，使用一个简单而有效的线性化策略，将问题转化为一系列线性问题，从而大大简化了求解过程。数值结果表明该方法简单有效，能产生合理的结果。     

方程诊断算法在Malek故障模型中的应用

采用方程模式来描述Malek故障模型，把求该模型全体相容故障模式的问题转换为求方程组的解集，并通过实例讲解如何求解方程组的解集和以此得到Malek模型的诊断结果，为系统研究这类模型的方程诊断算法提供了典型示范和奠定了理论基础。     

利用并行方法解AX+XB=C型线性矩阵方程

提出了一种新的递推算法用于求解AX+XB=C型线性矩阵方程,这种算法可以用脉 动阵列结构并行实现,该算法和结构还可求解其它几种类似的线性矩阵方程,特殊情况下求解 方程的阵列结构可进一步简化.仿真结果表明,这种并行方法有较高的加速比及效率.     

梯度神经网络解线性矩阵方程之收敛性分析

为了求解线性矩阵方程问题,应用一种基于负梯度法的递归神经网络模型,并探讨了该递归神经网络实时求解线性矩阵方程的全局指数收敛问题.在讨论渐近收敛性基础上,进一步证明了该类神经网络在系数矩阵满足有解条件的情况下具有全局指数收敛性,在不能满足有解条件的情况下具有全局稳定性.计算机仿真结果证实了相关理论分析和该网络实时求解线性矩阵方程的有效性.     

求解相容非线性方程组的拟牛顿法和混合计算智能算法

本文针对变量数与方程数不一致的相容非线性方程组(CNLE),先给出拟牛顿(QN)法.针对该算法的局部收敛性容易导致求解失败,通过在遗传算法(GA)中嵌入QN算子,并定义适当的适应度,从而得到结合GA和QN法两者长处,既有较快收敛性,又能以较大概率求解CNLE的混合计算智能算法.计算结果表明本文方法显著优于GA和QN法.     

大系统集结比较方程的新方法

用向量Ｖ函数求解大系统稳定性要利用向量比较方程。对指数稳定型系统，本文改变了过去利用柯西不等式集结常系数线性比较方程的做法，直接集结出非线性比较方程，并利用文‘１’的结果判断稳定性，使参数稳定区域扩大。     

求解相容非线性方程组拟牛顿和混合计算智能算法

本文针对变量数与方程数不一致的相容非线性方程组（ＣＮＬＥ）,先给出拟牛顿（ＱＮ）法。针对该算法的局部收敛性容易导致求解失败,通过在遗传算法（ＧＡ）中嵌入ＱＮ算子,并定义适当的适应度,从而得支结合ＧＡ和ＱＮ法两者长处,既有较快收敛性,又能以较大概率求解ＣＮＬＥ的混合计算智能算法。计算结果表明本文方法显著优于ＧＡ和ＱＮ法。     

基于Chwa＆Hakimi故障模型的系统级故障诊断方程解决方案

提出了基于Chwa&Hakimi故障模型的系统级故障诊断的方程解决方案，根据实际系统中存在大可靠块的实事，在方程解决中定义了集团的概念，给出了集团的许多性质，由此能找到所有基于Chwa&Hakimi故障模型的相容故障模式。     

二维Helmholtz方程外问题基于自然边界归化的重叠型区域分解算法

１．引 言 设是平面光滑闭曲线,是以为边界的外部区域,考虑二维Ｈｅｌｍｈｏｌｔｚ方程外Ｎｅｕｍａｎｎ问题并在无穷远处满足Ｓｏｍｍｅｒｆｅｌｄ辐射条件其中是区域的边界的外法线方向,即指向由包围的内部区域．κ在许多情况下（例如约化波动方程）是实数,在另一些情况下则是纯虚数．本文仅讨论κ为纯虚数的情况,且不失一般性,可设Ｉｍ（ｋ）＞０． 用某些数值方法求解线性抛物型方程或线性双曲型方程的初边值问题时,可能导致求解Ｈｅｌｍｈｏｌｔｚ方程的外问题．例如,用自然边界元法求解线性抛物型方程的初边值问题时就导致求…     

二维双曲守恒律标量方程的三阶CWENO-型熵相容算法

应用提出的中心加权基本无振荡(CWENO)-型熵相容格式求解了二维双曲守恒律方程初边值问题,对所得数值结果进行了分析与讨论,并通过与准确解的比较发现该数值求解格式稳定性条件可以取到0.6,而激波过渡带只有1~2个网格单元。实验结果表明该数值求解格式分辨率高且数值稳定性好。     

基于概率神经网络的垃圾邮件分类

概率神经网络是由Specht博士在1989年提出的一种径向基神经网络的重要变形。本文提出了把概率神经网络用于垃圾邮件分类,并通过Matlab仿真试验与贝叶斯分类器进行比较,得到了比较理想的结果。     

Applications of AR*-GRNN model for financial time series forecasting

AR* models contain Autoregressive Moving Average and Generalized Autoregressive Conditional Heteroscedastic class model which are widely used in time series. Recent researches in forecasting with Generalized Regression Neural Network (GRNN) suggest that GRNN can be a promising alternative to the linear and nonlinear time series models. In this paper, a model composed of AR* and GRNN is proposed to take advantage of their feathers in linear and nonlinear modeling. In the AR*-GRNN model, AR* modeling improves the forecasting performance of the combined model by capturing statistical and volatility information from the time series. The relative experiments testify that the combined model provides an effective way to improve forecasting performance which can be achieved by either of the models used separately.     

磁盘读取系统的神经网络控制

该文根据磁盘读取系统的结构，建立了它的物理模型，并指出其存在非线性因素的原因。由于经典控制方法对于非线性系统效果不是很好，因此使用MATLAB神经网络工具箱中的NARMA—L2控制模块进行控制，并利用Simulink可视化建模工具平台设计了整个控制系统。对神经网络控制器进行了训练，并利用经过训练的神经网络控制磁盘读取系统。仿真的结果表明，神经网络NARMA—L2控制模块能够满足含有非线性因素的磁盘读取系统的控制要求。     

一种基于动态权重的神经网络训练算法

提出一种基于动态粒子群算法的神经网络训练方法。神经网络权值选择是否合适直接关系到其非线性拟合能力,通过引入动态粒子群算法对神经网络进行训练,对神经网络各层连接权值进行优化。经过函数测试表明,相比粒子群算法,动态柱子群算法收敛速度更快且不易陷入局部,能更快更合理地训练神经网络从而优化网络连接权值。     

求解非线性方程的神经网络方法

籍助非线性方程解与绝对值二次规划问题的等价性原理，形成了与原方程同阶的改进Ｈｏｐｆｉｅｌｄ网络。利用该网络，能快捷、有效地得到非线性方程的解，且易于编程与硬件实现。     

基于CS的Hopfield神经网络数字识别应用

介绍了布谷鸟搜索(cuckoo search, CS)和Hopfield神经网络的基本原理,研究了基于Hopfield神经网络的数字识别应用。针对Hopfield网络权值在数字识别时易陷入局部最优,提出将CS引入Hopfield神经网络的解决方法。利用CS对复杂、多峰、非线性极不可微函数的全局搜索能力,使Hopfield网络在较高噪信比的情况下仍保持较高的联想成功率,并进行了仿真。仿真结果表明,该方法识别数字的效果更佳。     

基于模糊神经网络运算法则的并联机器人自适应控制研究

针对并联机器人数学模型不完全确知并包含外部扰动的非线性多变量系统,提出一种基于模糊神经网络运算法则（FNNA）的自适应控制策略。将各个支链的模糊规则通过神经网络进行在线训练并得出模糊规则的权重并将此运用于在线辨识非线性自适应控制系统的未知动态,有效抑制了系统的数学模型不精确所产生的误差及外部扰动。仿真结果表明该控制方法明显提高了控制系统的轨迹跟踪性能,并对外部干扰及系统的非线性具有很强的鲁棒性。     

遗传BP神经网络在泥石流危险性评价中的应用

泥石流危险性的评价是地质灾害预测的重要研究课题之一,根据泥石流危险性评价因子,建立了遗传BP神经网络评价模型。模型利用BP神经网络的函数逼近能力,模拟泥石流某些主要评价指标与危险程度之间的非线性函数关系,实现对泥石流危险性的评价。为克服BP神经网络收敛慢、易陷入局部极小、泛化能力差等缺陷,引入遗传算法和对比分析方法优化BP评价网络的权值、阈值和网络结构。实验证明,采用所述方法优化后的BP神经网络的拟合精度、准确度、效率大幅提高,泛化能力也得到增强,该方法可作为解决泥石流危险性评价问题的一种新思路。     

小波Hopfield神经网络及其在优化中的应用

通过把Hopfield神经网络的sigmoid激励函数替换为Morlet小波函数,提出了一种新型的Hopfield神经网络——小波Hopfield神经网络(WHNN)。由于Morlet小波函数具有良好的局部逼近能力和较高的非线性度,因此WHNN在非线性函数寻优上表现出令人满意的较高精确度的效果。一个典型的函数优化例子表明小波Hopfield神经网络比Hopfield神经网络有较高的精确度。     

基于神经网络的迭代优化预测控制

针对时变的非线性系统，提出一种基于神经网络的迭代优化预测控制。它将传统的预测控制策略与神经网络逼近任息非线性函数的能力结合，预测系统未来输出，然后用迭代学习方法优化预测控制器，即通过一阶泰勒展开的方法，把非线性优化问题转化为线性优化问题。不仅简化计算，同时避免用神经网络优化控制器时，由于调节参数过多、涮前速度慢而导致系统闭环稳定性和鲁棒性差的问题。仿真结果表明，该控制方案具有良好的控制品质，并适应对象参数的变化，具有较强的鲁棒性和自适应性。