结构自适应的半监督自组织过程神经网络

针对时域空间中模式识别、聚类分析和未标记样本的有效利用问题,提出一种基于半监督学习的网络结构自适应的二维自组织过程神经网络模型和算法。通过构建可度量时变样本间相似性的广义Fréchet距离,利用部分已标记动态样本的类别信息和过程特征,采用奖励-惩罚更新规则,根据网络学习目标函数,对网络二维平面竞争层节点进行动态拆分或合并,实现网络结构的自适应调整和样本的有效聚类。仿真实验结果验证了模型和算法的有效性。     

自适应模糊神经网络研究

模糊神经网络提供了从人工神经网络中模糊规则的抽取。本文研究模糊神经网络的自适应学习，规则插入和抽取及神经－模糊推理的FuNN模型，把遗传算法作为系统模糊规则选择的自适应策略之一。     

复杂工艺过程的自适应遗传神经网络的建立

基于复杂工艺过程的时变、非线性、大滞后的系统，很难用一个确定的数学模型去描述整个过程。根据复杂工艺过程的特点，提出了神经网络（NN）和自适应遗传算法（AGA）相结合的方法去预估控制点位置，并用大量的输入和输出样本来训练和测试模型。仿真结果表明．该系统能提前30分钟准确地预估控制点的位置，为大系统控制奠定了必要的基础。     

基于自适应神经网络的岩性识别动态建模

针对研究对象定量研究复杂度高的地质工作，应用计算机进行定量化和信息化的研究，需要建立一定的数学模型，然而，传统的数学方法难以得到精确的数学模型，神经网络作为一非线性建模方法，具有良好的自组织和自适应性等功能，可以逼近任意的非线性函数（映射）。本文提出利用神经网络的自组织，自学习，自适应功能实现数学模型的实时建立的方法，并在反传神经算法前馈神经网络（BP）模型引入了自适应动量因子α，使得网络计算量小，收敛速度快，最后将该模型应用到某地岩性识别动态建模中，取得了较好的效果。     

神经网络自适应学习系统

本文简要介绍人工神经网络自适应学习系统（ANNALS)的结构。在ANNALS的支撑下，既能自动获取网络参数，又可以方便自如地对各种作本数据进行聚类分析。     

烧结遗传神经网络的建立

由于复杂工艺过程的时变、非线性、大滞后的特性，很难用一个确定的数学模型来描述整个过程。本文根据复杂工艺过程的特点，提出了用神经网络（NN）和自适应遗传算法（AGA）相结合的方法来预估控制点位置，并用大量的输入和输出样本训练和测试模型。仿真结果表明，该系统能提前30分针准确地预估控制点的位置，为大系统控制奠定了基础。     

神经网络模型参考自适应控制系统及其应用

提出了一种基于神经网络非线性系统的模型参考自适应控制方法,通过对其结构和应用的介绍,表明该系统的性能良好,将会明显提高产品质量。     

自适应模糊神经网络预测阳离子标准熵的研究

依据独立共同可别粒子体系的熵与配分函数的关系,采用自适应模糊神经网络的方法,以元素原子量和其电子层数为参数,关联阳离子标准熵。利用减法聚类算法确定模糊神经网络的结构,并结合模糊推理系统调整网络参数,仿真的结果令人满意。成功地关联了固体化合物中70种阳离子的标准熵。在此基础上,预报目前尚缺的17种阳离子的标准熵。自适应模糊神经网络可望成为研究元素和化合物构效关系的辅助手段。     

基于dropout正则化的半监督域自适应方法

针对机器学习中训练样本和测试样本概率分布不一致的问题,提出了一种基于dropout正则化的半监督域自适应方法来实现将神经网络的特征表示从标签丰富的源域转移到无标签的目标域。此方法从半监督学习的角度出发,在源域数据中添加少量带标签的目标域数据,使得神经网络在学习到源域数据特征分布的同时也能学习到目标域数据的特征分布。由于有了先验知识的指导,即使没有丰富的标签信息,神经网络依然可以很好地拟合目标域数据。实验结果表明,此算法在几种典型的数字数据集SVHN、MNIST和USPS的域自适应任务上的性能优于现有的其他算法,并且在涵盖广泛自然类别的真实数据集CIFAR-10和STL-10的域自适应任务上有较好的鲁棒性。     

BP神经网络中自适应学习率的研究

l引言~[1] 图1是一个典型的三层神经网络BP算铸示意图.Z是输入向量,Y是隐层输出向量0是网络输出向量,V及W分别为层间权向量。逆传播(Backprop-     

基于BP神经网络的自适应控制

本文利用ＢＰ神经网络对被控对象进行在线辨识和控制。为实现自适应控制，本文对ｓｐｅｃｉａｌｉｓｅｄ ｌｅａｒｎｉｎｇ算法进行了改进，在此基础上，本文还提出了一种基于ＢＰ网络的自适应ＰＩＤ控制器。     

基于神经网络的两步预测自适应控制器及其应用

设计了基于神经元网络的两步预测自适应控制器.这种控制方法在线运算量较少,并且能很好地控制复杂的非线性系统.仿真结果验证了这种方法的有效性.     

基于神经网络的非线性自适应控制*

本文对非线性自适应控制的一个新领域－基于神经网络的非线性自适应控制（以下简称ＮＮＢＮＡＣ）的研究进展进行了综述，讨论了这一领域中存在的几个重要问题，然后指出了与这些问题相关的未来的研究方向。     

基于过程神经元网络的动态预测模型及其应用

〗针对动态系统过程预测预报问题，提出了一种基于过程神经元网络的动态预测方法．过程神经元网络的输入/输出均可以是时变函数，其时空聚合运算和激励可同时反映时变输入信号的空间聚合作用和输入过程中的阶段时间累积效应．基于过程神经元网络的动态预测模型能同时满足对系统的非线性辨识和过程预测，在机制上对动态预测预报问题有较好的适应性．文中给出了基于函数基展开和梯度下降法的学习算法，以电力负荷预报为例验证了模型和算法的有效性．     

改进的神经网络及其自适应学习速率的研究

从提高神经网络泛化能力的角度提出一种改进方法.利用Taylor级数展开的思想,用线性和非线性组合构成函数映射关系,即改进的神经网络是用原神经网络的非线性映射和关于输入信号的线性映射的和来逼近期望值.文中还给出了该神经网络学习速率的自适应调节方法.对线性对象和非线性对象分别进行建模仿真,结果表明,改进的神经网络比基于正则化方法的神经网络具有更好的泛化能力.     

Adaptive Fuzzy Neural Networks as identifiers of discrete-time nonlinear dynamic systems

An adaptive supervised learning scheme is proposed in this paper for training Fuzzy Neural Networks (FNN) to identify discrete-time nonlinear dynamical systems. The FNN constructs are neural-network-based connectionist models consisting of several layers that are used to implement the functions of a fuzzy logic system. The fuzzy rule base considered here consists of Takagi-Sugeno IF-THEN rules, where the rule outputs are realized as linear polynomials of the input components. The FNN connectionist model is functionally partitioned into three separate parts, namely, the premise part, which provides the truth values of the rule preconditional statements, the consequent part providing the rule outputs, and the defuzzification part computing the final output of the FNN construct. The proposed learning scheme is a two-stage training algorithm that performs both structure and parameter learning, simultaneously. First, the structure learning task determines the proper fuzzy input partitions and the respective precondition matching, and is carried out by means of the rule base adaptation mechanism. The rule base adaptation mechanism is a self-organizing procedure which progressively generates the proper fuzzy rule base, during training, according to the operating conditions. Having completed the structure learning stage, the parameter learning is applied using the back-propagation algorithm, with the objective to adjust the premise/consequent parameters of the FNN so that the desired input/output representation is captured to an acceptable degree of accuracy. The structure/parameter training algorithm exhibits good learning and generalization capabilities as demonstrated via a series of simulation studies. Comparisons with conventional multilayer neural networks indicate the effectiveness of the proposed scheme.     

基于自适应多任务卷积神经网络的脑网络分类方法

脑网络分类是脑科学研究中的一项重要课题.近年来,基于卷积神经网络的脑网络分类方法已经成为一个前沿热点.然而,目前仍难以对数据维度高、样本量小的脑网络数据进行精准分类.由于不同人群的临床表型与其脑网络差异存在着一定的依存关系,极有可能为脑网络分类提供辅助信息,故提出一种新的基于自适应多任务卷积神经网络的脑网络分类方法.该方法引入临床表型预测作为辅助任务,通过多任务卷积神经网络的共享表示机制来为脑网络分类提供有用信息;同时为了降低实验成本和人工操作带来的误差,提出了一种新的自适应方法来代替人工调整多任务学习中各个子任务的权重.在ABIDE I(autism brain imaging data exchange I)数据集上的实验结果表明：引入临床表型预测任务的多任务卷积神经网络能够获得更好的脑网络分类结果,而且自适应多任务学习方法能够进一步提升脑网络的分类性能.     

基于神经网络的反馈式自适应逆控制系统

由于在建立非线性逆模型时采用带有复杂非线性函数的滤波器来完成,而由此带来了结构复杂、运算量大等缺点,在实际运用上受到了很多限制.为此,采用较为简单的线性逆控制方式与单层神经网络相结合构成逆控制结构,其良好的非线性特性使系统具有逼近任何非线性模型的能力,且结构简单实用.应用举例表明这种方法在运算量和控制性能上均取得了非常好的效果.     

基于LabVIEW的神经网络自适应逆控制系统

目前基于人工神经网络的非线性自适应逆控制研究主要集中在Matlab仿真研究方面,无法直接推广为实际应用。为此,采用基于LabVIEW的动态神经网络非线性自适应逆控制方法,首先在LabVIEW中建立动态神经网络结构及在线学习算法,并依此建立非线性对象的辨识器和逆控制器等模型;然后构建完整的非线性对象自适应逆控制系统,并在LabVIEW环境中通过仿真验证了系统性能。通过配置相应的数据采集设备,该系统可以直接推广为实际应用。     

自适应滤波算法的神经网络实现

为了提高传统自适应滤波器求解权值的速度。本文在Hopfield神经网络的基础上，提出了自适应滤波算法的神经网络硬件实现。从理论上进行了分析，并进行了仿真。