Chebyshev神经网络电路设计

以Ｃｈｅｂｙｓｈｅｖ 神经网络为基础,给出了非线性函数的仿真实例,并提出了用模拟电路实现Ｃｈｅｂｙ ｓｈｅｖ 神经网络的方法。     

人工神经网络快速学习算法

以Ｃｈｅｂｙｓｈｅｖ学习算法为基础,给出了数例神经网络仿真结果,其学习收速度大大优于ＢＰ算法及ＨＮＲ算法。     

平台振动曲线的L~∞逼近

本文提出了在Ｌ~∞范数意义下，用Ｃｈｅｂｙｓｈｅｖ逼近估计平台振动曲线的数学模型，克服了用多项式估计阶次高，且仅在估计点上保证精度的缺点。逼近结果表明Ｃｈｅｂｙｓｈｅｖ逼近可以很好地逼近平台振动曲线，使Ｌ~∞达到最小。     

Chebyshev神经网络辨识器

基于逼近论，将一组Ｃｈｅｂｙｓｈｅｖ正交多项式取代ＢＰ网络中的Ｓ型函数，构成一种新的神经网络模型。理论分析和仿真实验表明，该网络可逼近任意非线性系统，且建模容易，收敛速度快，学习次数远远少于ＢＰ网络。     

递阶控制最优化的新方法

本文基于Ｃｈｅｂｙｓｈｅｖ级数给出了一种大系统递阶控制新方法，主要思想是将微分方程转化成代数方程，整个算法简单，方便，文中用一个例子说明了该方法的有效性。     

正交逼近预测算法及其在电脑充绒机中的应用

本文提出一种基于Ｃｈｅｂｙｓｈｅｖ正交数值逼近的预测算法，应用到电脑充绒机中羽绒重量的实时预测，并结合产生式结构的智能控制规则，取得了很好的控制效果。     

用MAX274/275实现切比雪夫有源带通滤波器

介绍了用ＭＡＸＩＭ公司的连续时间滤波器ＭＡＸ２７４／２７５实现切比雪夫（Ｃｈｅｂｙ－ｓｈｅｖ）有源带通滤波器的设计方法，并给出一个切比雪夫有源带通滤波器的实例。     

带端点插植条件的Bezier曲线降多阶逼近

研究了两端点具有任意阶插值条件的Ｂｅｚｉｅｒ曲线降多阶逼近的问题。对于给定的首末端点的各阶插值条件,给出了一种新的一次降多阶逼近算法,应用Ｃｈｅｂｙｓｈｅｖ多项式逼近理论达到了满足端点插值条件下的近似最佳一致逼近,此算法易于实现,误差计算简单,且所得降价曲线具有很好的逼近效果,结合分割算法,可获得相当高的误差收剑速度。     

Facet模型中离散正交多项式集的递推算法

１引言Ｆａｃｅｔ是文献［１］中提出的一种图像模型,通常用它作边缘检测［２］等．它是用Ｃｈｅｂｙｓｈｅｖ离散正交多项式集作为基底函数,对以某一点为中心的对称区域内的观测图像曲面作最佳拟合,根据某个假设检验统计量的分布和预先设定的置信门限,计算估计值与观...     

CMAC神经网络的N维概念映射算法

小脑模型神经网络（ＣＭＡＣ）是１９７２年由Ｊ．Ｓ．Ａｌｂｕｓ提出的，是实际控制上用得最多的神经网络之一，但是其概念映射较为复杂，至今尚未给出一般公式。本文在Ａｌｂｕｓ的概念映射基础上，给出了ＣＭＡＣ神经网络的Ｎ维概念映射算法，为ＣＭＡＣ神经网络应用提供了极大方便。     

基于Chebyshey神经网络的非线性预测应用研究

将Chebyshev神经网络作为非线性时间序列的辨识模型,通过对过去序列样本的学习,调整网络的权值,然后预测和推断未来的序列,仿真结果表明,Chebyshev神经网络具有优良的泛化能力和预测功能。     

The Chebyshev-polynomials-based unified model neural networks forfunction approximation

In this paper, we propose the approximate transformable technique, which includes the direct transformation and indirect transformation, to obtain a Chebyshev-Polynomials-Based (CPB) unified model neural networks for feedforward/recurrent neural networks via Chebyshev polynomials approximation. Based on this approximate transformable technique, we have derived the relationship between the single-layer neural networks and multilayer perceptron neural networks. It is shown that the CPB unified model neural networks can be represented as a functional link networks that are based on Chebyshev polynomials, and those networks use the recursive least square method with forgetting factor as learning algorithm. It turns out that the CPB unified model neural networks not only has the same capability of universal approximator, but also has faster learning speed than conventional feedforward/recurrent neural networks. Furthermore, we have also derived the condition such that the unified model generating by Chebyshev polynomials is optimal in the sense of error least square approximation in the single variable ease. Computer simulations show that the proposed method does have the capability of universal approximator in some functional approximation with considerable reduction in learning time.     

基于Chebyshev神经网络的图像复原算法

退化图像的点扩散函数难以准确确定,为此,提出一种基于Chebyshev正交基函数的前向神经网络图像复原算法。该算法以一组Chebyshev正交基为隐层神经元的激励函数,采用BP算法对权值进行修正,达到收敛目标。给出2类Chebyshev神经网络的实现步骤及其相应衍生算法的图像恢复实现步骤。实验结果表明,该算法能较好地实现图像复原。     

基于混沌控制系统的神经网络异步加密

将Chebyshev神经网络模型作为混沌控制系统辨识器,任选系统初值和非线性、非周期性控制律,通过Chebyshev混沌神经网络产生混沌序列,求出该序列的排序置换及逆置换,对明文置换后即可得密文,密文逆置换即可还原得到明文。理论分析和加密实例表明,该加密算法可异步进行,且只需改变系统初值和控制律,便可获得不同的混沌序列,从而实现“一次一密”加密,具有良好的安全性。     

基于Chebyshev函数的T-S模糊神经网络及其快速算法

模糊神经网络有效的利用模糊技术和神经网络两者的优点，但是由于需要调整模糊隶属度函数，使得网络计算量很大，收敛速度变慢。本文利用T-S模糊模型，以Chehyshev函数作为隶属度函数，无需调整其参数，大大减少了计算量，提高了运算速度，仿真结果表明了该模型和算法的有效性和快速性。     

网络泛化能力与随机扩展训练集

针对神经网络的过拟合和泛化能力差的问题, 研究了样本数据的输入输出混合概率密度函数的局部最大熵密度估计, 提出了运用Chebyshev不等式的样本参数按类分批自校正方法, 以此估计拉伸样本集, 得到新的随机扩充训练集. 使估计质量更高, 效果更好. 仿真结果证明用这种方法训练的前馈神经网络具有较好的泛化性能.     

一种权值直接确定及结构自适应的Chebyshev基函数神经网络

基于函数逼近理论,构造一种Chebyshev基函数神经网络模型.推导出该网络模型的权值直接确定方法,可一步计算出权值,克服了传统BP神经网络学习率选取困难、学习过程冗长和易陷入局部极小等缺点.在此基础上,设计了基于二分搜索的结构自适应算法,根据精度要求自动确定网络最优结构.理论分析及仿真验证均表明,该网络不仅能够快速地完成网络权值确定和结构自适应,且具有优异的学习与逼近能力,而且对随机加性噪声也具有较好的抑制作用.     

多元切比雪夫神经网络及其快速权值确定算法

与传统的多层感知器模型相比,切比雪夫神经网络具有收敛速度快,复杂度低,泛化能力强等优点,但是,其研究最为广泛的一元切比雪夫神经网络在解决实际应用中的多元问题时存在着很大局限。鉴于此,对一元切比雪夫神经网络进行扩展,提出了多元切比雪夫神经网络模型,并在切比雪夫多项式正交性的基础上给出了快速权值确定算法。仿真实验证明,相对于传统多层感知器神经网络,该方法在计算精度和计算速度等方面都存在明显优势。