小世界人工神经网络模型及其应用研究

关于优化神经网络模型的快速性和精度,为了寻找最优的神经网络结构,在复杂网络的研究方法对多层前向神经网络模型的基础上,提出一种在层次结构上处于规则型到随机型神经网络过渡的中间网络模型-NW型多层前向小世界人工神经网络模型.利用对多层前向规则神经网络中神经元以某一概率p随机化向后层跨层连接,构建新的神经网络模型,然后将不同跨层概率下的小世界人工神经网络应用于函数逼近.在设定精度相同情况下对不同概率下的收敛次数做比较,仿真发现随机化加边概率p处于p =0.08附近时的小世界人工神经网络比同规模的规则网络和随机网络具有更好的收敛速度,实验证实采用NW型小世界多层前向人工神经网络模型,在精度和收敛速度上均得到提高.     

遗传算法及其在训练前向神经网络中的应用

本文论述了遗传算法的基本原理，操作及算式，并以一个识别部分英文字母的多层前向神经网络为例，给出了用遗传算法训练网络优化网络权值的方法和步骤，实验结果表明了这一方法的有效性。     

M-P模型的背景探究

M-P模型是人类历史上第一个神经元模型,源自1943年麦卡洛克和皮茨所发表的研究论文。这篇论文主要的基础是当时的神经元生理知识、数理逻辑分析方法以及图灵等人的研究成果。上述论文及相关内容构成了M-P模型的背景,通过对其进行梳理和分析,可了解麦卡洛克和皮茨的研究思路,认识M-P模型的历史地位、作用以及更多技术细节。     

一类激励函数和阈值可扰动的神经网络的研究

把用于解决Ⅳ元奇偶校验问题的激活函数，由单个函数推广到了一条带状区域、一个函数族。把阈值由一个固定值推广到了一个区间。与已有的工作相比，所提出的神经网络是解决此类问题的抗干扰能力强，开发容易的网络。     

模糊神经元及其在FCMAC中的应用

本文通过对模糊集合与神经网络的特点及相互关系的阐述，引出将二者优点结合于一身的模糊神经网络理论。从模糊神经元开始，着重介绍其拓扑结构、分类、隶属函数的特点及相应激励函数的确定方法。最后以模糊小脑神经网络(FCMAC)为算例，阐述了模糊神经元的应用问题。仿真结果表明：它具有比常规CMAC学习速度快，结果精确等优势。     

双并联前向过程神经网络及其应用研究

为克服多层前向过程神经网络收敛速度慢、精度低的问题,提出了一种双并联前向过程神经网络模型.在输入空间中引入一组合适的函数正交基,将输入函数和网络权函数表示为该组正交基的展开形式,并利用基函数的正交性简化网络聚合运算过程.给出了相应的学习算法,并以飞机发动机状态监控中发动机排气温度的预测为例验证了模型和算法的有效性.     

前向神经网络设计问题的回顾与探索

本文评述了近十几年来国内外对前向神经网络设计问题的研究情况，在分析各种已有设计方法优缺点的基础上，提出另一种新的解决前向神经网络设计问题的方法，并给出几个非常典型的设计（模拟）例子，以说明本文所提出方法的有效性和潜力。     

一种前向神经网络快速学习算法及其在系统辨识中的应用

提出一种基于最小二乘的前向神经网络快速学习算法.与现有同类算法相比,该算法无需任何矩阵求逆,计算量小,较适于需快速学习的系统辨识和其他应用.文中推导了算法,并给出一种更为简便的局部化算法.系统辨识的仿真实例表明了算法的优良性能.     

多层前向神经网络的快速学习算法及其应用

针对目前多层前向神经网络学习算法存在的不足,提出一种多层前向神经网络的快速学习算法,它不仅符合生物神经网络的基本特征,而且算法简单,学习收敛速度快,具有线性、非线性逼近精度高等特性.以二杆机械手逆运动学建模作为应用实例,仿真结果表明该方法是有效的,其算法与收敛速度更优于BP网络.     

事件检测支持向量机模型与神经网络模型比较

针对交通领域中的事件检测(无事件模式和有事件模式)模式识别问题,描述了支持向量机(SVM)的基本方法,建立了基于线性(linearfunction)、多项式(polynomialfunction)和径向基(radialbasisfunction)3种核函数的事件检测SVM模型,并与PNN、MLF模型进行了理论比较。采用I-880线圈数据集和事件数据集建立并验证SVM、PNN和MLF模型,结果发现:无论对于向北、向南或混合方向的事件检测,SVM模型的检测率(DR)、误报率(FAR)和平均检测时间(MTTD)指标均比MLF模型好;PNN模型的DR比SVM(P)模型的高,但FAR和MTTD指标不比SVM(P)模型好;在3个SVM模型中,SVM(P)检测效果最好,SVM(L)最差。SVM算法与神经网络算法相比具有避免局部最小,实现全局最优化,更好的泛化效果的优点,是高速公路事件检测的一种很有潜力的算法。     

基于稀疏表达和RBF神经网络的交通流预测方法

准确的交通流预测被认为是智能交通系统（ITS）中一个重要的元素.针对以往仅靠人工经验在预测节点的邻近范围内进行时空关联选取,提出了一种基于稀疏表达的时空关联挖掘的方法,并应用于RBF（Radial Basis Function）神经网络进行交通流预测.它的优势在于可以基于全局的交通网数据自动地挖掘出与目标节点的传感器相关的时空关联传感器,此方法具有良好的自适应性,能应用到大的交通网中进行交通流预测.相比于从邻近范围选取时空关联传感器来进行预测的方法,拥有更好的预测性能.     

人工智能的神经系统动力学融合表示模型研究

1.引言:不能融合的传统人工智能模型尽管以专家系统为代表的人工智能方法三十年来获得了很大的成功,但依然存在常识问题和知识获取的困难,造成这些问题的原因是忽视了人真实的知识结构中语义的依赖性和建构过程中的发展性和连续性。由于它们中的大多数被设计成针对特别的任务,仅对一类相对狭窄的问题是有效的,而不是基于对智能本质有一个系统认识的理论根基,因此期望使     

纠错Hopfield神经网络的设计及其应用

文章采用神经网络动态系统中的稳定吸引子原理,设计了纠一至多位错的离散型Hopfield自反馈神经网络,其权值矩阵是主对角线为1的对称矩阵,在结构上具有较强的规律性。将这种网络用于编码,得到了SEC-DED、DEC-TED、TEC-FED非线性码。这种编码网络构造简单,所得码字种类较多,译码复杂性低。     

基于K—Means聚类算法和神经网络的药物使用模型

采用K—Means聚类算法和神经网络算法，对药物的使用进行建模．通过模型可得到不同临床特征病人更适合服用何种药物的建议结果，正确率高达94．7％，实现用药的合理化。     

基于K-Means聚类算法和神经网络的药物使用模型

采用K-Means聚类算法和神经网络算法,对药物的使用进行建模,通过模型可得到不同临床特征病人更适合服用何种药物的建议结果,正确率高达94.7%,实现用药的合理化。     

新型神经元模型及生物神经网络模拟实现算法

根据突触、胞内动作电位和轴突的主要特征,提出了一种新的神经元数学模型,讨论了它是如何来模拟不同类型的神经元,模型分为突触、胞体和轴突三个部分。作为举例,根据同突触可塑性的主要特征,对模型的突触部分进行形式化,根据动作电位发生后胞内电位随时间的变化规律和阈值随时间的变化规律,以及各种内源性和具备抑制后反弹神经元的持征,对模型的胞体部分进行形式化,因此根据这一生物神经元数学模型框架建立的网络可以是异构网络,并且给出了网络模拟实现算法。最后对算法进行复杂度分析,说明算法有较好的可计算性。     

遗传神经网络预测模型的设计及应用

分析遗传算法（ＧＡ）及ＢＰ神经网络（ＮＮ）的理论基础,提出了ＧＡ与ＮＮ结合的主要方式和步骤。讨论了基于遗传神经网络的建模思路,主要针对矿石可选性预测、选矿生产指标预报问题,建立相应的遗传神经网络模型。论述了原始数据预处理的方法和ＧＡ－ＢＰ神经网络的设计。通过实例验证,模型的预测精度达到９０％以上。     

感觉神经Petri网模型及知识表示

以普通Petri网和模糊Petri网为基础,给出了感觉神经Petri网的模型和基本定义,并讨论了其在知识表示中的应用问题。     

一类新型神经网络模型及其控制器设计

提出一种新型神经网络模型(HNM)。此模型是一种本质非线性模型，但可以应用线性控制理论的成果来设计稳定的控制器，并且模型中的连接权系数有各自的物理意义，可以通过经验来确定其初始值。同时通过分析对角矩阵的稳定性，给出了基于HN模型的控制器的设计方法及稳定性证明。仿真结果表明HN模型的有效性及控制器的优良性能。     

基于神经网络的混合模型建模方法及应用

神经网络凭借其对非线性的处理能力被广泛应用于实际系统的黑箱建模,但在理论上可以任意逼近模型的神经网络在实际应用中的能力是有限的,对于复杂动态特性的实际系统基于神经网络的模型在逼近效果和泛化能力上都存在不足.提出了基于神经网络的混合模型建模方法,建立的模型由通过传统方法建立的基本系统和由神经网络建立的逼近实际系统和基本模型之间差值的不确定部分组成,用此方法建模大大提高了模型的精度和对不同输入的泛化能力,通过对多个系统的建模仿真结果验证其可行性.