基于熵聚类的泛函网络神经元函数优化

泛函网络是神经网络的一般化推广,至今还没有统一的系统设计方法能够对给定问题设计出近似最优的结构.为了获得良好的网络结构,本文利用熵聚类的思想,提出一基于熵聚类思想的设计泛函网络的方法,对网络每一神经元的共存且相互影响的基函数和泛函参数进行最优搜索,实现泛函网络结构和泛函参数的共同学习.对一非线性函数进行逼近比较仿真实验,结果表明,逼近效果较好,且收敛速度较快,并表明所设计的泛函网络有效地提高了泛函网络的收敛精度,还可获得更为合理的网络结构.     

基于熵聚类的泛函网络神经元函数优化

泛函网络是神经网络的一般化推广,同神经网络一样,至今还没有系统设计方法能够对给定问题设计出近似最优的结构。鉴于此,利用熵聚类的思想来设计泛函网络,对网络每一神经元的基函数和泛函参数共存且相互影响的最优搜索来实现泛函网络结构和泛函参数的共同学习。提出一基于熵聚类思想来设计泛函网络的方法,有效地提高了泛函网络的收敛精度,并可获得更为合理的网络结构。     

正交泛函网络函数逼近理论及算法

基于正交函数的概念和特性,提出一种正交泛函网络新模型,给出了正交泛函网络学习算法.该算法是借助于正交函数性质和Lagrange乘数法做辅助函数,对泛函参数学习过程归结为求解一组线性方程组的过程.最后,通过函数逼近算例计算机仿真结果表明,该算法十分有效,具有模型简单、逼近精度高等特点.     

一种基于改进遗传规划的泛函网络结构逼近模型

基于泛函网络的结构特点和遗传规划的全局搜索能力,提出了广义基函数概念,通过改进遗传规划的编码方式对广义基函数进行学习,用最小二乘法设计适应度函数,从而确定泛函网络的最佳逼近结构模型。最后,4个数值仿真实例表明,该方法是有效可行的,具有较强的泛化特性。     

RBF神经网络的结构动态优化设计

针对径向基函数(Radial basis function, RBF)神经网络的结构设计问题, 提出一种结构动态优化设计方法. 利用敏感度法(Sensitivity analysis, SA)分析隐含层神经元的输出加权值对神经网络输出的影响, 以此判断增加或删除RBF神经网络隐含层中的神经元, 解决了RBF神经网络结构过大或过小的问题, 并给出了神经网络结构动态变化过程中收敛性证明; 利用梯度下降的参数修正算法保证了最终RBF网络的精度, 实现了神经网络的结构和参数自校正. 通过对非线性函数的逼近与污水处理过程中关键参数的建模结果, 证明了该动态RBF具有良好的自适应能力和逼近能力, 尤其是在泛化能力、最终网络结构等方面较之最小资源神经网络(Minimal resource allocation networks, MRAN)与增长和修剪RBF 神经网络(Generalized growing and pruning radial basis function, GGAP-RBF) 有较大提高.     

基于多项式基函数的泛函网络构造方法与逼近理论

用构造性方法证明:对于给定的r阶多项式函数,可以具体地构造出一个三层泛函网络,以任意精度逼近该多项式,所构造的网络的中问神经元个数仅与多项式基函数的阶数r有关,并能用r表达.该文所得结果对于基于多项式基函数的泛函网络逼近任意函数类的网络具体构造和逼近具有理论指导意义.     

一种自学习模式参数化设计方法的研究

本文提出一种和一般参数化方法有本质区别的自学习模式的智能参数化设计方法,首先讨论了基于神经网络的参数化自学习原理与约束方程组求解的相似性和可行性,在分析了一种径向基函数网络的算法原理和网络结构后,重点探讨了应用自学习方式的参数化建模过程,并给出它在工程图参数化设计中的应用方法和特点.     

用蛙跳算法优化RBF神经网络参数的研究

针对径向基函数（Radial Basis Functions,RBF）神经网络结构参数确定问题,提出了一种基于蛙跳算法优化RBF神经网络参数的新方法。将RBF神经网络参数组成一个多维向量,作为蛙跳算法中的参数进行优化。以适应度函数为标准,在可行解空间中搜索最优解,并对蛙跳算法进行了改进。非线性函数逼近实验结果表明,该优化算法相对标准遗传优化算法、粒子群优化算法有较小的均方误差,具有更好的逼近能力。     

一种基于最优分段函数逼近的过程神经网络训练算法

提出了一种基于最优分段函数逼近的过程神经网络学习算法。将网络时变输入信号和连接权在一定精度下表示为分段函数的拟合形式,根据最小均方误差准则,构建 PN N基于函数基展开的训练算法。选择低阶分段函数作为基函数,利用其良好的柔韧逼近和光滑可导性质,快速实现网络待定参数对函数样本的自适应学习。网络训练中,只需迭代调整分段函数的连接系数,可有效减少模型中的参数冗余、提高PNN对实际问题的建模能力。     

泛函网络神经元构造理论与方法

泛函网络是近年提出的一种对神经网络的有效推广.与神经网络不同,它处理的是一般的泛函模型,它在各个神经元之间的连接没有权值,并且神经元函数不固定的,往往是一给定的基函数的组合,泛函网络学习的目的就是求出神经元函数的精确表达式或近似表达式. 迄今关于泛函网络神经元基函数的存在性和选取方法缺乏理论依据.文中基于Banach空间中偏序理论,分析了泛函网络神经元基函数的存在性,给出了泛函网络神经元基函数选取方法,对于完善泛函网络的基础理论具有参考价值.     

遗传进化算法在时间序列建模中的应用

该文把时间序列建模看作是模型结构和参数的优化搜索过程,将遗传规划与遗传算法结合起来对结构和参数共存且相互影响的复杂解空间进行全局最优搜索实现模型结构和参数的共同识别。实例分析表明该方法建立的预测模型具有较高的精度和推广预测能力。     

遗传规划和进化策略混合算法及应用

文中把函数拟合建模看作是模型结构和参数的优化搜索过程,将遗传规划和进化策略结合起来对函数拟合的结构和参数共存且相互影响的复杂解空间进行全局最优搜索实现拟合结构和参数的共同识别。克服了传统的函数拟合完全依赖于数据、精度低、结构与参数分别确定这样一“串行”计算结构等缺陷。实验数据表明,该方法得到的拟合函数比传统方法得到的拟合函数,具有较高的精度和推广预测能力。     

Fuzzy random chance-constrained programming

By fuzzy random programming, we mean the optimization theory dealing with fuzzy random decision problems. This paper presents a new concept of chance of fuzzy random events, and constructs a general framework of fuzzy random chance-constrained programming. We also design a spectrum of fuzzy random simulations for computing uncertain functions arising in the area of fuzzy random programming. To speed up the process of handling uncertain functions, we train a neural network to approximate uncertain functions based on the training data generated by fuzzy random simulation. Finally, we integrate the fuzzy random simulation, neural network, and genetic algorithm to produce a more powerful and effective hybrid intelligent algorithm for solving fuzzy random programming models and illustrate its effectiveness by some numerical examples     

结合序列线性规划法的混合遗传算法

通过将遗传算法与改进的序列线性规划法相结合，形成混合遗传算法．当迭代点没有发生交叉和变异时，将目标函数和约束条件在迭代点处线性化，为使迭代点邻域仍然满足约束条件，加入软约束项，用线性规划方法进行寻优．该方法具有全局收敛性，不要求迭代点一定为可行点．仿真结果验证了此法的有效性和合理性．     

遗传正交试验算法及其应用

遗传算法是一种能够在较大的参数空间中搜索到问题最优解的方法,在解决非线性问题时具有全局收敛性,但收敛性能差。论文提出一种结合遗传与正交试验两种算法优点的新混合遗传算法,应用表明该算法收敛能力强、寻优能力强及能产生大量次优解,是一种值得信赖的算法。     

基于动态规划和遗传算法的混合算法研究

动态规划法和遗传算法是目前在水电站厂内经济运行中广泛应用的两种优化算法，文章提出了一种基于动态规划法和遗传算法的混合优化算法来分别解决大规模机组组合问题中空间最优化和时间最优化的计算机求解问题。避免了遗传算法计算速度缓慢的问题，又避免了动态规划法的“维数灾”问题。最后使用清江隔河岩水电站的4台机组的运行数据进行了仿真研究，并和完全使用动态规划法的结果进行了比较，获得了良好的效果，说明该混合优化算法对于厂内经济运行是一种可行的算法。     

面向非线性规划问题的混合式遗传算法

面向非线性规划问题,通过引入准可行方向、准可行方向的可行度等新概念,提出了 描述和度量非可行点(染色体)的新方法;通过嵌入非可行染色体的信息于评价函数中,突破 传统的给非可行染色体以大的惩罚的思想,提出了三种新的评价非可行染色体的方法.基于 梯度方向搜索和新的评价方法,提出了一种新的沿权重梯度方向变异的混合式遗传算法 (HGA).对测试问题的仿真结果表明了算法的有效性.     

Visual programming environment for hybrid expert systems

This paper proposes an architecture for hybrid expert system development which combines expert problem-solving functions and other conventional computational functions by visual programming technology. The visual programming technique is used both for task-specific knowledge representation and for procedural programming for connecting functional components. In knowledge representation, knowledge is visually represented in the form of decision tables and decision trees. In procedural visual programming, each functional object is displayed as a box-shaped icon with accessible ports which are connected by wires on the graphic editor. Based on the architecture, an expert system shell for the classification task, called HOLON/VP(DT), is incorporated in a visual programming system called HOLON/VP. This paper briefly describes the tool and its evaluation based on some application systems developed with the tool.     

基于优化的支持向量机的机械设备多故障诊断模型

提出了一种基于遗传算法优化支持向量机的故障诊断模型.它利用遗传算法对支持向量机同时对传统的时域特征参量子集和核参数同时优化,以达到选择最优的设备故障主导特征参数组合的目的,实现对机器不同类型故障的识别.对齿轮故障诊断的结果表明它有效提高了多分类支持向量机的故障分类准确性.