基于基函数展开的双隐层过程神经元网络及其应用

提出一类基于基函数展开的双隐层过程神经元网络模型．过程神经元隐层完成对输入信息过程模式特征的提取和对时间的聚合运算，非时变一般神经元隐层用于提高网络对系统输入输出之间复杂关系的映射能力．在输入空问中引入一组函数正交基，将输入函数和网络权函数表示为该组正交基的展开形式，利用基函数的正交性简化过程神经元聚合运算．以旋转机械故障诊断和油藏开发过程采收率的模拟为例，验证了模型和算法的有效性。     

基于傅立叶函数基变换的过程神经元网络学习算法

针对过程神经元网络训练涉及的时域聚合运算问题,提出了一种基于傅立叶正交函数基展开的过程神经元网络学习算法。在网络输入函数空间中引入傅立叶正交函数基,将输入函数和网络连接权函数表示为该组正交基的有限项展开形式,利用函数基的正交性,可简化过程神经元在时间聚合运算中的复杂性,提高网络学习效率。给出了具体的实现算法,仿真实验结果证明了算法的有效性。     

基于正交多项式基的神经网络模型

本文采用一类正交多项式集合作为神经元的激励函数，构成一个正产多项式基神经网络。网络的拓扑结构２和相应的正交多项式基在学习的过程中确定，网络的权值经最小二乘算法得到，避免了局部极值问题，仿真结果表明，本文提出的方法是可行和有效的。     

椭球基函数神经网络的混合学习算法

提出一种训练椭球基函数神经网络(EBFNN)的混合学习算法.此算法首先使用期望最大化算法初始化EBFNN中椭球基函数节点的参数,而网络的连接权重和偏差项则用线性最小二乘方法进行初始化.然后用梯度下降法对EBFNN中所有参数同时进行优化.与其他3个相关的模型相比,用混合学习方法训练的梯度下降椭球基函数神经网络(GDEBFNN)能够取得更优的分类性能.此外,与支持向量机对比表明,GDEBFNN取得与之接近的泛化能力.与基于Adaboost的决策树模型比较表明,GDEBFNN可以取得更优的泛化性能.     

基于多种正交基函数的模块化过程神经元网络

提出一类基于多种正交基函数的模块化过程神经元网络模型,它融入了多时变输入的空间聚合和作用域限制的时间累积,并采用多种正交基函数在较小网络规模的条件下保证系统各种输入输出的精度,应用混合隐含层综合考虑了系统多类型输入对系统的作用,并应用模块化级联的方式在一定程度上减小了网络的总体容量,从而提高了整个网络的学习速度。应用实例的训练及仿真结果证明了该模型的可行性和有效性。     

一类反馈过程神经元网络模型及其学校算法

提出了一种基于权函数基展开的反馈过程神经元网络模型．该模型为三层结构,由输入层、过程神经元隐层和过程神经元输出层组成．输入层完成系统时变过程信号的输入及隐层过程神经元输出信号向系统的反馈;过程神经元隐层用于完成输入信号的空间加权聚合和激励运算,同时将输出信号传输到输出层并加权反馈到输入层;输出层完成隐层输出信号的空间加权聚集和对时间的聚合运算以及系统输出．文中给出了学习算法,并以旋转机械故障自动诊断问题为例验证了模型和算法的有效性．     

一种基于Gaussian函数的双向选择径向基函数神经网络算法

径向基函数神经网络是一类重要的神经网络算法。本文对现有的径向基函数神经网络算法进行了总结分析,将现有算法分为前向选择和后向选择两类。在分析各自优缺点的基础上从提高神经网络泛化能力的角度提出了一种新的基于Gaussian函数的双向选择径向基函数神经网络算法——BSRBF,从数理角度研究了神经元选择的基本技术方法,并对算法的基本思想和具体步骤进行了阐述。最后,用一个实验对比验证了双向选择算法的有效性。     

自组织过程神经网络及其应用研究

针对与时间过程有关的模式分类问题，提出了一种自组织过程神经元网络模型．网络由输入层和竞争层组成，其输入和连接权可为与时间有关的函数，输入层结点与竞争层结点实行全互连接．网络提取输入函数所隐含的过程式模式特征，并对其进行自组织，在竞争层将分类结果表现出来．为简化计算，在输入空间中引入函数正交基，将输入函数和网络权函数表示为正交基的展开形式，利用基函数的正交性，使网络权函数的调整非时变化．给出了竞争学习和有教师示教两种学习算法，并以石油地质中沉积微相识别问题为例证明了模型和算法的有效性．     

径向基函数（RBF）神经网络的一种极大熵学习算法

RBF神经网络中心向量的确定是整个网络学习的关键,该文基于信息论中的极大熵原理构造了训练中心向量的极大熵聚类算法,由此给出了网络的极大熵学习算法。文中最后分别用一个时间序列预测和系统辨识问题验证了该学习算法的有效性,同RBF网络和多层感知机的误差回传算法相比,该算法不仅在学习精度和泛化推广能力上有一定程度的提高,而且学习时间有显著的降低。     

一种基于正交基神经网络算法的传感器误差补偿方法

为了提高传感器的误差补偿精度,提出了一种基于正交基神经网络算法的传感器误差补偿方法.研究了神经网络算法的收敛性,为学习率的选择提供了理论依据.为了验证算法的有效性,给出了传感器误差补偿实例.研究结果表明,基于正交基神经网络算法的传感器误差补偿方法具有高的误差补偿精度,因而是一种有效的误差补偿方法.     

过程神经元网络的研究与进展

过程神经元网络是一种适合于处理过程式信号输入的网络,其基本单元是过程神经元--一种新的神经元模型.本文介绍了过程神经元及其网络模型的基本理论及其特点,概述了一种基于梯度下降的学习算法及算法流程,总结了近几年来过程神经元网络及其算法的最新研究进展,并给出了一些已有的应用成果,讨论了一些具有前景的研究方向.     

基于遗传算法的RBF网络用于股票短期预测

采用改进的遗传算法（GA）优化径向基函数（RBF）网络,提出了一种新颖的确定RBF网络参数的方法,并用优化的RBF网络用于股票的短期预测,其结果与实际值吻合效果较好,证明了该方法的有效性。     

径向基函数神经网络的新型混合递推学习算法

从径向基函数网络的硬件实现和实时应用的角度出发，给出了RBF网络的一种新型混合递推学习算法．该算法既具有良好的数值性质又易于并行实现．把RBF网络用于非线性系统在线辨识，仿真结果显示了本文方法的有效性．     

一类用于连续过程逼近的过程神经元网络及其应用

针对实际系统的输入输出是与时间有关的连续过程,提出了一类用于连续过程逼近的过程神经元网络模型.模型利用神经网络所具有的非线性映射能力,实现系统输入输出之间的连续映射关系.考虑过程神经网络计算的复杂性,在输入空间中选择一组函数正交基,将输入函数和网络权函数表示为该组正交基的展开形式,利用基函数的正交性,简化过程神经元计算.文中给出了学习算法,并以油藏开发三次采油过程模.     

基于径向基过程神经网络的储层岩性识别

识别并评价油气储层是油田勘探开发工作中至关重要的部分,而目前现有的岩性识别方法一般不能表述地层的非均质性,也没有考虑到地层参数随着深度而变化所产生的影响.本文提出一种基于径向基过程神经网络的岩性识别模型,并用实际数据进行了验证.实验结果表明,所提出的方法有着较高的识别率,是一种可以实际应用的方法.     

径向基网络的研究进展和评述

径向基网络(RBFN)是当前人工神经网络技术研究的热点之一,并以其优良的性能广泛应用于各个领域。该文简要介绍了RBFN的结构特点,与经典的多层前传网(MLFN)进行对比,分析了RBFN学习算法从经验到理论,从繁杂到简捷的发展进程,及其存在的问题,归纳了RBFN的一些特殊类型,并对RBFN的研究和发展进行了展望。     

一种基于高斯核的RBF神经网络学习算法

RBF神经网络中心等参数确定得是否合理将直接影响到RBF神经网络的学习性能。通过有监督学习的方法来确定RBF神经网络的中心等参数是最一般化的方法。在这种方法中,参数的初始化问题是关键问题。文章在分析RBF神经网络映射性能的基础上,提出了中心等参数初始化的一种方法,并借助于梯度下降法给出了RBF神经网络的学习算法。多种实例表明,所给出的学习算法是有效的。该研究为RBF神经网络的广泛应用提供了一定的技术保障。     

一种基于模糊径向基函数神经网络的自学习控制器

提出了一种新型的基于模糊径向基函数 (RBF)的神经网络学习控制器 ,并应用于电液伺服系统 .由于RBF网络和模糊推理系统具有函数等价性 ,采用模糊经验值方法选取网络中心值和基函数数目 .与一般的神经网络自学习控制器不同 ,以系统动态误差作为网络输入量 ,RBF神经网络控制器学习的是整个系统的动态逆过程 ,因而控制性能明显提高 .对电液位置伺服系统的仿真和实验结果表明 ,该控制方案可以有效提高系统的控制精度和自适应能力     

支持向量机理论与基于规划的神经网络学习算法

近年来支持向量机（SVM）理论得到国外学者高度的重视,普遍认为这是神经网络学习的新研究方向,近来也开始得到国内学者的注意。该文将研究SVM理论与神经网络的规划算法的关系,首先指出,Vapnik的基于SVM的算法与该文作者1994年提出的神经网络的基于规划的算法是等价的,即在样本集是线性可分的情况下,二者求得的均是最大边缘（maximal margin)解。不同的是,前者（通常用拉格郎日乘子法）求解的复杂性将随规模呈指数增长,而后者的复杂性是规模的多项式函数。其次,作者将规划算法化为求一点到某一凸集上的投影,利用这个几何的直观,给出一个构造性的迭代求解算法－－“单纯形迭代算法”。新算法有很强的几何直观性,这个直观性将加深对神经网络（线性可分情况下）学习的理解,并由此导出一个样本集是线性可分的充分必要条件。另外,新算法对知识扩充问题,给出一个非常方便的增量学习算法。最后指出,“将一些必须满足的条件,化成问题的约束条件,将网络的某一性能,作为目标函数,将网络的学习问题化为某种规划问题来求解”的原则,将是研究神经网络学习问题的一个十分有效的办法。