基于量子神经网络的电网故障诊断算法

传统的人工智能方法处理电网故障诊断中交叉数据模式识别问题的效果不甚理想。为此,作者提出运用量子神经网络进行故障诊断的算法,借鉴量子力学的相关概念,不断更新各层神经元的连接权以及隐含层各神经元的量子间隔,以达到提高故障诊断容错性的目的。仿真结果表明,在保护动作信息不完备的情况下,该算法的故障判断准确性明显优于传统神经网络。另外,该算法对存在一定错误数据的故障信息也具有良好的识别能力。     

基于多层激励函数量子神经网络的字符识别算法

针对不同样本之间存在交叉数据的模式识别问题，将多层激励函数的量子神经网络引入模式识别之中，提出一种基于量子神经网络的模式识别算法。量子神经网络是将神经元与模糊理论相结合的模糊神经系统，由于自身固有的模糊性，它能将决策的不确定性数据合理地分配到各模式中，从而减少模式识别的不确定度，提高模式识别的准确性。本文以英文字母为例，应用量子神经网络模型进行字符识别，通过比较发现量子神经网络除了可以克服BP网络的诸多缺点外，对具有不确定性、两类模式之间存在交叉数据的模式识别问题，有极好的分类效果。仿真结果证明该方法的正确性和有效性。     

时变时滞神经网络系统的时滞依赖的鲁棒稳定性准则

基于Lyapunov稳定性理论和线性矩阵不等式技术,针对一类带有范数有界不确定性的时变时滞神经网络系统,给出时滞依赖的鲁棒稳定性准则.系统稳定的充分条件是在激励函数满足一类更为通用的条件下得到的,即激励函数不必是单调可微的,并且消除对时变时滞导数的限制.所给的准则可用Matlab中的线性矩阵不等式控制工具箱进行验证.仿真结果进一步证明结论的有效性.     

具有混沌激励函数的BP网络算法

该文讨论了BP网络学习过程中的假饱和现象，并给出了一种改进的算法，有效地解决了假饱和的问题。仿真结果表明，该方法不但可以提高网络学习的快速性，而且具有一定的避免权值落入局部极小点的能力，从而提高了网络的收敛精度，同时，该算法还能提高网络的泛化能力。     

由S域证明系统完全响应表示为卷积积分的可能性

系统的零状态响应可表示为激励函数与相应的系统冲激响应的卷积积分．而系统的完全响应可否应用卷积积分求解呢?本文以S域模型证明．系统的初始状态可以等效为激励源，因此系统的完全响应可表示为卷积积分。并用例题作了证明。     

时变时滞细胞神经网络的同步研究与仿真

分析时变时滞的细胞神经网络全局渐近稳定性问题,确定时变时滞细胞神经网络平衡点全局渐近稳定的新充分判定准则。通过研究时滞细胞神经网络模型、系统激励函数所需满足的条件及需要的引理,讨论时滞细胞神经网络的全局渐近稳定性,所得条件与时滞相关,并用实例验证所得的稳定性条件是有效的.     

基于逻辑函数修改技术的N进制同步计数器设计

为简化自启动任意进制同步计数器的设计过程,探讨了用逻辑函数修改技术设计基于JK触发器的能自启动的任意进制同步计数器的设计方法。即在由JK触发器构成的同步二进制计数器的基础上,通过修改部分触发器的激励函数方程改变计数器状态转换的顺序实现N进制计数。给出了触发器激励函数修改的原则和修改函数的确定方法,并分析了N进制计数器的自启动功能。该方法具有方便、快捷的特点和较强的实用意义。     

改进BP网络在高职院校教学质量评测中的应用

随着信息技术的高速发展和高职院校对教学质量的不断重视,对高职院校的教学质量的评测已经受到广大专家学者的关注。本文针对目前高职院校的现状,提出了一种基于高职院校质量评测的改进 BP 神经网络模型。该模型在传统 BP 神经网络模型的基础上,对学习率进行了优化,并加入了动量项,克服局部极小值,还提出了自调整学习速率,最后对激励函数进行了改进和优化。模型仿真结果表明,根据改进后的 BP 神经网络建立的高职院校教学质量评测模型性能良好,值得推广使用。     

梯度神经网络实时求解线性方程组之收敛性分析

探讨归纳了一类用于在线求解线性方程组的梯度神经网络, 并且证明了该类梯度网络具有全局指数收敛特性, 而非以往提出的渐进收敛特性. 此外, 相对于使用线性激励函数的情况, 当使用幂S形激励函数时网络具有更好的收敛效果. 计算机仿真结果进一步验证了上述分析的准确性和该网络求解线性方程组问题的有效性.     

采用变参数激励函数的人工神经网络

隐层神经元采用相同的激励函数会限制网络的非线性表达能力,因此,提出变参数激励函数,在学习中同时调整网络权值和激励函数的参数,增强网络的表达能力。并使用遗传算法与MBP结合的学习算法训练网络,此方法具有全局收敛能力和很高的精度。