广义多项式神经网络及其结构自适应确定

在前向神经网络模型的基础上,构建了一类新型广义多项式神经网络,依据BP神经网络梯度下降法的思想,给出该神经网络的权值迭代修正公式,并在此基础上建立其结构自适应确定算法,并进行仿真实验.结果表明,该神经网络计算精度高、能自适应地确定网络结构.     

大凌河的泥沙特性与水库排沙时机选择

介绍了大凌河的泥沙特性 ,并通过1984年大凌河流域发生特大暴雨洪水后泥沙资料的分析 ,指出了白石、阎王鼻子水库具备形成水库异重流条件 ,对水库淤积形态与泄洪排沙时机的选择进行了探讨     

复指数Fourier神经元网络隐神经元衍生算法

以平方可积空间上的复指数Fourier级数作为激励函数构造了新型Fourier神经元网络,并推导出采用加号逆表示的网络权值直接确定公式,克服了传统BP神经网络收敛速度慢、易陷于局部极小点、迭代学习易发生振荡等缺陷。并在此基础上构造了隐神经元衍生算法,克服了传统BP神经网络难以确定最优网络拓扑结构的缺点。理论分析及仿真实验表明,该复指数Fourier神经元网络能够一步计算网络最优权值且能自适应调整网络结构,对随机加性噪声具有抑制作用,并能高精度逼近非连续函数。     

基于人工神经网络的牡蛎蛋白酶解动力模型的构建

以牡蛎分离蛋白为底物,采用碱性蛋白酶(Alcalase)进行酶解,在获得一定实验数据基础上利用训练后的人工神经网络(ANN)模型对牡蛎分离蛋白酶解过程进行预测。结果表明:训练后的ANN模型决定系数R2达到0.9998,人工神经网络预测水解度DH值和实验DH值之间具有很强的相关性,相关系数r值达到0.9957。并且在一定的酶浓度及底物浓度范围内,采用ANN预测数据,双倒数作图所得回归方程决定系数R2值达到0.9740,计算得米氏常数Km和最大反应速度V max分别为26.1g/L,8.6g/(L·min)。研究结果为人工神经网络模型在食品蛋白酶促反应动力学方面的应用提供参考。     

基于梯度下降法的Chebyshev前向神经网络

传统人工神经网络模型中,同一隐层各神经元的激励函数是相同的,这与人类神经元的实际情况不一致。为此,构造一种隐层各神经元激励函数互不相同的前向神经网络模型,采用一簇Chebyshev正交多项式序列作为其隐层各神经元的激励函数(简称Chebyshev前向神经网络),并为Chebyshev前向神经网络推导基于梯度下降法的网络参数训练算法。仿真实验表明,基于梯度下降法的Chebyshev前向神经网络算法能够有效调整网络参数,使之以较高的精度逼近具有复杂模式的样本数据集。     

Hermite混沌神经网络异步加密算法

基于最佳均方逼近,采用Hermite正交多项式做为神经网络隐层的激励函数,引入一种新型的Hermite神经网络模型．通过神经网络权值和混沌初值产生性能接近于理论值的混沌序列,从中提取与明文等长的序列进行排序,将排序结果对明文置换后即可得密文．加密与解密信息完全隐藏于神经网络产生的混沌序列中,与混沌初值无显式关系,且只需改变混沌初值,便可实现“一次一密”异步加密,其安全性取决于混沌序列的复杂性和无法预测性．理论分析和加密实例表明,该加密算法简单易行,克服了混沌同步加密的诸多缺陷,具有良好的安全性．     

一种适用于电力系统谐波分析的神经网络模型

提出一种适用于电力系统谐波分析的神经网络模型,为求解该神经网络权值参数.推导了基于非线性优化思想的权值参数自适应学习算法.该算法同步调整隐层神经元和输出层神经元权值参数,以优化神经网络能量函数.为了验证算法的有效性,应用该算法对电力系统谐波进行仿真实倒研究.仿真结果表明,利用该算法能以非常高的精度同步求解电力系统基波频率以及各次谐波的幅值和相位.     

二次型最小化所展现的BP与Hopfield类型神经网络的学习同质性

本论文揭示,作为两种并行的神经计算模型,BP和Hopfield类型神经网络都可以有效地对二次型V（x）=x^TPx/2＋q^Tx实现最小化求解。而且,尽管BP和Hopfield类型神经网络在网络设计思想和网络结构上呈现出很大的差异,但是它们在二次型函数最小化问题上都表现出了相同的学习能力,这说明两者具有本质的联系.     

滑动窗Walsh基函数神经网络检测电能质量扰动

为了能够准确实时检测出电力系统中存在的电能质量扰动,提出了一种自适应确定隐神经元数及修改权值的自适应Walsh基函数神经网络时频分析方法.在此基础上采用加滑动窗的方法,根据不同时刻不同基上的权值能量分布信息检测电能质量扰动的特征,实现了对电能质量扰动的实时检测.实验仿真显示该基函数神经网络有较好的逼近能力和滤噪特性,对...     

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。