过程神经网络的训练及其应用

研究过程神经网络的学习算法及其在过程模式识别中的应用。针对权值基展开的过程神经网络讨论了权值基的选取规则和对采样曲线的标准化处理问题，给出了含一个隐层的过程神经网络的误差反传播学习算法。以聚合化学反应和渗流实验两个具体实例验证了算法的有效性，也说明了过程神经网络的广泛应用前景。  

基于依存分析和贝叶斯网络的无指导汉语词义消歧

采用基于依存分析改进贝叶斯网络的无指导的机器学习方法对汉语大规模真实文本进行词义消歧实验。该学习算法充分利用依存文法分析确定能够对词语词义构成内在限制的上下文，有效地克服了简单贝叶斯分类器中无关上下文造成的噪声影响。实验结果证明基于依存改进的贝叶斯模型在汉语词义消歧上表现良好，开放测试正确率可达86.27％。  

一种新型回归支持向量机的学习算法

支持向量机(SVM)是一种基于结构风险最小化原理的学习技术,也是一种具有很好泛化性能的回归方法,本文对标准支持向量机稍作改动,提出了一种新型回归支持向量机,并推导出它的对偶表达方式,随后利用一个优化定理设计了一个多变量更新学习算法,该算法能单调收敛于极值点,并具有简单的迭代方式,仿真实例说明所提出的回归支持向量机及其训练算法具有较好的学习性能.  

工业用神经PH值检测仪的研究

研究发现，随着酸碱浓度及温度变化范围的增大，其电导率与ＰＨ值和温度之间呈严重非线性函数关系。本文应用ＰＢＰ神经网络和ＧＡ－ＢＰ学习算法，对不同浓度区的非线性测量方程进行神经统计建模，实现了大范围的非接触式ＰＨ值在线检测仪的研制。  

基于非广延小波特征尺度熵和支持向量机的轴承状态识别

摘要：为了对轴承的运行状态进行有效的识别，以便进一步评估和预测轴承的寿命，提出了基于非广延小波特征尺度熵和Morlet小波核支持向量机（Morlet wavelet kernel support vector machine, MWSVM）的轴承运行状态识别的新方法。对采集到的轴承振动信号进行小波分解，得到相应的小波分解系数，在此基础上结合非广延熵理论提出了沿尺度分布的非广延小波尺度熵特征提取方法。但是通过小波特征尺度熵分析后获得的特征信息存在维数较高，特征信息间冗余严重的问题，因此，引入了流形学维数约简算法(locality preserving projection, LPP)进行敏感特征信息的提取，减少在特征信息提取过程中人为因素的干扰。以约简后的特征信息作为MWSVM的输入进行训练，建立轴承的状态识别模型，从而实现轴承状态的识别。通过对某轴承内圈正常状态和几种故障程度不同的状态进行识别，试验结果表明了方法的有效性。  

联想记忆网络的学习：基本思路和实现

提出了一种神经网络学习算法设计的基本思路，即首先将神经网络的设计目标形式化，建立合适的数学模型；然后交其转化为易于处理的最优化问题，对网络参数以及网络结构进行优化。  

神经网络理论在调频调速液压电梯系统辨识中的应用

本文分析了调频调速液压电梯系统建模的复杂性和难确定程度，介绍了反向传播神经网络（ＢＰ）模型在该系统辨识中的应用和具体网络的构成．  

递归神经网络的模糊随机学习算法

提出了一种新的基于模糊逻辑的Alopex学习算法（FLA）。FLA算法利用模糊逻辑推理实时获得适应于学习过程的适当的算法修正值，克服了Alopex算法中修正值固定不变的缺点，使得随机学习过程在速度、精度和稳定性之间获得平衡。将该算法应用于神经网络的训练，可以无需神经网络的梯度信息和结构信息，因此可以用于具有各种结构特性的递归神经网络对动态系统的学习过程。实验结果表明了FLA算法的有效性。  

一种改进的人工神经网络学习算法及其在超声检测中的应用

本文用多层感知器 (MLP)与误差反向传播算法 (errorback propagationalgorithm)构造训练人工神经网络 ,提出了新的误差反向传播改进算法。试验结果表明 ,改进的BP算法收敛速度较之常规BP算法明显加快 ,因而在工业现场的超声检测领域有广阔应用前景。  

Stochastic approximation algorithms: Overview and recent trends

Stochastic approximation is a common paradigm for many stochastic recursions arising both as algorithms and as models of some stochastic dynamic phenomena. This article gives an overview of the known results about their asymptotic behaviour, highlights recent developments such as distributed and multiscale algorithms, and describes existing and potential applications, and other related issues. The work of the second author is supported by the DST grant III 5(12)/96-ET.