神经网络集成

神经网络集成通过训练多个神经网络并将成结论进行合成，可以显著地提高学习系统的泛化能力。它不仅有助于科学家对机器学习和神经的深入研究，还有助于普通工程技术人员利用神经网络技术来解决真实世界中的问题。因此，它被视为一种广阔应用前景的工程化神经计算技术，已经成为机器学习和神经计算领域的研究热点。该文从实现方法、理论分析和应用成果等三个方面综述了神经网络集成的国际研究现状，并对该领域值得进一步研究的一些问题进行了讨论。  

有教师的线性基本函数前向三层神经网络结构研究

优化选择隐节点数是人们在应用基于误差反传算法的有教师的线性基本函数前向三层神经网络过程中首先遇到的一个十分重要而又困难的问题。本文从国内外大量应用裕列中陪结归纳出了一个初定这种网络隐节点数的经验公式，提出了一种判断所选隐节点数是否多余的具体方法，并从理论上做了详细的推导。  

多层前向网络的交叉覆盖设计算法

文章根据多层前向权、阈值神经网络的设计原则,将设计过程分成两步进行:先用尽可能少的领域将样本中的各类分隔开来,然后再用作者提出的交叉覆盖算法进行网络设计.文章给出两个很有代表性的模拟例子,一个是平面上两根螺线的分离问题,另一个是“无穷样本学习”的例子.模拟结果证明了此方法的有效性.  

RBF神经网络理论及其在控制中的应用

对ＲＢＦ神经网络的结构、分类、函数逼近理论及训练方法进行了综述，并且对ＲＢＦ网络的优点及问题作了分析，同时介绍了目前ＲＢＦ网络在控制方面应用情况，最后提出了ＲＢＦ网络在控制中的研究及应用新方向。  

M-P神经元模型的几何意义及其应用

给出M-P神经元模型的几何意义,这个几何的铨释,给神经元一个非常直观的理解,利用这个直观的理解,给出两个颇为有趣的应用:(1)用此法给出三层前向神经网络的学习能力的基本定理的新的证明;(2)给出前向网络的拓扑结构设计的新方法.  

粒子群优化算法

系统地介绍了粒子群优化算法，归纳了其发展过程中的各种改进如惯性权重、收敛因子、跟踪并优化动态目标等模型。阐述了算法在目标函数优化、神经网络训练、模糊控制系统等基本领域的应用并给出其在工程领域的应用进展，最后，对粒子群优化算法的研究和应用进行了总结和展望，指出其在计算机辅助工艺规划领域的应用前景。  

BP神经网络的设计

对ＢＰ神经网络设计中的隐层节点数，初始权值，学习率等参数的选择进行研究，分别给出若干经验公式。  

交通系统的模糊控制及其神经网络实现

本文根据城市交通系统的特点设计了单个路口信号灯的模糊控制器,研究了用神经网络实现模糊控制器的方法和过程,并对该控制器进行了仿真研究,本文所设计的控制方法适合于各种车流大小随机变化的单个路口,且决策过程迅速、合理,无需对车流进行预测,是一种实时单点控制方法,由于模糊控制器由神经网络实现,控制具有学习和联想功能,仿真结果说明了该方法的有效性。  

BP 网络改进算法的性能对比研究

通过实例对几种具有代表性的用以训练BP网络权值的改进算法进行性能对比研究，首先分析了基于标准梯度下降法和基于标准数值优化方法获得的各种改进算法的优缺点，然后对各种改进算法在训练中所需的收敛时间及其所厉害误差进行对比分析，其结果为选择训练网络的算法，开阔人们对算法改进的思路提供了一些借鉴。  

混沌优化方法的研究进展

混沌是一种普遍的非线性现象，具有随机性，遍历性和内在规律性的特点，由于遍历性可作为避免搜索过程陶入局部极小的有效机制，因此混沌已成为一种新颖且有潜力的优化工具，为了让混沌优化这一新兴研究方向为更多工作者所了解，此文综述了混优化方法的研究进展，包括基于混沌的函数优化与基于混沌神经网络的组合优化，并在分析混沌优化特点的基础上讨论了有等发展的若干研究课题。