应用聚类和模糊神经网络设计模糊系统

基于聚类技术和一类模糊神经网络提出一种设计模糊系统的混合方法,通过一个无监督的聚类算法自组织地确定模糊规则的数目及生成一个初始的模糊规则库,构建一类模糊神经网络,通过调整网络的权值,使规则库中的参数更加准确,并以函数逼近问题为例验证了该方法的有效性。     

反馈神经网络对非自治的非线性离散系统的近似能力

人工神经网络理论是解决非线性问题的有力工具。章研究了离散型反馈神经网络模型的建立，基于带有输入的非线性离散系统的输出可以被一类反馈神经网络输出神经元的状态向量任意逼近，笔将已有的反馈神经网络近似非线性离散系统的能力从定常系统推广到时变系统，对反馈神经网络近似非线性离散系统的能力进行了扩展研究，针对于更普遍的非自治的非线性离散系统，证明了它们在有限时间段内的输出轨迹可以被反馈神经网络输出神经元的状态向量近似到任何程度。     

前向神经网络学习算法研究

利用优化算法中的信赖域法,选取了合适的计算模型,并具有全局收敛性、收敛快速性。BP网络学习算法对异或问题、逼近问题进行的具有统计意义的仿真,表明了该算法的有效性及对样本数量变化不敏感的特性。     

模糊联想记忆神经网络

首先引入了一类模糊神经元 ,其次在联想记忆神经网络的基础上 ,得出了模糊联想记忆神经网络的结构和邻接矩阵的学习算法 ,最后证明了在正交状态下实现联想记忆的若干定理 .模糊联想记忆神经网络分为模糊自联想记忆神经网络、模糊异联想记忆神经网络和模糊双向联想记忆神经网络 ,并分别对此作了研究 .     

提高前馈神经网络学习效率的学习算法探讨

简要分析了最速下降法（Ｓｔｅｅｐｅｓｔ Ｄｅｓｃｅｎｔ Ａｌｇｏｒｉｔｈｍ ,即ＳＤＡ 法）和正交校正共轭梯度法（ＣＧＭ－ＯＣ法）的优缺点,提出了一种进行多层前馈神经网络学习的新算法,即ＳＤ－ＣＧＭ－ＯＣ算法．该算法结合最速下降法与正交校正共轭梯度法的特点,在文中所述实际问题构造模型的基础上,论证了ＳＤ－ＣＧＭ－ＯＣ算法比传统的ＢＰ算法具有更高的学习效率和二次收敛率．实验结果验证了该学习算法的有效性．     

一种由模糊逻辑神经元网络实现的聚类分析方法

文中主要提出了一种由模糊逻辑单元组成的聚类神经元网络，它可以用于数据的聚类分析，由于逻辑单元易于硬件实现和快速运算，因此大大提高了聚类分析的速度，尽管采用了竞争学习作为网络的学习地，但是它却克服了一般竞争学习算法所固有的死点问题，使得聚类分析中初始点的选取可以有更大的随意性，这在具体应用中是很有用的，文中列举了一些有典型意义的实验，充分证实了这种方法的有效性。     

基于模糊逻辑推理的BP神经网络及其应用

阐述了ＢＰ神经网络的原理及学习算法,在结合模糊逻辑推理的基础上提出了一种具有分层结构,能够进行规则自提取、自修正、自学习的复合模糊ＢＰ神经网络模型。这种模糊神经网络不仅可以充分利用原有的专家的经验和知识,而且能够从实际数据中通过不断学习获取新的知识和推理规则。同时,在相应的网络权值训练中引入了遗传算法和模糊逻辑控制器的优化求解思想。还进一步探讨了将这种网络模型用于汇率分析系统的形式和方法。     

基于神经网络对属于维纳模型之非线性系统的结构辨识

基于神经网络理论 ,给出了一种采用三层前馈神经网络辨识属于维纳模型之非线性系统的方法 ,并给出了模拟算例 ,结果表明这种方法是正确和有效的     

一种高效二进前馈神经网络学习算法

为解决二进前馈神经网络(BFNN)缺乏高效实用学习算法的问题,提出一种新的融合自适应调节结构和权值的BFNN学习算法.该算法借鉴并改进了极限学习机(ELM)方法,可以高效地训练单隐层的BFNN来解决分类问题.为了满足网络的训练精度,算法可以自动增加隐层神经元个数和调节网络隐层及输出层神经元权值;同时为了提高网络的泛化精度,算法通过建立二进神经元敏感性作为度量隐层神经元重要性的尺度,自动地裁剪重要性小的神经元,并对裁剪损失的信息进行补偿.实验结果验证了该算法在处理离散分类问题时的可行性和有效性.     

神经网络非线性系统自适应控制的研究

提出了一种新的神经网络非线性系统自适应控制方法采用改进的ＢＰ算法，避免了选取学习速率的麻烦仿真结果表明：该方法对非线性系统及突加外干拢、参数突变具有较强的自适应能力     

Approximation capability of regular fuzzy neural networks to continuous fuzzy functions

The approximation capability of regular fuzzy neural networks to fuzzy functions is studied. When σ is a nonconstant, bounded and continuous function on R, some equivalent conditions are obtained, with which continuous fuzzy functions can be approximated to any degree of accuracy by the four-layer feedforward regular fuzzy neural networks.Finally a few examples of such fuzzy functions are given.     

基于鲁棒稳定高阶动态神经网络的非线性系统的辨识

将高阶动态神经网络作为非线性系统的辨识模型,运用Lyapunov稳定性理论,提出一种有效的鲁棒稳定学习规则及相应的学习网络结构,从而确保在对非线性系统辨识时,即使存在建模偏差,辨识误差和动态神经网络的参数能一致最终有界(UUB)稳定,解决了动态神经网络的学习稳定性问题．仿真结果也证明了该辨识方法的有效性．     

Using fuzzy neural networks for RMB／USD real exchange rate forecasting

In order to aim at improving the forecasting performance of the RMB/USD exchange rate, this paper proposes a new architecture of fuzzy neural networks based on fuzzy logic, and the method of point differential,which guarantees not only the direction of weight correction, but also the needed precision for the BP algorithm.In applying genetic algorithms for optimal performance, this approach, in the forecasting of the RMB/USD real exchange rate from 1994 to 2000, obviously outperforms typical BP Neural Networks and exhibits a higher capacity in regard to nonlinear, time-variablility, and illegibility of the exchange rate.     

基于模糊逻辑的模糊神经网络推理机结构及其实现

讨论了基于模糊逻辑与神经网络的模糊神经网络推理机的结构;给出了将模糊产生式规则转换为相应模糊神经网络的方法;深入探讨了采用欧氏距离作为误差函数的改进ＢＰ算法;给出了在数据融合中使用该模糊神经网络推理机进行目标平台识别的例子．     

Adaptive learning with guaranteed stability for discrete-time recurrent neural networks

To avoid unstable learning, a stable adaptive learning algorithm was proposed for discrete-time recurrent neural networks. Unlike the dynamic gradient methods, such as the backpropagation through time and the real time recurrent learning, the weights of the recurrent neural networks were updated online in terms of Lyapunov stability theory in the proposed learning algorithm, so the learning stability was guaranteed. With the inversion of the activation function of the recurrent neural networks, the proposed learning algorithm can be easily implemented for solving varying nonlinear adaptive learning problems and fast convergence of the adaptive learning process can be achieved. Simulation experiments in pattern recognition show that only 5 iterations are needed for the storage of a 15×15 binary image pattern and only 9 iterations are needed for the perfect realization of an analog vector by an equilibrium state with the proposed learning algorithm.     

神经网络在控制中的应用

在非线性系统的控制中，神经网络已成为强有力的工具．本文探讨了人工神经网络在建模和控制领域的研究概况，并对其发展趋势作了展望     

Global stability of interval recurrent neural networks

The robust global exponential stability of a class of interval recurrent neural networks(RNNs) is studied,and a new robust stability criterion is obtained in the form of linear matrix inequality.The problem of robust stability of interval RNNs is transformed into a problem of solving a class of linear matrix inequalities.Thus,the robust stability of interval RNNs can be analyzed by directly using the linear matrix inequalities(LMI) toolbox of MATLAB.Numerical example is given to show the effectiveness of the obtained results.     

Reconstruction based approach to sensor fault diagnosis using auto-associative neural networks

Fault diagnostics is an important research area including different techniques. Principal component analysis （PCA） is a linear technique which has been widely used. For nonlinear processes, however, the nonlinear principal component analysis （NLPCA） should be applied. In this work, NLPCA based on auto-associative neural network （AANN） was applied to model a chemical process using historical data. First, the residuals generated by the AANN were used for fault detection and then a reconstruction based approach called enhanced AANN （E-AANN） was presented to isolate and reconstruct the faulty sensor simultaneously. The proposed method was implemented on a continuous stirred tank heater （CSTH） and used to detect and isolate two types of faults （drift and offset） for a sensor. The results show that the proposed method can detect, isolate and reconstruct the occurred fault properly.     

CMAC神经网络用于一类不确定MIMO非线性系统的鲁棒自适应反馈线性化

在已知标称系统的基础上,将CMAC神经网络用于一类状态反馈可线性化的多输入多输出（MIMO）不稳定连续时间非线性系统的鲁棒自适应反馈线性化,使系统获得要求的跟踪性能。在很弱的假设条件下,应用李雅普诺夫稳定性理论证明了闭环系统内的所有信号为UUB（一致最终有界）。仿真算例进一步验证了算法的正确与有效。     

基于人工神经网络的GIS技术

探讨在传统地理信息系统技术的基础上,应用人工神经网络理论 ,提高系统对数据进行复杂的综合分析的功能,并以预测线损率为例,详细计算了系统构成、网络结构、算法设计及参数选取等问题,提出了一种ＧＩＳ技术发展的新思路,以及相应的实现方法。