基于多维离散傅立叶变换的神经网络用于数据逼近和泛化建模

文章在一种基于多维离散傅立叶变换原理的前馈神经网络模型的基础上,提出了一个适用于高精度逼近和泛化建模的神经网络。它可用来逼近任何连续函数,且逼近精度高,泛化能力强,学习速度快。计算机模拟实验结果显示了该网络较好地利用了离散傅立叶交换在结构和性能上的优点,在天线罩视线误差校正建模研究上很好的效果。     

基于有效性分析的自组织模糊神经网络建模方法

提出了一种基于有效性分析的自组织模糊神经网络(self-organizingfuzzyneural network based on effectiveness analysis, SOEFNN)建模方法。首先,提出了一种针对模糊规则的有效性评价指标,利用样本与规则层输出之间的映射关系进行网络模型的有效性分析,通过累积触发的方式实现相应模糊规则的增加或删减,使网络模型在能够处理复杂非线性问题的同时降低其冗余性,使模型更为紧凑。采用梯度下降算法对网络模型进行训练。然后,对所提出的SOEFNN模型进行非线性系统仿真实验和污水处理过程中的出水生化需氧量预测建模,并与其他自组织模糊神经网络模型进行对比。仿真结果表明,所提出的SOEFNN模型能够很好地实现结构和参数的自适应调整,并且具有较好的逼近能力。     

基于多维离散傅立叶变换的神经网络用于数据逼近和泛？…

文章在一种基于多维离散傅立叶变换原理的前馈神经网络模型的基础上,提出了一个适用于高精度逼近和泛化建模的神经网络。它可用来逼近任何连续函数,且逼近精度高,泛化能力强,学习速度快。计算机模拟实验结果显示了该网络较好地利用了离散傅立叶变换在结构和性能上的优点,在天线罩视线误差校正建模研究上很好的效果。     

神经网络的泛化理论和泛化方法

泛化能力是多层前向网最重要的性能,泛化问题已成为目前神经网络领域的研究热点.文中综述了神经网络泛化理论和泛化方法的研究成果.对泛化理论,重点讲述神经网络的结构复杂性和样本复杂性对泛化能力的影响;对泛化方法,则在介绍每种泛化方法的同时,尽量指出该方法与相应泛化理论的内在联系.最后对泛化理论和泛化方法的研究前景作了展望.     

模糊神经网络建模方法的研究

近年来神经网络在建模中得到了广泛地应用,但其学习过程需要大量的训练样本以保证其结果的正确性,在工业过程建模中,神经网络因可采集与训练样本数少,且信息不全等困难,难以建立一定正确度的模。针对这一问题,本文以Ｇａｕｓｓ函数为隶属度函数形式改进模糊聚类的Ｃ－平均法,提出了模糊ＣＧ－平均法,对一同组数据的聚类结果证明了此方法的有效性,模糊神经网络在化工中的研究尚处于初级阶段,本文将模糊ＣＧ－平均法与神经网络结合,构造由模糊化层、隶属度生成层、推理层及反模糊化输出层构成的模糊神经网络,实例表明本文所构造的模糊神经网络在使用较少训练样本的条件下仍能取得理想的结果,有助于直接从生产中建立所需的模型。     

单体模糊神经网络的函数逼近能力

研究了单体模糊神经网络的函数逼近能力,由于在ＭＦＮＮｓ中神经元的基本运算由原来的积－和运算改为求极小－极大运算,网络的函数逼近性质发生了很大的改变。给出了单调传递函数的ＭＦＮＮｓ按序单调特性,连续映射定理以及非函数一致逼近定理,从而说明ＭＦＮＮｓ虽然能够保持连续映射,但不如原神经网络具有函数逼近能力。     

提高神经网络泛化能力的研究

从模糊理论的角度出发,提出了一种改进神经网络泛化能力的新方法—“缩放法”。这种方法通过对输入向量的缩放处理,来缩小或模糊化训练样本和新的模式之间的差别,从而使神经网络的泛化能力得以提高。文中提出的新算法—α算法,可以找到合适的缩放因子,进而得到泛化能力更强的新网络。一些实验例证了“缩放法”和α算法的有效性,并从理论上对其进行了初步分析和讨论。     

基于模糊RBF神经网络的函数逼近

提出了一种模糊RBF网络,将模糊逻辑的知识表达以及推理能力和RBF网络的快速学习和泛化能力结合起来,网络结构参数可按实际问题调整,仿真表明网络具有较快的学习速度和较高的函数逼近精度。     

广义模糊神经网络

从非线性系统本身的物理背景出发,根据系统本身的内在特性、先验知识和经验建立系统辨识模型,提出了广义模糊神经网络(GFNN).文中证明了GFNN的函数逼近定理,并据此提出了GFNN的结构自组织和参数自学习算法.GFNN在预设的辨识精度下能自动辨识系统的网络结构以及进行参数自学习,实现GFNN网络结构的真正在线自组织.仿真结果表明,对于慢时变非线性对象,GFNN表现出了很强的非线性逼近能力,是模糊逻辑系统与人工神经网络两类方法的比较成功的融合.     

一种提高神经网络泛化能力的新方法

提出了一种改进神经网络泛化能力的新方法——“缩放法”。这种方法通过对输入向量的缩放处理，来缩小或模糊化训练样本和新的模式之间的差别，从而使神经网络的泛化能力得以提高。文中提出的新算法——α算法，可以找到合适的缩放因子，进而得到泛化能力更强的新网络。一些实验例证了“缩放法”和α算法的有效性，并从理论上对其进行了分析和讨论。实验和分析表明，这种方法简单可靠，对许多神经网络和模式分类问题效果明显。     

基于时-频谱图和小波神经网络的时间序列鲁棒建模方法

借助时-频谱图识别时间序列中异常数据的位置和性质,利用小波神经网络作为拟合工具,同时引入加权误差能量函数,通过适当选择网络结构和参数优化,实现对受污染的时间序列的抗扰最佳逼近.实例表明利用时-频谱图进行异常数据定位准确可靠,采用加权误差能量函数的小波神经网络除具有逼近性能好、具有抑噪特性和收敛速度快的优点外,还能有效地消除异常数据对拟合结果的影响,具有较强的鲁棒性.     

基于模糊神经网络的专家系统及应用

专家系统前景广阔，但其进一步发展必须引入其他先进技术，神经网络和模糊系统是解决知识获和经验性知识的不确定性等传统专家系统的“瓶颈”问题的全新途径。     

基于改进模糊神经网络的软测量建模方法

提出了一种改进的模糊神经网络软测量建模方法，采用规则化的平均输出隶属度函数作为模糊基函数进行反模糊化运算；在训练网络时,部分参数采用Levenberg-Marquardt算法来训练，另一部分采用一阶梯度下降法．最后用该建模方法建立了聚合反应中熔融指数的软测量模型，并与一般的模糊神经网络软测量模型进行比较．结果表明改进的模糊神经网络对初始值的选择不敏感,具有很好的收敛性，同时还能达到指定的预测精度，很适合工程应用．     

基于遗传算法的模糊神经网络股市建模与预测

提出一种基于模糊神经网络的股票市场建模与预测方法，并采用遗传算法训练网络权值及模糊子集的划分，对于上证指数及个股的建模与预测结果表明，该方法具有很强的学习与泛化能力，在处理诸如股票市场上这种具有一定程度不确定性的非互性的建模与预测方面有很发的价值。     

基于Kohonen神经网络的分形图像编码

本文提出利用Kohonen自组织神经网络把母块分类与特征抽取结合起来有助于改善分形编码的时间。因为特征抽取减少了问题的维数并且使网络能够在一幅和实验图像分离的图像上得到训练。自组织网络为分类引入了一个领域拓扑结构，并且不需要事先指定一组适当的图像类。网络按照在训练期间观测的图像特征的分布来组织自己。结果表明，该分类方法可以将编码时间减少两个数量级并保持可观的精度和压缩性能。     

基于组合神经网络模型的函数逼近方法

在通用函数逼近定理基础上,介绍了一种将反向传播神经网络和径向基神经网络模型相接合的组合神经网络模型,并将该模型应用于上海证券指数的预测.仿真实验结果表明,该模型很好地减小了预测值和实际值之间的误差,预测效果也优于普通的反向传播神经网络模型.     

一种基于模糊加权型推理法的模糊神经网络

本文在Ｍａｍｄａｎｉ模糊推理法的基础上,给出了改进的模糊加权型推理法－广义模糊加权型推理法。     

一种基于NFCS形态的模糊神经网络的学习算法

神经网络与模糊逻辑协同系统（NFCS）是神经网络与模型系统深度融合的一种形态，传统的BP算法也可作为NFCS的学习算法，但收敛性能不佳，针对NFCS形态的模糊神经网络提出了BP算法的一种新的改进算法（NFCS－BP），即在误差传播时不仅改变网络的连接权值，同时也改变模糊逻辑神经元模型的补偿参数，首先介绍了NFCS的协同机制和典型结构，然后详细推导了改进算法的迭代公式，实践证明，与传统BP算法相比，该算法具有收敛性能好，函数逼近精度高的优点。     

APPRAISAL OF LIQUEFACTION POTENTIAL USING NEURAL NETWORK AND NEURO FUZZY APPROACH

In this study, standard penetration test dependent bore-log charts of different boreholes were collected for selected locations in order to prepare the datasets. Datasets were applied to the Idriss and Boulanger method to evaluate liquefaction potential. Complete datasets were used for development of neural network and neuro-fuzzy models. Feed forward backpropagation algorithm with a multilayer perceptron network is utilized to analyze the liquefaction occurrence in different locations. To meet the objective, 159 sets of geotechnical data were collected, out of which 133 datasets were used for development of models and 26 datasets were used for validation. Neural network models were trained with six input vectors by optimum numbers of hidden layers, epoch, and suitable transfer functions. Neuro-fuzzy models have been developed using the Takagi–Sugeno–Kang reliant approach. The predicted values of liquefaction potential by artificial neural networks and neuro-fuzzy models were compared with an empirical method (i.e., Idriss and Boulanger method). The compared values of liquefaction potential obtained by neural network and neuro-fuzzy models shows that trained artificial neural network models' prediction capability are better than that of neuro-fuzzy models.