二进前向多层神经网络实现的研究

文章提出一种硬件实现二进前向多层神经网络及其硬限幅函数的方法。所设计的神经元电路的权值和阈值均为片内存储的整数，可取负值，也可学习，当输入模式要求更大的维数时可以扩展。仿真结果符合要求。     

前向多层神经网络的隐节点修剪算法

对硬件实现的神经网络而言，网络隐节点个数是一个十分重要的性能指标，它主要由神经网络的隐节点数和隐层数所决定，过分增加隐节点数和隐层数并不能明显地改善神经网络的性能，却使硬件结构的复杂性急剧增加，本文从国内外前向多层人工神经网络大量应用实例中总结归纳了一个确定隐节点数的经验公式，提出了一种判断隐点数是否多余的新方法，使用实例证明了我们提出了的经验公式和判断方法。     

一种模糊自适应BP算法的研究

本文在人工神经网络中引入模糊集理论，提出一种模糊自适应ＢＰ算法。通过奇偶校验和ＥＥＧ异常波形检测两上实例，验证了新算法在学习速度与性能上都优于传统的ＢＰ和虎法。     

基于改进的模糊神经网络自适应控制

为了提高模糊神经网络的运行效率,针对一类离散时间非线性系统,提出了一种优化的模糊神经网络(fuzzy neural network,FNN)自适应控制方法.采用动量梯度下降算法改进模糊神经网络,设计模糊神经网络的参数调整迭代过程,在代价函数中加入正则项,实现参数的更新,提高网络收敛速度以及泛化能力,设计自适应动态控制方...     

神经网络和自适应模糊神经网两种算法在曲面重构中的比较

分析了应用于三维曲面重构中的神经网络和自适应模糊神经网络两种算法,并结合具体的应用例子对两种算法在物体三维模型重建及曲面再现中的优劣进行了比较.试验结果表明,在相同的网络模型训练时间及模型充分收敛的前提下,自适应模糊神经网(ANFIS)算法比神经网络(ANN)算法具有更快的收敛速度和更高的重构精度,而且ANFIS更适合对表面复杂的三维物体进行模型重构和曲面再现.     

模糊信息处理与模糊神经网络

模糊神经网络结合模糊逻辑具有较强的结构性知识表达能力（即描述系统定性知识的能力）,神经网络具有强大的自学习与定量数据的直接处理能力,从而具有一定的处理定性与定量知识的技术和方法。     

高速话带数据传输中的自适应均衡算法

高速数据传输中信道均衡算法大致分为三类,即基于ＬＭＳ准则,ＬＳ准则和人工神经网络的自适应算法,本文研究了这三类算法,并对部分算法作了改进,以加快收敛速度,减小稳态失调,文中的算法均用２８．８Ｋ Ｍｏｄｅｍ芯片设计的仿真系统产生的数据进行了性能测试。并给出了仿真曲线及实验结果。     

自适应模糊神经网络在污水处理中的应用

设计了基于神经网络的自适应模糊控制器，利用他对城市污水处理过程中的污泥龄进行控制。该自适应模糊神经网络能从一组操作数据中提取模糊控制规则，改善了污水处理中污泥龄的控制，从而提高了污水厂出水水质。     

模糊神经网络在客户信用评级中的应用研究

应用模糊理论的解释能力及神经网络自组织、自学习、自适应等的优点组建模糊神经网络模型，用于商业银行企业客户的信用风险评级，在组织网络时采用结构替代型神经网络，很好地将模糊系统与神经网络融合到一起，并产生模糊规则，训练结果表明系统误差小。     

一种递归模糊神经网络自适应控制方法

构造了一种递归模糊神经网络(RFNN),该RFNN利用递归神经网络实现模糊推理,并通过在网络的第一层添加了反馈连接,使网络具有了动态信息处理能力.基于所设计的RFNN,提出了一种自适应控制方案,在该控制方案中,采用了两个RFNN分别用于对被控对象进行辨识和控制.将所提出的自适应控制方案应用于交流伺服系统,并给出了仿真实验结果,验证了所提方法的有效性.     

一种优化前馈神经网络算法

神经网络由于其非线性处理能力强，性能稳定等特点得到了广泛应用和研究。主要应用于模式识别、信号处理、知识工程、专家系统、优化组合、机器人控制等。神经网络中使用最为广泛的就是前馈神经网络。其网络权值学习算法中影响最大的就是误差反向传播算法（back—propagation简称BP算法）。BP算法存在局部极小点，收敛速度慢等缺点。基于优化理论的Levenberg-Marquardt算法忽略了二阶项。该文讨论当误差不为零或者不为线性函数即二阶项S（W）不能忽略时的Hesse矩阵的近似计算，进而训练网络。     

A CAD Approach Based on Artificial Neural Networks for Shielded Multilayered Coplanar Waveguides

In this paper a computer-aided design (CAD) approach based on artificial neural networks (ANNs) was successfully introduced to determine the characteristic parameters of shielded multilayered coplanar waveguides (SMCPWs). ANNs are trained with four learning algorithms to obtain better performance and faster convergence with simpler structure. The best results for training and test were obtained from the models trained with Bayesian regularization and Levenberg-Marquardt algorithms. The neural model results are in very good agreement with the results available in the literature for SMCPWs and three other different shielded CPW structures. One can calculate the quasi-static parameters of these four different shielded CPW configurations using only one neural model proposed in this work, easily, simply and accurately.     

人工神经网络模型的对比分析及应用研究

20世纪80年代以来，人工神经网络技术在理论和应用研究方面有了快速的发展，并在众多科学领域取得了大量的应用研究成果。本文对近年来受到普遍重视的人工神经网络的典型模型的性质和学习算法等方面的研究做了较为详尽地叙述，并分析了各主要模型的应用及针对其缺点进行优化的问题。     

基于头脑风暴优化算法的BP神经网络模糊图像复原

该文提出一种基于头脑风暴智能优化算法的BP神经网络模糊图像复原方法(OBSO-BP)。该方法在聚类和变异两方面优化了头脑风暴智能算法,利用头脑风暴优化算法易于解决多峰高维函数问题的特点,自动搜寻BP神经网络更佳的初始权值和阈值,以减少BP网络对其初始权值和阈值的敏感性,避免网络陷入局部最优解,增加网络的收敛速度,减小网络误差,提高图像还原质量。该文采用20张不同的图像,对其模糊图像分别进行维纳滤波复原(Wiener)、基于头脑风暴算法的维纳滤波复原(Wiener-BSO)、BP神经网络复原以及基于头脑风暴算法的BP神经网络(BSO-BP)图像复原实验。实验结果表明,该方法能够取得更好的图像复原效果。     

一种自适应的小波神经网络

本文受感知域划分思想的启发，将小波的多分辨分析与BP网结构相结合，构造了一种新的小波神经网络．该小波神经网络利用多分辨分析生成小波树，小波树的生长与网络的训练相结合，自适应地生成隐层结点，并且删除分类不佳的结点．以声纳信号进行了实验，结果表明：该网络充分发挥了小波的特点，将模式识别的特征抽取与分类器设计融为一体．     

多层前馈神经网络快速学习算法的实现

本文评述优化学习率BP(Back Propagation)算法,给出应用研究中几种常用网络结构的优化学习率的计算公式,讨论与算法实现相关的一些问题.模拟实验结果进一步揭示算法的快速性质.     

BP神经网络预测算法性能的改进策略

预测可以为系统的正常运行提供良好的保障.依据BP神经网络预测算法的特性及电信网络的特点,提出了通过加入周期算法、数据整体上移或下移的预处理来提高预测性能的策略.并对此两种改进策略进行了试验论证.     

模糊神经网络的交叉研究

介绍模糊神经网络交叉的基础与途径，从基于神经网络的模糊逻辑系统和用模糊逻辑增强的的神经网络两个方面介绍了模糊神经网络交叉研究的具体实现，最后指出模糊神经网络交叉的未来方向。     

智能控制的模糊神经网络技术的研究现状与前景展望

本文从模糊系统与神经网络作为逢应用模型无关估计器时智能特性的研究、模糊控制器的神经网络实现技术及神经网络学习的模糊视网络技术等方面，详细地介绍了目前关于智能控制的模糊神经网络技术的研究现状，同时亦融入了作者关于此课题的一些思想，并对模糊神经网络的研究趋势进行了简单预测。     

蝙蝠算法优化神经网络的无线传感器网络数据融合

为了降低无线传感器网络数据间的冗余性,提高数据传输量和降低通信能耗,提出一种蝙蝠算法优化神经网络算法的数据融合策略.首先每个簇首节点接收该区域的各传感器节点检测到的数据,然后采用蝙蝠算法优化BP神经网络进行数据融合,最后采用仿真实验对其性能进行测试.仿真结果表明,本文算法节省了感知节点的能量消耗,延长了无线传感器网络的生命周期时间,提高数据融合的精度.