一种基于广义子波基函数选择的智能化神经元集聚模型

针对神经网络中传统神经元模型在结构和信息存储能力上存在的不足,提出了一种基于广义子波基函数网络的神经元集聚模型。在对一类非线性函数的逼近中,与传统的神经元模型相比,新模型不仅收敛速度极快,非线性逼近能力更好,而且还使神经网络具有了内部结构变尺度自适应调整和广义信息存储等智能化特点,更符合生物原型的实际情况。仿真实验验证了新模型方案在此类函数逼近问题中应用的可行性和高效性,从而为智能化神经网络的设计提供了一种新的思路和方法。     

一种具有紧支撑的径向基函数

在局部逼近神经网络的理论研究和实际应用中，基函数的选取是非常重要的.基函数有很多种形式可以选用，但是有一些基函数性质不够完美，使用时受限制.为此，介绍一种基函数，给出了单变量基函数及其一、二阶导数表达式和多变量基函数表达式及其图形，该基函数性质好，是径向对称的，正定性，具有紧支撑，而且是任意阶可导的，因此这种基函数具有重要的应用价值.     

一种基于FPGA的硬件神经网络设计方法

在FPGA硬件神经网络设计中激活函数的实现和数据表示方式是两个难点。本文提出了用非线性函数和21位定点法相结合来实现激活函数的逼近算法,采用源码定点表示法实现数据的硬件表示,明显减少了FPGA的资源占用,降低了激活函数逼近算法的复杂性和实现难度,最后,给出实际FPGA硬件神经网络设计实例并进行了仿真验证。     

智能PID在变频器控制系统中的应用研究

PID控制是风机和水泵变频调速系统控制中应用最广泛的控制方法。但在实际应用中,由于实际系统数学模型的非线性,参数整定未得到很好的解决,使得系统响应慢、精度差低、稳定性差。针对这一问题建立了基于神经网络的智能PID控制系统,利用神经网络可以逼近任意非线性函数的特性,设计一种神经网络自整定PID控制器。仿真结果表明,该控制器具有控制精度高、响应快、运行平稳、节能效果好等特点。     

双重部分函数型回归模型的贝叶斯估计

经典的函数型回归模型一般假设模型误差具有等方差性,而在经济学、社会科学等领域会经常遇到数据具有异方差的情形.因此,针对异方差函数型数据,基于方差建模的思想提出了双重部分函数型回归模型,其中方差参数也用函数型协变量进行建模.另外,运用Karhunen-Loève表示定理来逼近函数型系数的思想,以及应用Gibbs抽样和Metropolis-Hastings算法相结合的混合MCMC算法来同时获得均值模型和方差模型中未知参数和函数型系数的贝叶斯估计.最后,通过模拟研究和实际数据分析表明所提出的贝叶斯估计方法是可行有效的.     

随机径向基函数神经网络的收敛性分析

为了探究随机径向基函数神经网络的函数逼近能力,运用随机权重前馈神经网络收敛性分析的方法对其进行收敛性分析。首先利用广义δ函数的性质构建一个被近似函数的极限积分表达式;其次用蒙特卡罗方法计算这个表达式中的积分,证明随机径向基函数神经网络可以逼近任意连续函数。同时,从理论上分析了随机径向基函数神经网络的收敛特性,发现其收敛误差随着隐藏层神经元节点的增加而逐渐减少,表明其是一个高效的函数逼近器,并且具有处理大数据问题的潜力。     

基于类高斯隶属函数的模糊万能逼近器性能分析

为了验证由三角形和高斯型隶属函数构造的逼近器均能以任意精度逼近非线性连续系统,引入了一种基于类高斯隶属函数的模糊逼近器设计方法,借助参数可调性来构造隶属函数的“泛模型”,从而实现三角形到高斯型两类隶属函数的切换.由类高斯隶属函数、单值模糊器、乘积型推理和中心平均解模糊器构成模糊逼近系统,并由万能逼近定理指出逼近精度及模糊子集数目的确定方法.与神经网络、决策树和小波级数等非线性万能逼近器相比,模糊系统具有可解释性强和可利用语言信息的独特优势.分别以一维和二维非线性系统为例进行模糊逼近设计与分析,逼近效果体现了不同的控制特性,证明了类高斯函数用于模糊隶属函数表示的合理性和有效性.     

基于S型隶属函数的FALCON神经网络及其应用

作为一种由基本模糊逻辑和神经网络结构结合而成的网络模型,FALCON神经网络兼具模糊逻辑控制和神经网络的学习能力.传统FALCON神经网络使用高斯函数作为隶属函数,具有良好的逼近和收敛能力,但使得网络拓扑结构和学习算法相对复杂.使用较为简单的S型函数作为FALCON神经网络的隶属函数,相应修改网络的拓扑结构,推导网络的学习算法,通过与原型网络相比较,证明改型网络简化了网络算法,且网络性能没有很大降低.最后,将改型网络应用于铝电解槽阳极效应预报,通过实际应用验证了改型网络的有效性和实用价值.     

基于径向基神经网络的螺杆泵转速设定方法

为了研究受多种因素影响的螺杆泵转速控制系统,提出一种基于径向基神经网络的螺杆泵转速设定方法.利用径向基函数(RBF)神经网络对螺杆泵转速进行分析及预测,通过对螺杆泵的历史数据分析处理,得到螺杆泵转速的时间序列.将时间序列视为一个从输入到输出的非线性映射,并引入RBF神经网络来进行非线性映射的逼近.通过对网络进行学习与训练仿真实验,并与BP神经网络预测结果对比,表明应用RBF神经网络对螺杆泵转速进行短期预测精度更高、效果更好.该神经网络结构简单,非线性逼近能力强,通过对非样本点数据的实验验证,证明了该系统的可行性,具有一定的实用价值.     

神经模糊理论在模糊建模中的应用

在模糊建模的辨识算法研究中,大多采用的是模糊系统,但因其缺乏自学习和自适应能力,要研究和建立精度较高的模糊模型比较困难,而神经网络可直接从样本中进行有效的学习,并优化模糊系统的性能.为此,将给定的系统数据应用聚类的方法,从大量的数据中抽取固定特征,应用神经模糊理论辨识系统,研究表明:建立的模糊模型可较好的逼近实际系统.