多层前馈神经网络的面向对象的程序设计框架

提出多层前馈神经网络的一种面向对象的程序设计框架，其中包括表示前馈神经网络中的神经元、权值的数据成员，以及完成网络的构造、初始化、学习和输出值计算等功能的成员方法，并用支持面向对象的程序设计语言Java实现了这一框架。模式分类和函数近似等问题的解决说明了这一前馈神经网络的面向对象的程序设计框架的有效性。     

一种机器人的神经网络控制器

提出一种用前馈多层神经网络实现的控制器,此控制器通过学习系统的逆动力学特性,能直接由系统反馈回的输入、输出信息及未来的期望输出,“联想”到相应的应加在系统输入端的控制量．仿真及实时控制的实验结果均证实此控制器所具有的理想的控制效果和实用价值．     

多层前馈神经网络的隐单元与样本记忆的关系

给出了三层前馈神经网络模型中最佳平方逼近输出量与输出误差的数学表示,并讨论了网络实际输出,期望输出和输出误差之间的关系以及隐层单元在这种关系中的作用,同时对样本记忆所需要的隐层单元数目的上限等问题进行了相关的分析与讨论。     

平移不变模式变换与神经网络

提出了一种适于模式识别的复合网络,它由三个子网:异联想记忆网、二维局域连接神经网、分类网级联而成,其输入为模式的二维自相关系数,输出为预定的编码。这种神经网络与平移不变模式变换相结合,可以有效的进行平移不变模式识别,而且有很好的容错性和抗噪声能力。     

一种局域连接前向人工神经网络结构的研究

双隐层标准前馈网络只要其隐层节点数足够多就能解决任何形式的分类问题。应用标准网络识别多模式类分类问题时存在以下缺陷；１．对不同模式类均使用相同数目的隐层元；２．增加新模式类后，网络要重新学习．３．网络识别的机理研究困难。笔者提出了一种局域连接前馈神经网络的结构，其隐层神经元与输出神经元裥的局域连接，学习算法与ＢＰ算法。     

采用前馈神经网络控制的变速泵压力控制仿真研究

针对变速泵压力控制系统存在响应速度慢、输出误差大等问题,创建了液压缸变速泵压力驱动模型简图,推导了压力变化方程式。使用3层BP神经网络算法,设计出前馈神经网络控制方法。利用3层BP神经网络的逼近特性,使控制系统快速收敛到稳定状态。通过仿真验证变速泵压力控制输出效果,结果表明,采用前馈神经网络控制方法,系统达到稳定状态时,响应时间为0.2 s,超调量为5%,稳态误差较小,控制输出效果明显优于PID。     

前馈神经网络模式分类器的推广能力

研究了前馈神经网络模式分类器的推广能力．从几何和概率两个方面分析了前馈网络用于模式识别的分类机理，在前人证明的基于误差最小的有导师（１和０）前馈网络输出端输出为模式样本后验概率估计结论的基础上，给出了径向基函数网络推广的核函数定理；对于两层感知器网络，提出使用加性噪声的样本来增加网络的推广能力．最后使用实测的五种飞机目标一维距离（纵向）象实验数据进行了模拟实验．     

多粒度多对多联想记忆的一种实现模型

现有的多模块多对多联想记忆模型结构复杂,不能够实现多粒度联想。在一对多联想模型基础上,加入项编码逻辑运算网络和粒度控制网络,提出了一种基于模式关联的多模块多对多联想记忆神经网络模型。实例表明,该模型可以实现模式的多对多联想记忆,且能够对输出模式进行粒度控制。从而实现了多粒度多对多联想记忆。     

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 .     

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.