前向代数神经网络的函数逼近理论及学习算法

文中对ＭＰ神经元模型进行了推广,定义了多项代数神经元、多项式代数神经网络,将多项式代数融入代数神经网络,分析了前向多项式代数神经网络函数逼近能力及理论依据,设计出了一类双输入单输出的前向４层多层式代数神经网络模型,由该模型构成的网络能够逼近于给定的二元多项式到预定的精度。给出了在Ｐ－ａｄｉｃ意义下的多项式代数神经网络函数逼近整体学习算法,在学习的过程中,不存在局部极小,通过实例表明,该算法有效,最     

基于代数神经网络的不确定数据知识获取方法

定义了代数神经元、代数神经网络,讨论了不确定数据知识获取的数学机理,设计出一类单输入,单输出的三层前向网络来获取知识的代数神经网络模型,给出一种基于代数神经网络知识获取的方法,通过该网络的学习,能确定任意一组给定数据的目标函数的逼近式。     

有理式二阶前馈型神经网络

文章提出了二阶有理式多层前馈神经网络的数学模型。有理式多层神经网络的思想来源于函数逼近理论中的有理式逼近。有理式前馈神经网络模型是传统前俯神经网络模型的推广，能有效地求解函数逼近问题。文章给出了有理式多层神经网络的学习算法，即误差反传播学习算法。就计算复杂度而言，有理式神经网络的学习算法与传统的多层神经网络反传播算法是同阶的。文章还给出了函数逼近和模式识别两个应用实例，实验结果说明二阶有理式多层神经网络在解决传统的问题上是有效的。     

一种模糊CMAC神经网络

提出了一种模糊CMAC(小脑模型关节控制器)神经网络,它由输入层、模糊化层、模糊相 联层、模糊后相联层与输出层等5层节点组成,具有与CMAC相似的单层连接权,可通过BP 算法学习推论参数或模糊规则.给出了网络的连接结构与学习算法,并将其应用于函数逼近 问题中仿真结果验证了该方法较之CMAC的优越性.     

多元多项式函数的三层前向神经网络逼近方法

该文首先用构造性方法证明:对任意r阶多元多项式,存在确定权值和确定隐元个数的三层前向神经网络.它能以任意精度逼近该多项式.其中权值由所给多元多项式的系数和激活函数确定,而隐元个数由r与输入变量维数确定.作者给出算法和算例,说明基于文中所构造的神经网络可非常高效地逼近多元多项式函数.具体化到一元多项式的情形,文中结果比曹飞龙等所提出的网络和算法更为简单、高效;所获结果对前向神经网络逼近多元多项式函数类的网络构造以及逼近等具有重要的理论与应用意义,为神经网络逼近任意函数的网络构造的理论与方法提供了一条途径.     

基于代数神经网络的多元多项式近似因式分解模型及学习算法

文中从首一无平方多项式Ｆ（ｘ,ｙ）有根ｘ＝ψｉ（ｙ）＝（ｉ＝１,２,…ｄｅｇｘ（Ｆ））,其中ψｉ（ｙ）＝Ｃｉ,０＋Ｃｉ,１ｙ＋Ｃｉ,２ｙ＾２＋…,入手,设计了一类二元多项式求根及近似因式分解的神经网络模型,它们分别是双输入单输出４层前向网络与单输入多输出３层前向给出了神经网络学习算法,这种学习算法在ｐ－ａｄｉｃ意义下,通过选定隐层与输出层的待求权值Ｃｉｊ,完成学习,可确定出其不可约因式个数ｒ,通过     

Fourier三角基神经元网络的权值直接确定法

根据Fourier变换理论,本文构造出一类基于三角正交基的前向神经网络模型。该模型由输入层、隐层、输出层构成,其输入层和输出层采用线性激励函数,以一组三角正交基为其隐层神经元的激励函数。依据误差回传算法(即BP算法),推导了权值修正的迭代公式。针对BP迭代法收敛速度慢、逼近目标函数精度较低的缺点,进一步提出基于伪逆的权值直接确定法,该方法避免了权值反复迭代的冗长过程。仿真和预测结果表明,该方法比传统的BP迭代法具有更快的计算速度和更高的仿真与测试精度。     

一种量子衍生神经网络模型

为提高神经网络的逼近能力,通过在普通BP网络中引入量子旋转门,提出了一种新颖的量子衍生神经网络模型. 该模型隐层由量子神经元组成,每个量子神经元携带一组量子旋转门,用于更新隐层的量子权值,输入层和输出层均为普通神经元. 基于误差反传播算法设计了该模型的学习算法. 模式识别和函数逼近的实验结果验证了提出模型及算法的有效性.     

基于序列输入的神经网络模型算法及应用

为提高神经网络的逼近能力,提出一种基于序列输入的神经网络模型及算法。模型隐层为序列神经元,输出层为普通神经元。输入为多维离散序列,输出为普通实值向量。先将各维离散输入序列值按序逐点加权映射,再将这些映射结果加权聚合之后映射为隐层序列神经元的输出,最后计算网络输出。采用Levenberg-Marquardt算法设计了该模型学习算法。仿真结果表明,当输入节点和序列长度比较接近时,模型的逼近能力明显优于普通神经网络。     

基于序列输入的量子神经网络模型及算法

为提高神经网络的逼近能力,提出一种各维输入为离散序列的量子神经网络模型及算法.该模型为3层结构,隐层为量子神经元,输出层为普通神经元.量子神经元由量子旋转门和多位受控非门组成,利用多位受控非门中目标量子位的输出向输入端的反馈,实现对输入序列的整体记忆,利用受控非门输出中多位量子比特的纠缠获得量子神经元的输出.基于量子计算理论设计该模型的学习算法.该模型可从宽度和深度两方面获取输入序列的特征.仿真结果表明,当输入节点数和序列长度满足一定关系时,该模型明显优于普通神经网络.     

基于最小二乘法的SIMO傅里叶神经网络研究

利用傅里叶级数的原理，构造单输入、多输出(SIMO)傅里叶神经网络，将非线性映射转化成为线性映射，将求解神经网络权值的方法由非线性优化方法转化成为线性优化方法，并采用最小二乘法计算网络的权值，从而大大提高了神经网络的收敛速度并避免了局部极小问题.而且，在训练输出样本受白噪声影响时，最小二乘法具有良好的降低噪声影响的功能．     

带有输出约束条件的随机多智能体系统容错控制

在有向通讯拓扑图下,针对一类具有输出约束和执行器偏差增益故障的非严格反馈随机多智能体系统,提出一种自适应神经网络容错控制设计方案.采用神经网络逼近未知非线性函数,构造障碍李雅普诺夫函数处理系统的输出约束问题,以反步法和动态面技术为框架,结合Nussbaum函数设计自适应神经网络容错控制方法.基于李雅普诺夫稳定性理论,证明所有跟随者输出与领导者输出达到一致,闭环系统的所有信号依概率半全局一致最终有界且系统输出限制在给定紧集内.论文最后通过仿真实验验证所给出控制方案的有效性.     

基于神经网络的周期扰动非线性系统自适应渐近跟踪控制

针对一类具有周期扰动和输入时滞的不确定非线性系统,提出一种基于神经网络的自适应动态面控制方案.将径向基函数神经网络和傅里叶级数展开结合,构造一种混合函数逼近器来逼近系统中未知的周期扰动函数.通过引入一个积分项解决输入时滞问题,同时采用带有非线性滤波器的动态面控制方法,避免自适应反推控制方法中普遍存在的复杂性爆炸问题.所...     

遗传算法自适应模糊神经网络控制

神经网络能够以任意精度逼近任意复杂的非线性关系,具有高度的自适应和自组织性,在解决高度非线性和严重不确定系统的控制方面具有巨大的潜力.但一般神经网络训练算法如BP算法训练速度慢,受初值影响大且易陷入局部极小点,该文提出了一种基于模糊神经网络的间接自校正控制系统,控制器以高斯隶属度函数的径向基函数（RBF）神经网络结构,利用改进的遗传算法（GA）对结构和参数进行同步优化,改进适应度函数指导搜索过程,在保证稳定情况下大大加快了收敛的速度.神经网络正向模型（NNP）利用弹性BP算法进行离线辨识,使得到的模型泛化性能好.     

利用人工神经网络实现函数逼近

神经网络可以被用来计算复杂的输入与输出结果集之间的关系 ,因此神经网络具有强大的函数逼近功能。该文利用Cybenko理论论述了用一种单隐层的前馈神经网络模型在一定条件下可以逼近任何定义在C( [0 ,1] n)上的函数的问题 ,并给出了一个对一维非线性函数的仿真实例 ,取得了良好的效果。     

径向基函数网络在数值计算中的应用

由经典的函数逼近理论衍生的很多数值算法有共同的缺点：计算量大、适应性差、对模型和数据要求高,在实际应用中受到限制。神经网络可以被用来计算复杂输入与输出结果之间的关系,故神经网络具有很强的函数逼近功能。该文给出了径向基函数网络（RBFNN）的结构及学习过程,重点阐述了RBFNN在函数逼近、求解非线性方程组以及散乱数据插值中的应用,结合MATLAB神经网络工具箱给出了数值实例,并与BP网络进行了比较。应用结果表明RBFNN是数值计算的一个有力工具,与传统方法比较具有编程简单、实用的特点,在工程和科学研究上若将其制成软件包则具有很好的使用价值。