基于神经网络的双基地雷达脉冲压缩方法

本文在二相码连续波（CW）双基地雷达的数字脉冲压缩原理的基础上，研究了径向基函数（RBF）网络在脉冲压缩中的应用，采用长度为15位的最佳二进制序列进行仿真，结果表明使用训练的径向基函数网络能大大提高输出信号的主旁瓣比，比相关处理法有更强的自相关性能（即最小峰值副瓣），从而获得更好的压缩效果。     

具有多重分支的通用学习网络结构优化分析

本文介绍了一种新型的神经网络－通用学习网络（Universal Learning Networks-ULNs)这种网络具有如下特点：（1）节点之间有多重分支，（2）所有节点互连，（3）节点之间可具有任意的时间延迟。本文通过学习网络对机器人手臂的实测信号进行系统辨识，通过系统仿真验证了具有多重分支的通用学习网络要优于单分支的神经网络。     

温度限制串联相关网络-红外光谱法用于中药大黄样品的鉴定分类

将温度限制串联相关网络与红外光谱分析技术相结合,对大黄样品的真伪进行分类。采用小波变换对原始数据进行压缩,将原来的775个数据点压缩到49个数据点,既提高了网络的训练速度又保持了原来的特征谱峰。对45种样品进行了测定和鉴别,正确率可以达到84．4％。对影响分类结果的网络参数,进行了讨论。红外光谱法作为中药鉴别的一种方法与神经网络相结合,使中药鉴别更加快速、方便。     

自适应RBF-LBF串联神经网络结构与参数优化方法

研究了前向单层径基函数(RBF)网络和前向单层线性基本函数(LBF)网络的分类机理，提出了RBF的中心和宽度应通过学习自动确定，在学习过程中根据错分样本被错分入的类别自动生成新的核函数这一观点．如果两个或两个以上核函数属于同一类，在输入空间相距较近且未被其它类别的样本分隔开来的情况下，则应考虑将之合并，或者使它们的作用区域部分重叠．从理论上阐明了采用Sigmoid活化函数的单层感知器的分类阈值为0．5，进而提出了由单层RBF网络和单层感知器组成的串联RBF—LBF神经网络．文中详细给出了确定该串联RBF—LBF神经网络结构、核函数个数、位置与宽度的优化算法．一般来说，该算法的计算复杂性比前向单隐层感知器采用的误差反传算法要小或至少相当．对几个经典的模式分类难题的处理结果表明，与一般RBF网络和前向单隐层感知器网络相比，该串联RBF—LBF网络及其自适应学习算法具有收敛速度快，分类精度高，易于得到最小结构，在学习过程中不易陷入局部极小点等优点，有利于实现实时分析．实验结果同时也验证了单层LBF网络对提高RBF—LBF网络分类正确率的重要性．     

带优选聚类算法的 RBF 网络辨识器及应用

以RBF神经网络为模型框架，解决非线性系统的辨识问题。针对RBF网络的结构辨识问题，提出一种优选聚类算法，并用该算法，依据输入样本优选确定RBF神经网络的隐含层节点个数，采用新型二阶递推学习算法估计RBF网络中的参数和权值。上述混合算法，同时解决了RBF网络结构和参数辨识问题，大大提高了RBF网络的建模和预测精度。应用实例表明了所提出方案的有效性。     

基于动态自适应RBF网络的元音识别研究

鉴于BP网络训练时间过长，且易于陷入局部最优解，本文采用RBF网络来实现元音字母的语音识别。RBF网络的构造通过一种动态自适应聚类算法来完成，使得RBF网络具有在线学习能力。示例计算结果表明，这种RBF网络具有比BP网络和贝叶斯分类器更好的分类精度。     

层压缩树包分类算法研究

包分类技术是下一代网络设备的关键技术之一．研究有效的包分类算法是目前网络技术领域的热门课题．层压缩树包分类算法的基本思想是：对路径压缩之后的二叉树进行层压缩，使压缩树中的节点能够按序存储在数组中．通过对数组元素跳跃式的查找快速的对包头进行分类．仿真试验结果表明该算法在较大规则数下能够实现对包头的快速分类，分类速度可以达到每秒处理接近2M个包头，具有O（d）的时间复杂度（d为域的个数）；在中等规模规则数下具有O（dN）的空间复杂度，并且其存储量优于其他算法（如Bitmap和区域分割包分类算法）．由于层压缩树算法对包头的每个域独立查找，在硬件实现上采用并行查找各个域的处理方式将使该算法的查找性能得到更大的提高．     

带白色观测噪声的ARMA模型参数的无偏估计

本文研究了如何利用受白色噪声污染的观测数据辨识ＡＲＭＡ（ｐ，ｑ）模型参数数据的问题，提出了一种递推辅助变量法．利用这种方法首先辨识出ＡＲ（ｐ）部分的参数及观测噪声的方差，然后根据所得的估计利用常用的Ｎｅｗｔｏｎ－Ｒａｐｈｓｏｎ方法确定ＭＡ（ｑ）部分的参数。     

一类基于RBF神经网络的动态系统在线自适应辨识方法

研究了基于神经网络的动态系统在线自适应辨识模型的基本结构,依据RBF（R adial Basis Function）网络线性输出的特点,给出了辨识模型参数的在线自适应校正的方 法,并进行了仿真实验,结果表明,该辨识模型校正方法具有一般性和实用性．     

基于动态神经网络的自整定PID控制策略

提出了在采用最近邻聚类算法在线构造RBF（NN1）正向辨识器,并在线辨识被控对象的Jacobian阵的基础上,引入RBF（NN2）对PID控制器参数进行在线调整的算法。该算法可以实现PID控制参数的自动在线整定和优化。通过和BP网络调整控制器参数的方法的对比和仿真实验证明,该方法控制精度高、响应速度快,并且具备较强的自适应性和鲁棒性。