径向—线性基本函数串联神经网络模式分类法与应用

本文提出了由两层径基函数网络和两层线性基本函数网络组成的串联神经网络快速模式分类方法。两个应用实例表明，这种新方法收敛速度快，分类精度高，优于前向３层径基函数神经网络和线性基本函数神经网络模式分类方法     

基于聚类的RBF-LBF串联神经网络学习算法

为提高网络的泛化能力,研究了单层RBF神经网络和LBF网络组成的RBF-LBF串联神经网络,并提出了一种基于模式聚类的RBF-LBF串联神经网络的学习算法。该算法分别对单层RBF网络和LBF网络的输入进行模式聚类,以确定网络的初始结构,然后通过调整错分样本的类别,使之部分重叠或合并核函数。经双螺旋线问题仿真实验证明,该算法确具有很好的泛化能力且只需较短的训练时间。     

有教师的线性基本函数前向三层神经网络结构研究

优化选择隐节点数是人们在应用基于误差反传算法的有教师的线性基本函数前向三层神经网络过程中首先遇到的一个十分重要而又困难的问题。本文从国内外大量应用裕列中陪结归纳出了一个初定这种网络隐节点数的经验公式，提出了一种判断所选隐节点数是否多余的具体方法，并从理论上做了详细的推导。     

基于模糊聚类分析的模糊神经网络结构的优化

该文讨论了模糊聚类分析在模糊神经网络结构的确定中的应用。通过将模糊C－均值算法、有效性函数和模糊指数相结合,给出了模糊神经网络结构确定的方法,并且给出了应用该算法具体的模糊神经网络模型。     

RBF-LBF串联神经网络的分类应用及其学习算法

提出了RBF—LBF串联网络结构、核函数个数、位置与宽度优化算法。提出了网络中核函数的分裂合并规则,在学习过程中将样本的类别信息作为指导信息,根据样本分布情况自动确定核函数个数、中心和宽度。实验表明,本方法具有分类精度高、不易陷入局部最小点的优点。     

自适应前馈神经网络结构优化设计

针对多数前馈神经网络结构设计算法采取贪婪搜索策略而易陷入局部最优结构的问题,提出一种自适应前馈神经网络结构设计算法.该算法在网络训练过程中采取自适应寻优策略合并和分裂隐节点,达到设计最优神经网络结构的目的.在合并操作中,以互信息为准则对输出线性相关的隐节点进行合并;在分裂操作中,引入变异系数,有助于跳出局部最优网络结构.算法将合并和分裂操作之后的权值调整与网络对样本的学习过程结合,减少了网络对样本的学习次数,提高了网络的学习速度,增强了网络的泛化性能.非线性函数逼近结果表明,所提算法能得到更小的检测误差,最终网络结构紧凑.     

新型广义径向基函数神经网络结构研究

提出了一种新型的广义径向基函数(RBF)神经网络,并研究了该网络的学习方法.不同于传统三层结构的RBF网络,广义RBF网络增加了基函数输出加权层,并在输出层采用超曲面去逼近任意的非线性曲面.实例仿真结果表明,与传统的RBF网络相比,该网络具有良好的逼近性能,收敛速度快,可逼近任意多变量非线性函数.     

自适应神经模糊推理系统的参数优化方法

自适应神经模糊推理系统(ANFIS)将模糊推理系统(FIS)中的模糊逻辑规则及隶属度函数参数通过神经网络的自学习来整定,自动产生模糊规则和调整隶属度函数,解决了模糊控制系统中模糊推理规则主要根据专家经验设计、缺乏自学习能力、控制精度不高等问题.而在建立一个初始系统进行训练时,其训练次数、隶属度函数的数目及类型都是待定的,这三个参数的选择直接影响系统训练后的效果,其确定方法值得研究.本文应用自适应神经模糊推理系统对一个典型系统进行建模仿真,并提出三个参数的寻优方法.     

BP神经网络结构参数的计算机自动确定

研究表明,由多层FNN的BP算法误差函数构成的非线性方程组的独立方程个数和FNN的待求未知变量的个数应该相等,该方程组才能有唯一组解。由此导出网络结构方程式,进而导出隐层层数判别式和每层神经元个数判别式。依据Kolmogorov定理,由该判别式得出求解FNN隐层层数和每个隐层神经元个数的具体算法。计算机仿真结果表明该方法简明实用。     

一种RBF网络结构优化方法

通过对ＲＢＦ网络结构的分析，结合奇异值分解方法，提出了一种ＲＢＦ网络结构优化的标准，并在此基础上实现ＲＢＦ网络结构的优化。     

无线传感器网络的系统化自适应建模

无线传感器网络的系统能耗制约着全网络的综合应用能力,其中节点有限的能量从根本上影响着传感器网络效能。针对无线传感器网络的全局能耗问题,提出了基于径向基函数神经网络以及状态空间表达的系统化建模方法。考虑到无线传感器网络的拓扑结构与分级关系, 采用径向基函数神经网络自适应实时规划系统。鉴于各传感器节点对数据的不同处理方式与能耗密切相关, 对全系统能耗建立系统化矩阵模型。仿真分析表明该模型可根据实际应用背景调整设置完成全局优化。     

神经网络信息融合方法在分布式捷联基准中的应用

针对舰船所处的恶劣环境,以及舰船导航和武器系统对精度的要求越来越高和分布式指控系统的发展,提出了由安装在舰船甲板上有限个捷联基准、舰载平台罗经和利用测量结果推算出的甲板挠曲姿态信息构成分布式捷联基准系统(简称分布式基准)。然后基于径向基函数神经网络的信息融合技术建立全舰统一姿态基准系统。最后通过对简化的甲板模型的实验,证明了这种方法可行并具有较高的精度。     

基于RBF神经网络的电机故障诊断的研究

在对国内外感应电动机故障诊断技术发展与研究的基础上,提出了从定子电流人手,利用径向基（RBF）神经网络算法来监测感应电动机工作状态,从而实现对电动机较为常见的电气故障和机械故障的综合检测。Matlab仿真结果表明RBF算法有效地实现了对电机故障诊断的研究。     

前向神经网络设计问题的回顾与探索

本文评述了近十几年来国内外对前向神经网络设计问题的研究情况，在分析各种已有设计方法优缺点的基础上，提出另一种新的解决前向神经网络设计问题的方法，并给出几个非常典型的设计（模拟）例子，以说明本文所提出方法的有效性和潜力。     

Combining RBF Networks Trained by Different Clustering Techniques

Clustering techniques have a strong influence on the performance achieved by Radial Basis Function (RBF) networks. This article compares the performance achieved by RBF networks using seven different clustering techniques. For such, different sizes of RBF networks are trained and tested using an Automatic Target Recognition data set. The performances of these RBF networks using each clustering technique are compared and analyzed. This article also evaluates how the performance can be improved by combining RBF networks, training with different clustering techniques, in committees.     

基于级联神经网络的蛋白质二级结构预测

为提高蛋白质二级结构预测的精度,提出一种由两层网络构成的级联神经网络模型。第1层网络采用具有差异度的5个子网构成的网络模型,对第2层网络的输入编码进行改进。对PDBSelect25中的36条蛋白质共6 122个残基进行测试,结果表明,该模型能有效预测蛋白质二级结构,其预测精度分别比SNN, DSC, PREDSATOR方法提高5.31%, 1.21%和0.92%,平均预测精度提高到69.61%。     

基于神经网络的非线性观测器及在线故障检测

提出一种基于径向基函数神经网络的非线性观测器的设计方法，并将其应用于复杂非线性系统的故障检测与隔离。该方法将神经网络离线学习与在线学习相结合，获取系统输入输出的非线性动力学特性，进而实时计算出残差并进行逻辑判决，可显著提高故障检测的快速性、鲁棒性及准确率。最后，针对非线性同步交流电机的结构损伤故障进行了仿真，结果表明本文所提方法的有效性。     

复交替投影神经网络

首先对ＭarksII等人提出的交替投影神经网络进行了研究,将其应用范围从实数域拓广到复数域,并证明了其稳态收敛性,接着研究了复数域的中替投影神经网络（不妨称此情形下的网络为复交替投影响神经网络）,得到了几个有用结论,并从数学上对这些结构进行了严格证明,最后,为了验证文中物理分析的正确性,设计了一个仿真实验,仿真实验结果表明文中的理论与验结果完全吻合,实际上,复交替投影神秒仅可用于信号处理中的带限信号外推,还可用于选频,陷波等场合。     

Support-Vector Networks

Thesupport-vector network is a new learning machine for two-group classification problems. The machine conceptually implements the following idea: input vectors are non-linearly mapped to a very high-dimension feature space. In this feature space a linear decision surface is constructed. Special properties of the decision surface ensures high generalization ability of the learning machine. The idea behind the support-vector network was previously implemented for the restricted case where the training data can be separated without errors. We here extend this result to non-separable training data.High generalization ability of support-vector networks utilizing polynomial input transformations is demonstrated. We also compare the performance of the support-vector network to various classical learning algorithms that all took part in a benchmark study of Optical Character Recognition.