基于模糊神经网络的积分自适应控制

将模糊神经网络应用于传统线性积分自适应控制,构造了一类模糊神经自适应方法,用于消除非线性系统响应偏差.模糊神经网构成直接非线性自适应控制器.对线性及非线性对象的仿真控制以及与经典自适应控制的比较,表明了模糊神经自适应控制器的有效性.     

论并行神经计算机系统设计的一些问题

神经计算机的研究是神经网络研究中的一项重要内容,神经计算机就是指根据神经网络结及其计算特点,用电子器件、光学器件或分子/化学器件而构成的计算系统.神经计算机的研究主集中在两个方面,即器件研究及系统构造.神经计算机的研究也称为神经网络实现技术的研究。     

神经网络与神经计算机的基本原理和应用

神经网络是当前世界高科技竞争的一个热点。基于大规模并行处理原理,模仿脑神经信息活动特征而构造出来的神经计算机,在联想记忆、自组织、自学习、自适应和随机活动能力等方面,具有传统冯·诺依曼计算机无法比拟的优越性,因而将在图象处理、语言处理、模式识别、组合优化以及各种实时自适应系统中获得广泛的应用。本文将以二期连载的方式,较为详细地介绍神经网络与神经计算机的基本原理,国内外的发展现况和趋势,具有代表性的 Hopfield 互联式神经网络和层次式的 B-P 网络,以及它们的应用等。本期是第一篇,重点介绍神经网络的基本原理和发展概况。     

神经网络计算机的现状与发展趋势

目前神经网络的应用已渗透到各个领域,并在模式识别、自适应滤波和信号处理、语音识别、图像处理、生物医学工程等方面取得了令人鼓舞的进展。神经网络的应用和发展将影响新一代计算机的设计原理,有可能为新一代计算机和人工智能开辟一条崭新的途径。本文拟就神经计算机的现状和发展趋势作一重点讨论,并介绍一些产品。     

神经网图计算机现状及发展趋势

９４０３３神经网图计算机现状及发展趋势计算机世界月刊·—１９９３（３）．—４～６概述了神经网络计算机的发展与现状，讨论了各种实现方法和结构，指出了它们各自的特点以及今后神经网络计算机的发展方向。（李补莲）神经网图计算机现状及发展趋势...     

一九九七年电气自动化新技术丛书简介

神经无网络控制 王永骥 涂健编著 　　本书由神经网络和神经网络控制两部分组成.第一部分介绍常用神经网络构成的原理及学习算法.第二部分介绍网络在自动控制领域中的应用,内容涉及神经网络系统辨识,神经网 络控制器设计及神经网络的故障诊断与容错控制等方面.     

柔性电子神经网络计算机结构和原理

本文以开发系统的观点描述了一种新的神经网络计算机体系结构，它以其可开发性和灵活性区别于其他各种神经网络计算机，应用于人工神经网络的研究过程。基于柔性神经网络计算机体系设计，文中提出了一种神经网络分解撕裂算法，为ＶＬＳＩ神经芯片的设计提供了一条新途径。在功能应用上，柔性电子神经网络计算机打破了其他神经网络计算机功能的针对性，为神经网络的研究，开发和应用提供较全面的支持。     

神经计算机综述

神经计算机能模拟人脑的并行信息处理方式，具有惊人的自学习、思维、推理、判断和记忆的功能，被称为第六代-的计算机——智能型计算机。本文主要阐述了神经计算机与传统的数字计算机的区别，神经计算机的理论基础、元件基础、性能指标及发展现状。     

用综合优化前向神经网络结构

在神经网络研究中,如何确定神经网的结构是一个重要的研究方向。提出了一种通用的确定前向神经网络结构的自适应方法,即先用动态增长法快速训练网络拓扑结构及权值至满足给定的误差为止,然后用遗传算法（GA）对训练好的网络剪枝。实验表明,算法具有较好的通用性和可扩展性,收敛速度较快,对进一步的数据挖掘具有重要的意义。     

电子神经计算机的设计与实现

人工神经网络的研究已成为八十年代多门学科的核心课题。本文首先讨论了电子神经计算机的设计方法。然后通过已商品化的人工神经计算机系统MARK Ⅱ,Ⅲ,Ⅳ;ANZA以及DELTA/SIGMA神经计算机协处理器来说明其实现策略。最后,我们对与神经网络计算机的设计与实现的有关问题作了进一步的讨论。     

用综合法优化前向神经网络结构

在神经网络研究中,如何确定神经网的结构是一个重要的研究方向.提出了一种通用的确定前向神经网络结构的自适应方法,即先用动态增长法快速训练网络拓扑结构及权值至满足给定的误差为止,然后用遗传算法(GA)对训练好的网络剪枝.实验表明,算法具有较好的通用性和可扩展性,收敛速度较快,对进一步的数据挖掘具有重要的意义.     

神经网络计算机

所谓神经计算机(Neuro Computer,简称为NC)也称为神经网络计算机,意思就是按照神经网络的功能结构原理而构造成的计算机。其结构原理就是神经网络模型和一定的连接机制。对于人脑神经所进行的模式识别方式的理解是设计神经网络计算机的关键所在。 神经元是神经网络计算机的最基本单位。常用的神经元模型有阀值型、区间线性型、S状的曲线型、常微分或差分方程式模型(?)及概率动作模型等。 神经网络模型包括神经生物模型和计算机模型,前者以模拟人脑的某些功能为主,后者主要执行某些重要的技术功能。几种主要的有代表性的神经网络模     

神经网络汉语自动分词技术

一、神经网络的基本特征和信息处理能力 神经网络是一个具有高度非线性的超大规模连续时间动力系统,其最主要特征为连续时间非线性动力学、网络的全局作用、大规模并行分布处理及高度的鲁棒性和学习联想能力。同时它又具有一般非线性动力系统的共性,即不可预测性、吸引性、耗散性、非平衡性、不可逆性、高维性、广泛联结性与自适应性等。因此它实际上是一个超大规模非线性连续时间自适应信息处理系统。     

基于Choquet积分-OWA的自适应神经模糊推理系统及其应用

针对已有的自适应神经模糊推理系统(ANFIS)在模糊规则后件表达上的缺陷和常见的模糊推理系统存在的主要问题,提出基于Choquet积分OWA的模糊推理系统(AggFIS),在模糊规则的后件表达、模糊算子的普适性和输入及规则的权重等方面有很大优势,它试图建立能够充分体现模糊逻辑本质和人类思维模式的模糊推理系统.根据模糊神经网的基本原理将AggFIS与前馈神经网络相结合,得到基于Choquet积分-OWA的自适应神经模糊推理系统(Agg-ANFIS),并将该模型应用于交通服务水平评价问题.实验结果证明,基于Choquet积分OWA的自适应神经模糊推理系统具有很好的非线性映射功能,它的本质是一类通用逼近器,为解决复杂系统的建模、分析及预测问题提供了有效的途径.     

神经计算机的研究与发展

1 引言从40年代冯·诺依曼发明基于串行符号处理的数字计算机以来,数字电子计算机已经取得了巨大的成功,但在诸如模式识别、人工智能等研究领域却碰到了极大的困难,人们不得不以更大的兴趣去研究以并行处理模式为特征的神经计算机。80年代,在美国、日本和欧洲都掀起了一股研究神经网络理论和神经计算机的热潮。各先进国家相继投入巨额资金用于研究新型智能计算机,其研究重点主要是将神经网络原理用于图像处理、模式识别、语音综合及智能机器人控制等领域。1987年6月在美国召开了第一届神经网络国     

采样非线性系统的动态神经网络稳定自适应控制

研究了一类采样数据非线性系统的动态神经网络稳定自适应控制方法.不同于静态 神经网络自适应控制,动态神经网络自适应控制中神经网络用于逼近整个采样数据非线性系 统,而不是动态系统中的非线性分量.系统的控制律由神经网络系统的动态逆、自适应补偿项 和神经变结构鲁棒控制项组成.神经变结构控制用于保证系统的全局稳定性,并加速动态神 经网络系统的适近速度.证明了动态神经网络自适应控制系统的稳定性,并得到了动态神经 网络系统的学习算法.仿真研究表明,基于动态神经网络的非线性系统稳定自适应控制方法 较基于静态神经网络的自适应方法具有更好的性能.     

神经网络与神经计算机的基本原理和应用(续完)

本文是“神经网络与神经计算机的基本原理和应用”的第二部分。主要介绍Hopfleld 网络模型及其在求解旅行商问题中的成功应用。为了避免陷入局部极小,Boltz-mann 机和随机网络模型对 Hopfield 模型作了进一步的改进。感知机和 BP 网络,是利用神经网络进行自学习的两种常见方式。按误差反向传播的 BP层次型网络,可以通过样本训练改变神经元的连接权以进行学习和记忆。在神经计算机一节中, 扼要介绍了神经计算机的主要特征、体系结构、其中并行拉度、虚拟处理器和拓扑结构是三个需要考虑的重要参数。文中最后部分讨论了神经网络与神经计算机的应用领域。     

基于神经网络模型的最小预测误差非线性自适应控制器

主要研究基于神经网络模型的最小预测误差非线性自适应控制算法.利用神经网 络激励函数的分段局部线性近似,将基于神经网络的非线性系统一步前向预测控制转化为一 系列局部的线性预测控制问题.利用线性系统参数估计方法获得神经网络预测模型的参数估 计.在此基础上利用并联线性系统的预测控制方法设计全局收敛的非线性系统预测控制器.     

分布集中式计算机信息处理系统在大型组站的应用

本文结合在沈阳西站的实践，讨论了如何采用小型机与微机型相组合的“分布－集中”式计算机系统结构来建立大型编组站的现车管理信息处理系统。文中介绍了这种信息系统的硬件组成，分析了计算机信息处理系统所应具备的基本功能，以及为实现这些基本功能计算机所采取的各种措施和方法。本文还介绍了这种计算机信息处理系统的特点及在实际运用中所得的效果。     

弧焊过程神经网络模糊控制

提出一种将FLC与神经网络技术相结合的方法对钨极氩弧焊（GTAW）过程进行控制,它克服了模糊规则产生对专家的依赖及模糊集非自适应性的问题。隶属函数的自适应及模糊规则的自组织通过神经网络的自学习和竞争获得。该方法实现了弧焊过程中模糊规则的自动确定和隶属度函数在线调度。 以GTAW过程焊缝几何参数调节为对象,验证了算法的有效性。计算机仿真表明,采用该方法的系统性能有较大的提高。