有限集AR_n→有限集BR的高阶神经网络实现

随着人工神经网络(ANN)理论和技术的不断发展,人们加深了对高阶神经网络映射能力的研究。本文对高阶神经网络实现有限集A(?)R~n→有限集B(?)R的函数逼近问题进行了理论上的研究,得出了高阶神经网络可以实现任何有限集到有限集函数逼近的结论。     

高阶CMAC神经网络的研究

提出了一种高阶ＣＭＡＣ（ＨＣＭＡＣ）神经网络，它是采用高阶的径向基函数作为接收域函数，为了进一步增强对输入模式的表达，还可以用接收域函数输入模式向量构成张量积，这时产生的是高维的增强表达，同时ＨＣＭＡＣ沿用ＣＭＡＣ的地址映射方法，由于高阶接收域函数的引入，使其可以获得较ＣＭＡＣ连续性强且有解析微分的复杂函数近似，ＨＣＭＡＣ在不改变ＣＭＡＣ简单结构的基础上较ＲＢＦ网络有计算量少，学习效率高等优点，中     

一类神经网络逼近全实轴上函数:稠密性、复杂性与构造性算法

在已有的神经网络逼近研究中,目标函数通常定义在有限区间(或紧集)上.而实际问题中,目标函数往往是定义在全实轴(或无界集)上.文中针对此问题,研究了全实轴上的连续函数的插值神经网络逼近问题.首先,利用构造性方法证明了神经网络逼近的稠密性定理,即可逼近性.其次,以函数的连续模为度最尺度,估计了插值神经网络逼近目标函数的速度.最后,利用数值算例进行仿真实验.文中的工作扩展了神经网络逼近的研究内容,给出了全实轴上连续函数的神经网络逼近的构造性算法,并揭示了网络逼近速度与网络拓扑结构之间的关系.     

递归神经网络及其在电力短期负荷预测中的应用

本文用递归神经网络逼近非线性ＡＲＭＡ模型预测电力短期负荷。与传统方法以及前馈神经网格方法比较，递归神经网络由于其能自学习逼近非线性ＡＲＭＡ模型而具有较高的预测精度，预测方法也比较简单。这在我国电力供应紧张的情况下，对提高我国的电力负荷预测水平，合理安排电力生产计划具有一定的现实意义。     

RBF神经网络理论及其在控制中的应用

对ＲＢＦ神经网络的结构、分类、函数逼近理论及训练方法进行了综述，并且对ＲＢＦ网络的优点及问题作了分析，同时介绍了目前ＲＢＦ网络在控制方面应用情况，最后提出了ＲＢＦ网络在控制中的研究及应用新方向。     

正则模糊神经网络是模糊值函数的泛逼近器

通过分析多元模糊值Bernstein多项式的近似特性，证明了4层前向正则模糊神经网络（FNN）的逼近性能，该类网络构成了模糊值函数的一类泛逼近器，即在欧氏空间的任何紧集上，任意连续模糊值函数能被这类FNN逼近到任意精度，最后通过实例给出了实现这种近似的具体步骤。     

基于WaveARX神经网络的间歇过程工况监测

研究利用ＷａｅＡＲＸ神经网络构造间歇过程的非参数化逼近模型，在分析其逼近偏差的基础上提出了一种非线性优滤波器设计方法，用于间歇过程的工况监测，实例仿真研究证实了该方法的可行性和有效性。     

基于熵误差函数Pi-Sigma神经网络在线梯度学习算法

Pi-Sigma神经网络因具有较强的非线性处理能力和较高的学习效率而受到广泛的关注。目前，该网络已经应用于函数逼近、信号处理、模式识别等领域。因此，提出了一种基于熵误差函数的Pi-Sigma神经网络在线学习算法，通过函数逼近及多维数据集分类实验验证了该算法的有效性。结果表明，所提算法在函数逼近、训练精度、测试精度和效率方面均有较好的表现。     

基于神经网络的非线性系统近似线性化

神经网络具有同时逼近某一函数及其高阶导数的功能，这一结果为神经网络在非线性系统中的应用提供了可行的工具，本文提出了一种利用网络的近似功能的非线性系统的近似线性方法，无论系统是否满足可积条件，神经网络都可实现其对各条件的近似职分，从而构造满足系统近似线性化的反馈控制，对球－杆系统的仿真结果显示了这种方法的有效性。     

基于MDL的RBF神经网络结构和参数的学习

本文提出了一种优化径向基函数神经网络（ＲＢＦＮＮ）结构的参数的方法,该方法包括两个过程：训练和进化．训练用梯度下降法学习ＲＢＦＮＮ的中心,宽度和输出权值;进化采用二进制编码的遗传算法（ＧＡ）学习ＲＢＦＮＮ的结构,适应度函数是基于信息论中最小描述长度（ＭＤＬ）原理的目标函数．函数逼近仿真实验证明了该方法比其他方法鲁棒性强,所得到的网络结构简单．     

基于正交多项式函数的神经网络及其性质研究

神经网络的非线性逼近能力的研究是神经网络研究中的一个热点问题。该文提出了基于正交多项式函数的神经网络构造理论,以此为基础提出了基于正交多项式函数的神经网络的构造方法,利用Stone-Weierstrass定理从理论上证明了基于正交多项式函数的神经网络具有能以任意精度逼近任意紧集上的连续函数的全局逼近性质,最后,提出了基于正交多项式函数的神经网络的选择和评价方法,研究表明,在一定条件下,当选择Chebyshev多项式时,所构造出的神经网络性能最优。     

一类组合在系统的间接自适应控制

针对一类非线性组合在系统,提出一种用高阶神经网络逼近互联大系统 的新型设计方法。首先用高阶神经网络逼近非线性组合大系统中的互联项,这样不仅可以解决大系统中最为复杂的互联项问题,且较以往采用的方法在工程上易于实现;然后基于高阶神经网络研究组合在系统的间接自适应控制问题。仿真结果表明了该方法的有效性。     

一种新的基于构造型RBF神经元网络分类算法

依据RBF神经元模型的几何解释,提出一种新的构造型神经网络分类算法.首先从样本数据本身入手,通过引入一个密度估计函数来对样本数据进行聚类分析;然后在特征空间里构造超球面,以逼近样本点分布的几何轮廓,从而将神经网络训练问题转化为点集＂包含＂问题.该算法有效克服了传统神经网络训练时间长、学习复杂的缺陷,同时也考虑了神经网络规模的优化问题.实验证明了该算法的有效性.     

基于指令滤波的PMSMs全状态约束有限时间控制

针对考虑全状态约束的永磁同步电动机系统,提出了一种基于指令滤波技术的神经网络自适应有限时间位置跟踪控制方案。首先,利用有限时间控制加快系统收敛、减小跟踪误差以及有效解决系统的负载转矩扰动问题;其次,引入指令滤波技术解决传统反步控制的“计算爆炸”问题,设计有限时间误差补偿机制抑制了滤波误差的影响;最后,运用神经网络自适应技术处理系统中未知的非线性函数,引入障碍Lyapunov函数确保系统的状态量被约束在预定义的紧集内。仿真和实验结果表明,该方法可以实现对期望信号快速有效的跟踪。     

基于粗糙集团的神经网络函数逼近理论

首先给出了神经网络函数在粗糙集意义下的下、上近似函数，从函数逼近的观点出发分析，得出对任一神经网络函数在粗糙集意义下，都可根据学习样本点维数找到两个关联的离散函数来逼近它，并且证明了在粗糙集意义下逼近的过程是可行的。该结论有助于理解粗糙集函数与神经网络函数之间的联系，为今后进一步研究在粗糙集意义下神经网网络函数整体逼近理论及学习算法的描述奠定了基础。     

考虑量化和通信受限的有限时间确定学习控制及其应用

本文针对一类含有量化输入和外部扰动的严格反馈非线性系统,提出了一种考虑量化和通信受限的有限时间确定学习控制方法.该方法包含离线学习训练和在线触发控制两个阶段.首先,在离线学习训练阶段采用神经网络对系统中的未知非线性函数进行逼近,引入指令滤波反步技术克服“计算爆炸”的问题,并在控制过程中实现系统未知动态的知识获取和存储.随后,利用所获取的经验知识,设计了基于确定学习机制的在线触发控制器.应用李雅普诺夫稳定性理论证明了闭环系统实际有限时间稳定,跟踪误差在有限时间内收敛到原点的邻域内,并能够排除采样中的芝诺现象.最后,通过飞行器仿真验证了所提方案的有效性.     

一类组合大系统的间接自适应控制

针对一类非线性组合大系统 ,提出一种用高阶神经网络逼近互联大系统的新型设计方法。首先用高阶神经网络逼近非线性组合大系统中的互联项 ,这样不仅可以解决大系统中最为复杂的互联项问题 ,且较以往采用的方法在工程上易于实现 ;然后基于高阶神经网络研究组合大系统的间接自适应控制问题。仿真结果表明了该方法的有效性。     

基于Adalines的模型跟踪自适应控制

本文根据双层Ａｄａｌｉｎｅｓ逼近任意非线性函数的特性构造神经网络控制器，并采用一参考模型的输出与实际被控系统的输出之差对该神经网络控制器进行ＢＰ算法学习训练。从而在保证控制系统稳态性能的同时提高了控制系统的动态响应性能。最后把此基于Ａｄａｌｉｎｅｓ的模型跟踪自适应控制策略用于车削系统并进行了仿真实验。     

非线性关联系统自适应神经网络输出反馈分散控制

针对一类带有完全未知关联项的非线性大系统,提出一种自适应神经网络输出反馈分散控制方法.采用神经网络逼近未知的关联项,因此对关联项常做的假设如匹配条件,被上界函数所界定等不再要求.在神经元输入中采用参考信号取代关联信号,从而成功地避免了对关联信号的微分.保证了闭环系统所有信号半全局一致最终有界,证明了跟踪误差收敛于一个包含原点的小残集.     

基于神经网络的颗粒图像边缘混合检测方法

针对颗粒图像的特点,提出一种基于神经网络的边缘混合检测方法,该方法包含边界候选象素提取和神经网络边缘检测两部分,神经网络由用于图像信息压缩与图像信息编码的自组织竞争子神经网络（ＡＳＣＳＮＮ）和用于获取图像边缘矢量信息的基于径向函数子神经网络（ＲＢＦＳＮＮ）组成,实验结果表明,该方法分割颗粒图像得到的边缘图像封闭性好,边界描述真实,适用于堆积颗粒物料图像的边缘检测。