Z规格说明函数映射的C++STL实现

为软件工程概要设计阶段提供新方法,将软件工程语言应用于软件开发实践,进而达到降低软件开发成本和减少软件后期维护的目的.将函数映射作为集合、关系的特例,研究了它们的存储形式及其主要操作,并在C++STL中进行预处理,给出了抽象静态的Z规格说明中函数映射在C++STL环境下自动转换为高级语言程序代码的方法.实现了Z规格说明中全入射、部分入射、全满射、部分满射到高级语言的自动转换,为软件生产的自动化打下了良好的基础.     

函数型神经网络法在混凝土碳化分析中的应用

混凝土碳化是结构耐久性研究中的一个重要问题。本文首次提出庆用函数型神经网络法进行混凝土的碳化分析。该方法使用单层网络进行学习和计算,使网络的结构得以简化,收敛速度加快。将该网络应用于混凝土碳化的分析和预测。其结果优于传统的ＢＰ网络,并且学习速度有了较大的提高。     

自动制造系统规格说明语言的Petri网语义设计

研究了自动制造系统中离散事件的形式化表示方法。依助通信顺序进程设计了制造系统的规格说明语言，在给出事件的Ｐｅｔｒｉ网表示的基础上，讨论了系统语言及Ｐｅｔｒｉ网控制器的结构，可以研究具有活性、安全或有界性以及可逆性的Ｐｅｔｒｉ网控制器初始标识的设计算法。     

径向基函数神经网络实现数字地图压缩

提出了一种基于径向基函数(RBF)神经网络的数字地图压缩方法，给出了网络训练的具体算法。与一般RBF网络的构造方法不同，该网络结构的所有参数是通过学习方式同时获得的，因此大大增强了其适应性。数字仿真表明该方法具有自动适应地形、参数配置合理、在线计算量小等特点。     

基函数神经网络构造方法

从生物学和逼近论出发,将任意一组正交基函数作为三层前向神经网络各隐含神经元的活跃函数,再以其加权和作为网络的输出特性,构成一种新型的神经网络模型;从理论上解决了单输入神经网络隐含层数及隐含单元个数难以确定的问题。仿真实验表明,该网络具有优良的逼近任意非线性对象的特性,且收敛速度远远快于BP网络。     

油藏系统函数型连接神经网络辨识方法研究

一些油藏系统的偏微分方程模型,经过变换能化为非线性函数项级数,级数的每一项均为地层参数θ的复杂非线性函数.地层参数是试井解释的依据,因而要求其估值应具有全局最优性,又因上述函数为多峰函数,在极值点处关于θ的变化很敏感,使问题更为困难,现有迭代法均未奏效.为了解决了这个问题,提出了一种新型混合遗传算法.实际应用表明,用上述方法建模具有很高的精确度,模糊的平均相对误差在1%以内,并且能求出地层参数的全局最优估值.     

BP神经网络训练的函数变步长搜索调整法

通过深入分析了ＢＰ神经网络的步长调整，采用函数变步长搜索法来提高网络的学习速度，提出一种新的改进的ＢＰ算法，该算法在速度和收敛性方面比传统ＢＰ算法优越。     

基于径向基函数的混合神经网络模型研究

随着系统复杂程度的增加，构造一个径向基函数神经网络（RBFNN）所需样本及训练时间都急剧增加，得到的复杂网络往往不能完全揭示问题的层次和结构。采用“分而治之”的思想，提出了一种基于RBF的混合网络模型，通过最短距离均匀聚类方法划分样本空间，构造合适的子样本集和子网络模型对网络进行训练，与采用正交最小二乘法的单独RBF网络在结构、训练时间、泛化能力上做了对比。结果表明其时间复杂度有显著降低，网络的泛化能力与精度比全局RBFNN有明显提高。整个网络模型具有良好的扩展性和应用前景，适合于大样本神经网络的建模和训练问题。     

基函数神经网络和再生核函数关系

主要研究了基函数神经网络和再生核函数之间的关系, 证明了当基函数神经网络的激活函数φ (x) ∈C[-1, 1]ⁿ时, 基函数神经网络实质就是一个再生核函数, 并且给出了基函数神经网络的再生核数学表示形式.同时, 把这个结论推广到一般前馈神经网络结构上, 得到一般前馈神经网络实质上也有一个再生核函数表示的结果, 并给出了相应的数学表示形式.     

径向基函数神经网络

本文介绍了径向基函数神经网络的基本结构，学习算法及收敛条件。     

基函数神经网络构造方法

从生物学和逼近论出发,将任意一组正交基函数作为三层前向神经网络各隐含神经元的活跃函数,再以其加权和作为网络的输出特性,构成一种新型的神经网络模型;从理论上解决了单输入神经网络隐含层数及隐含单元个数难以确定的问题。仿真实验表明,该网络具有优良的逼近任意非线性对象的特性,且收敛速度远远快于BP网络。     

复合抽象数据类型的构造型说明

研究抽象数据类型的规范说明对于实现面向对象的软件开发及程序证明等具有重要意义。本文用构造型说明法讨论了原子和复合抽象数据类型的结构语义，并介绍了这种说明如何用一个函数型语言ＭＬ来实现的方法。     

基于阶梯输出函数的时滞型细胞神经网络的无条件稳定性

利用Ｌｉｐｕｎｏｖ泛函法给出了基于阶梯输出的时滞型细胞神经网络无条件稳定的一些充分条件，从而推广了论文“带时延的细胞神经网络的无条件稳定性”中的主要结果。     

基于子波神经网络的函数逼近

分析了神经网络中非线性函数与子波变换母函数的关系，研究和于非线性函数逼近的子波神经网络的结构设计方法，函数逼近实例证实了结论的正确性。     

用神经网络建立消费函数的数学模型

宏观经济的预测常采用数学回归法建立其数学模型，这种方法的不足之处在于模型的结构(解析式)与其构造者的经历、阅历和知识结构有关，因而带有某种程度的主观性，不能充分映射经济系统复杂的非线性函数关系。本文将神经网络引入经济系统的建模之中，并用它建立了河南省城镇居民的消费函数模型。取得了较为满意的预测结果。     

应用神经网络模拟随机变量的分布函数

利用随机变量样本 ,应用神经网络技术来模拟任意连续型随机变量的分布函数和随机变量函数的分布函数 ,并给出它们的显性表达式 ,避免了参数估计、假设检验和复杂的数值积分运算。     

基于阶梯输出函数的时滞型细胞神经网络的无条件稳定性

利用Ｌｉａｐｕｎｏｖ泛函法给出了基于阶梯输出的时滞型细胞神经网络无条件稳定的一些充分条件,从而推广了论文“带时延的细胞神经网络的无条件稳定性”中的主要结果。     

方向基函数神经网络及其逼近能力

描述了方向基函数神经网络的基本概念,并通过利用分析仿射基函数和径向基函数神经网络逼近能力的方法证明了方向基函数神经网络不仅能够逼近有限点集上的任意方向不变函数,能够在单位球面上一致逼近任意方向连续函数,而且还能够依L_p范数平均逼近任意的p次方向可积函数。