线性多步法模糊逻辑系统

根据求解常微分方程的线性多步逼近方法构造了线性多步法模糊逻辑系统以辨识由常微分方程所描述的未知动态系统,这种新的模糊逻辑系统在预测状态的同时也能够逼近系统微分方程中的未知函数,文中从理论上对精度作了分析,并用仿真验证了所得的结果。     

基于线性多步法的波形松弛方法的线性稳定性

波形松弛(WR)方法的研究成果丰富,但主要集中于收敛性,罕见关于稳定性的研究.研究基于线性多步法的WR方法的线性稳定性,获得了线性稳定的几个充分条件,给出了一些具体的线性稳定WR方法的例子,并提供了一些支持理论结果的数值算例.     

非线性延迟积分微分方程线性多步法的渐近稳定性

本文研究了非线性延迟积分微分方程线性多步法的渐近稳定性.证明了在约束网格下,带有复合求积公式A-稳定的线性多步法能够保持解析解的渐近稳定性.文章最后,数值试验验证了本文的结论.     

多层前馈式神经网络的HJPS训练算法

根据优化理论中的Hooke-Jeeves模式搜索(pattern search)法提出了多层前馈式神经网络快速训练算法HJPS.该算法由“探测搜索”和“模式移动”两个步骤交替进行.其基本思想是探测搜索依次沿各个坐标轴进行,用以确定新的基点和有利于网络误差函数值下降的方向.模式移动沿相邻两个基点的连线方向前进,从而进一步减小误差函数值,达到更快收敛.实验结果表明,同BP算法以及其他几种快速算法相比,HJPS算法在收敛速度和运算时间上都有非常显著的提高.同时HJPS算法的泛化能力很强.     

线性和二次型多层神经网络的学习速度

我们提出了一种多层次二次型神经网络结构ＭＬＰＱ（Ｍｕｌｔｉｌａｙｅｒ Ｑｕａｄｒａｔｉｃ Ｐｅｒｃｅｐｔｒｏｎ），这种网络综合了多层神经网络和高次神经网络的特点，本文论述了ＭＬＱＰ的学习算法，并且通过仿真实验比较了ＭＬＱＰ与其他几种神经网络的学习速度，结果表明ＭＬＱＰ的性能优于其他几种神经网络。     

一类求解比例延迟积分微分方程线性多步法的散逸性

考虑了比例延迟积分微分方程的数值方法的散逸性。首先,通过变换将原方程变为常延迟积分微分方程,然后把一类线性多步法应用到以上问题中,用线性插值程序和复合梯形公式分别逼近延迟项和积分项,证明了在一定条件下,该数值方法具有散逸性。     

神经网络磁链估计的感应电机反步法研究

为实现感应电机的位置渐近跟踪,基于反步法并取转矩和磁链控制信号作为虚拟控制,设计了感应电机位置控制系统．采用多层前馈神经网络估计转子磁链,以Levenberg-Marquardt算法训练网络并调整权值．最后基于Lyapunov稳定性理论证明了系统的稳定性．仿真结果表明,所设计的神经网络磁链观测器具有良好的估计效果,位置跟踪误差迅速收敛,具有较优的伺服跟踪特性．     

多层神经网络自适应控制训练算法及仿真实验

该文提出了一种用神经网络学习非线性函数时的自适应控制BP训练算法,该算法根据当前收敛误差及收敛误差变化率自适应确定学习控制值,并针对某些学习应用提出了一种两阶段自适应控制逐一训练算法。通过仿真实验证明,这种方法比传统方法收敛快,学习精度高,最后,给出了一算法的仿真实例。     

多层前馈模糊神经网络进行图像识别

神经网络和模糊技术在模式识别领域中已有了广泛应用,两者有着各自的优势。针对神经网络模式识别中所遇到的问题,为了进一步提高分类器在样本分布不清晰情况下的识别能力,本文提出了两各将模糊机制引入神经网络的方法－输入模糊化方法和隐层模糊化方法,并在此基础上分别构造了模糊神经网络。实验结果表明,模糊神经网络较好地结合了神经网络和模糊技术的优点,取得了比传统网络更好的识别结果。     

多层神经网络学习算法的研究

本文对多层神经网络的反向传播算法作了简要的分析和讨论,据此提出了一种新的学习算法用以消除多层网络的“迟钝状态”。实验结果表明,这种新算法能够加速学习收敛速度并避免陷入局部极小。     

BP模型中的激励函数和改进的网络训练法

本文研究了ＢＰ算法激励函数ｆ对收敛速度的影响，得出了陡峭函数收敛快的结论。其次，给出一个逐步增加训练数据以避免局部极小的方法。     

利用神经网络生成评语

本文介绍了人工神经网络用于协助老师生成评语的方法。用这种方法，只需输入学生的各项指数就能生成对学生的评价。由于神经网络具有较好的学习和推广能力，生成的评语能够较准确地反映学生的表现。     

利用神经网络发现分类规则

神经网络是目前公认的高精度分类器,但它的分类过程却令人难以理解,被称为“黑箱”,从而降低了它的可信度,且使其结果不易应用到其它相关领域。本文提出应用决策树模拟神经网络的隐节点和输出节点的决策过程的思想,在分类精度基本不变的前提下,将训练后的前馈神经网络利用遗传算法进行剪枝,再将其转换为含有若干棵树的森林结构,然后将每棵树看作一个分类器,利用决策树模拟每个分类器的分类过程,最后将决策树结构转化为若干     

LEARNING MONOTONIC-CONCAVE INTERVAL CONCEPTS USING THE BACK-PROPAGATION NEURAL NETWORKS

Monotonicity and concavity play important roles in human cognition, reasoning, and decision making. This paper shows that neural networks can learn monotonic-concave interval concepts based on real-world data, Traditionally, the training of neural networks has been based only on raw data. In cases where the training samples carry statistical fluctuations, the products of the training have often suffered. This paper suggests that global knowledge about monotonicity and concavity of a problem domain can be incorporated in neural network training. This paper proposes a learning scheme for the back-propagation layered neural networks in learning monotonic-concave interval concepts and provides an example to show its application.     

采用同伦BP算法进行多层前向网络的训练

本文把同伦论中零点路径跟踪的概念推广到多层前向网络能量函数极小点路径的跟踪，从而提出多层前向网络一种新的训练方法－同伦ＢＰ算法（包括教师同伦和输入同伦），并且分析了其收敛性性质。结合异或问题和由部分信息重建完整信号所作仿真计算，证明此方法在收速度和避免陷入局部极小的能力上均明显地优于常规ＢＰ算法，体现了人类认识事物时所遵循的由简到繁、循序渐进的原则。     

非线性系统的神经网络学习控制

主要控制了一类非线性系统的神经网络学习控制问题。讨论了以迭代学习方式训练的神经网络学习控制器，在满足一定条件，可以实现一定时间内的系统输出跟踪。     

基于遗传算法的集成神经网络入侵检测系统

介绍集成神经网络的基本概念及其算法理论,提出基于遗传算法的集成神经网络入侵检测方法,并以KDDCUP99作为数据源给出应用该方法进行入侵检测的性能.通过与单个神经网络的比较,说明基于遗传算法的集成神经网络检测方法能克服单个分类算法的缺陷,提高入侵检测系统的检测率.     

一种新型神经网络模型的研究

本文提出了一种新型神经网络结构模型，它由一线性动态网络和一非线性静态网络组成，文中详细给出了这类神经网络模型的动态学习算法，并探讨了其在非线性动态系统建模及控制中的应用。仿真结果表明了这一新型网络模型的有效性。     

BACKLASH COMPENSATION WITH FILTERED PREDICTION IN DISCRETE TIME NONLINEAR SYSTEMS BY DYNAMIC INVERSION USING NEURAL NETWORKS

A dynamics inversion compensation scheme is designed for control of nonlinear discrete‐time systems with input backlash. This paper extends the dynamic inversion technique to discrete‐time systems by using a filtered prediction, and shows how to use a neural network (NN) for inverting the backlash nonlinearity in the feedforward path. The technique provides a general procedure for using NN to determine the dynamics preinverse of an invertible discrete time dynamical system. A discrete‐time tuning algorithm is given for the NN weights so that the backlash compensation scheme guarantees bounded tracking and backlash errors, and also bounded parameter estimates. A rigorous proof of stability and performance is given and a simulation example verifies performance. Unlike standard discrete‐time adaptive control techniques, no certainty equivalence (CE) or linear‐in‐the‐parameters (LIP) assumptions are needed.     

一种进化RBF神经网络的模型及其训练算法

径向基函数神经网络（RBFNN）具有最优逼近和全局逼近的特性,在函数似合方法优于传统的BP网络,因此被广泛应用于非线性时间序列分析算法领域。本文针对时间序列中的非平稳数据,结合差分平稳化与分阶遗传的思想,提出一个新的进化RBF神经网络的模型及其训练算法。通过实例分析表明,该方法在处理非平稳时间序列方面具有一定的优越性。