基于 ANN 的 FMS 故障诊断模型及其学习算法

讨论了基于前馈型神经网络的ＦＭＳ故障诊断模型，并提出一种用于前馈型神经网络训练的改进ＢＰ算法和基于遗传算法的网络初始点获取策略，给出一种通用前馈型神经网络结构和学习参数自整定学习算法，最后应用上述方法建立了基于前馈型神经网络的ＦＭＳ机器人故障诊断模型，并用所提出的新的学习算法对网络进行了学习，与传统ＢＰ算法比较，学习速度较快，且不易陷入局部极小点     

应用人工神经网络的建筑结构主动控制研究

首先采用自适应Ｂ－Ｐ学习算法训练的前馈神经网络,研究了应用人工神经网络进行建筑结构主动控制的理论问题。其次具体构造了一个四层Ｂ－Ｐ网络给遭受地震荷载作用的建筑结构提供控制力。最后由单自由度系统遭受地震荷载作用时的控制算例说明所建议的方法是有效的。     

一种局域连接前向人工神经网络结构的研究

双隐层标准前馈网络只要其隐层节点数足够多就能解决任何形式的分类问题。应用标准网络识别多模式类分类问题时存在以下缺陷；１．对不同模式类均使用相同数目的隐层元；２．增加新模式类后，网络要重新学习．３．网络识别的机理研究困难。笔者提出了一种局域连接前馈神经网络的结构，其隐层神经元与输出神经元裥的局域连接，学习算法与ＢＰ算法。     

基于一种多层神经网络快速学习算法在储层识别中的应用

本文针对前馈多层神经网络ＢＰ算法所存在的缺点，建立了一种新的快速学习算法，有效地缩短了网络的学习训练时间，并将其应用于储层识别取得了满意效果。     

多层前馈神经网络的面向对象的程序设计框架

提出多层前馈神经网络的一种面向对象的程序设计框架，其中包括表示前馈神经网络中的神经元、权值的数据成员，以及完成网络的构造、初始化、学习和输出值计算等功能的成员方法，并用支持面向对象的程序设计语言Java实现了这一框架。模式分类和函数近似等问题的解决说明了这一前馈神经网络的面向对象的程序设计框架的有效性。     

改进遗传神经网络在储层解释中的应用

对遗传算法中的编码机制进行了研究并与前馈神经网络ＢＰ算法相结合,从而提高了网络收敛速度,实例表明,改进后的算法是有效的。     

基于正交傅里叶—梅林矩的神经网络不变性模式识别

利用移位、尺度和旋转不变特征，提出了一种基于神经网络方法的不变性模式识别，不变特性是正交傅里叶－梅林矩，它们是Ｚｅｒｎｉｋｅ矩和正交复矩的推广，网络是采用ＢＰ算法的多层前馈网络，实验表明该方法具有良好的效果。     

双并联神经网络在线梯度算法的收敛性

双并联前馈神经网络是一个单层前向网络和一个多层前向网络的并向联接,在实现线性映射的同时也能够反应非线性映射,尤其对于弱非线性问题效果更为明显。在线梯度算法是训练神经网络的一种常见、高效的训练算法。研究了双并联前馈神经网络在线梯度学习算法的确定性和收敛性,证明了误差函数单调性质,给出了双并联前馈神经网络弱（强）收敛性结果,即误差函数的梯度趋于零,权值序列收敛于固定点等结论。     

基于正交傅里叶－梅林矩的神经网络不变性模式识别

利用移位、尺度和旋转不变特征，提出了一种基于神经网络方法的不变性模式识别．不变特性描绘子是正交傅里叶－梅林矩，它们是Ｚｅｒｎｉｋｅ矩和正交复矩的推广．网络是采用ＢＰ算法的多层前馈网络．实验表明该方法具有良好的效果．     

基于神经网络的股票交易数据的预测研究

运用前馈神经网络预测时间序列的分析方法对股票数据进行了预测．通过对前馈神经网络时间序列数据预测网络模型的建立方法及预测方法讨论，基于BP网络对股票数据进行实际预测．预测精度明显高于传统方法，说明此种方法是可行的．BP网络可用于股票数据预测，其预测精度较高，但实际预测时，如何选择和确定一个合适的神经网络结构需进行反复实验．     

动态流量软测量建模方法研究

为了解决工业中动态流量测量困难的问题,引入软测量方法对动态流量进行测量.考虑BP算法建立软测量模型时收敛速度慢,易陷"局部极小"等不足,提出一种经遗传算法优化的BP网络进行软测量建模,用遗传算法先确定BP网络的网络结构和参数,将训练一定次数后得到的连接权值作为遗传计算的初始值,再用遗传算法确定BP网络的最优连接权值,最后把用BP算法训练得到的网络用于建模.文中对在燕山大学液压实验室采集的数据进行仿真,实验结果表明这种改进的建模方法在模型的训练速度和精度上有了较大的改善.     

基于BP神经网络的高校3种专利授权量预测研究

以1985-2007年授权量的数据为基础,运用BP神经网络建立预测模型,并结合Matlab工具箱对算法进行了实现.通过设置Matlab神经网络训练函数的最大训练次数300、收敛精度1e-6及最小梯度1e-6,合理确定了最优专利授权量的BP神经网络模型.仿真验证表明:该模型预测1990-2007年专利授权量时,平均绝对百分误差MAPE值为6.87%,逼近效果非常好.最后,利用该模型对未来5年的高校专利授权量进行了预测.     

基于改进的BP网络的D-S证据理论及其应用

目前,D-S证据理论凭借自身独特的处理不确定性问题能力,已在众多领域得到了广泛的应用。命题基本概率分配(BPA)的确定是D-S证据理论得以广泛应用的关键之一,将改进的BP网络运用到基本概率分配的确定过程中,使得BP网络和D-S证据理论两者有机地联合应用,这样既可利用D-S证据理论来表达和处理不确定信息,又可以充分发挥BP网络的自学习、自适应和容错能力。建立了基于BP网络的D-S证据理论的故障诊断模型,并给出了证据的融合算法。最后,仿真实验表明该模型可行。     

基于神经网络的网络传感器火灾报警系统

利用网络化多传感器技术设计了数据融合模块,基于神经网络BP算法良好的非线性映射能力．对温度传感器、烟雾传感器和一氧化碳传感器同时探测的数据进行智能化融合处理。结果表明：该火灾报警系统能准确地识别火灾信号,明显减少了误报和漏报率。     

BP网络的拆分组装法理论研究及系统开发

训练BP网时采用拆分组装法,对防止BP网陷入局部极小值很有效.在这一方法基础上,针对其缺点提出了几个改进措施,使用这些措施可得到结构更加紧凑的BP网,且其输出也有一定关联;对其评价函数作了理论分析,使训练BP网时其精度如何控制有了依据;最后介绍了一个BP网专家系统,验证拆分组装法、BP算法的正确性.     

嘉陵江北碚站含沙量变化趋势的神经网络模型分析

利用前馈神经网络模型和自适应调整学习率的反向传播算法,分析处理了嘉陵江流域北碚水文观测站30多年的实测数据,对未来几年含沙量变化的趋势进行了非线性预测,并讨论了隐层神经元个数以及迭代的误差标准等参数的最优选择问题.     

几种变学习率的快速BP算法比较研究

首先将作者见到的各种变学习率的快速ＢＰ算法分成了３类，然后针对两类不同的问题对它们进行了大量的对比研究；根据实验结果指出，对种种皮变学习率为基础的快速ＢＰ算法，应视具体应用问题慎重选择，不能仅凭对一个问题的实验即说明这一定比基本ＢＰ算法更为优越。     

BP网络模型的改进方法探讨

随着ＢＰ网络应用的日益广泛,其本身存在的一些问题也越来越充分地暴露出来。首先对ＢＰ网络存在的问题及产生的原因进行了初步探讨,然后针对这些问题及原因,比较系统地研究了影响ＢＰ网络性能的各种改善方法。     

基于语音参数的神经网络识别研究

本文通过对BP和SOM神经网络的理论学习研究,分别设计了基于语音参数为输入样本的BP三层和SOM两层网络模型及相应算法实现,并通过对比两种神经网络模型在相同输入语音样本参数情况下的不同运行机理,最终确认基于LPCC语音参数的BP网络更适合应用于语音识别。     

基于模式总体设计应用系统的开发及实现

基于模式信息系统总体设计方法,开发了与其相对应的应用系统,并对该系统的功能结构、数据库设计、基于SOM网络的模式生成和基于BP网络的模式实例化设计及实现过程进行了详细介绍。对人工智能技术与信息系统开发相结合进行了有益的探索。