属性神经网络模型

在分析了一般神经网络模型和属性论的基础上，提出了一种新的属性神经网络模型，它将数据信息保存在属性神经元和连接函数中，使学习过程变得简单和确定，并且绝对收敛，讨论了属性神经网络的图的性质，指出可以用图论的方法研究属性神经网络的分类器作用，同时证明了属性神经网络与属性坐标系的等价性，从而为属性推理提供可操作的数值推导方法。     

线性阈值单元神经元网络的图灵等价性

关于神经元网络计算能力，其奠基人即认为神经元网络与图灵机等价，１９９１年，孙等给出出了其与图灵机等价的一个构造性证明，只是他们的网络是完全联结的、二阶权的回归式网络，与一般讲的神经元网络不同，本文则给出了用线阈值单元构成的神经元网络去计算部分递归函数的构造性证明，由于部分递归函数与图灵机等价，从而这样的神经元网络与图灵机等价。     

神经网络问题求解机制

本文提出了神经网络知识表示的形式化描述语言和知识单元的概念，用于给出传统符号逻辑中的概念，用于给出传统符号逻辑中的概念，属性及它们之间的层次关系如何在神经网络中进行表示，提出了激活强度的度量标准，从而在理论上给出了ＮＮ中继承和识别问题的形式化处理方法。在此基础上，提出了ＮＮ正向和反向问题求解机制。这里，值得一提的是，本文通过在某一特定领域中对ＮＮ推理机制的成功探讨，有力地反驳了人们对于ＮＮ模型的一     

规则推理的人工神经网络实现

本文从神经网络与传统专家系统相结合的角度出发,提出的一种基于层次与或图的神经网络专家系统模型。ＢＰ网被用作规则记忆器,并通过源于层次与或图的二值化样本的训练实现知识的获取,而网络的多次正向传播式的应用则用来完成相应的层次推理工作。     

神经网络的规划学习算法

本文利用二次规划方法，讨论对神经网络训练样本的吸引半径的优化问题，并借用二交规划中的ＲＰＡ算法求该优化解，得到一种新的神经网络基于规划的学习算法，其次，将规划学习算法与现有的几种常见算法进行比较，指出该算法的特点。     

用遗传算法优化神经网络结构

本文介绍了一种用遗传算法对神经网络和连接权值同时优化的方法，该神经网络的神经元节点可以一定程度地反馈连接，再通过基因链矩阵把神经网络的结构完整地表示，遗传进化学习后，最优个体是结构最优的神经网络，使用该方法可以设计出结构未知的神经网络，本文最后对ＸＯＲ问题进行了计算。     

一类模糊神经网络的函数逼近能力

根据多元Fourier变换理论提出一种多元函数的积分变换方法.据此讨论一类模糊神经网络作为函数逼近器时的逼近误差与其结构关系,得到模糊神经网络的逼近误差与其隐含层的节点数成反比的结论.并论证了模糊神经网络的函数逼近精度与输入变量数无关.     

多层神经网络的样本记忆能力

本文论述了前馈型网络,隐节点层进行线性独立变换的能力.严格证明了Mirchandani等关于隐节点在输入空间划分出区域数的定理.给出多层前馈型神经网络采用单位阶跃和连续渐近激发函数两种情况下,实数值样本绝对记忆能力的两个定理.     

具有时滞的双向联想功能的神经网络模型的稳定性

本文利用Razumikhin条件和具体的Lyapunov函数,讨论了时滞BAM模型平衡点的稳定情况,得到了在时滞适当小时,时滞BAM模型与无时滞BAM模型具有相同的渐近稳定性.     

基于神经网络的手势识别

本文在对手结构和关节运动作了深入分析的基础上, 建立了对其施加约束的手模型．根据所定义的约束及运动类型,建立了适合于手势合成的手 数据结构．并采用神经网络理论进行手势识别,取得了较好的效果．     

关于神经网络的能量函数

能量函数在神经网络的研究中有着非常重要的作用,人们普遍认为：只要能量函数沿着网络的解是下降的,能量函数的导数为零的点是网络的平衡态,能量函数有下界,则网络是稳定的且网络的平衡态是能量函数的极小点,文中取反例说明上述条件下不能保证网络的稳定性,并取例说明即使网络稳定也不能保证网络的平衡态与能量函数的极小点,证明了在网络具有上述条件的能量函数的情况下网络稳定的充分必要条件是网络的解有界,讨论了网络的平     

两种典型神经网络容错方法的比较

Behnam提出的SC算法和文中提出的rehidden算法是两种典型的前向神经网络容错算法,前者改进BP算法进行学习,后者对已学习的网络进行隐层节点冗余.这两种算法各有优缺点.文中对这两种算法进行了仿真实验分析,最终得到了每种算法适用的网络规模和硬件条件,在不同环境下应采用不同的方法才能得到可行的容错网络.最后还对SC算法的一些改进进行了讨论.     

神经网络的规则提取研究

文中论述了作为解决神经网络“黑箱问题”有效手段的规则提取方法,分析了基于结构分解和输入输出映射的神经网络规则提取的各种算法,概括了它们的基本思想并分析了它们的优劣,在相似权值法的基础上提出ＣＳＷ算法,有效解决了连续值输入网络的规则提取问题,将ＣＳＷ算法应用于ＩＲＩＳ分类问题提取了良好的效果。     

单体模糊神经网络的函数逼近能力

研究了单体模糊神经网络的函数逼近能力,由于在ＭＦＮＮｓ中神经元的基本运算由原来的积－和运算改为求极小－极大运算,网络的函数逼近性质发生了很大的改变。给出了单调传递函数的ＭＦＮＮｓ按序单调特性,连续映射定理以及非函数一致逼近定理,从而说明ＭＦＮＮｓ虽然能够保持连续映射,但不如原神经网络具有函数逼近能力。     

离散Hopfield双向联想记忆神经网络的稳定性分析

首先将离散Hopfield双向联想记忆神经网络转化成一个特殊的离散Hopfield网络模型.在此基础上,对离散Hopfield双向联想记忆神经网络的全局渐近稳定性和全局指数稳定性进行了新的分析.证明了神经网络连接权矩阵在给定的约束条件下有唯一的而且是渐近稳定的平衡点.利用Lyapunov方程正对角解的存在性得到了几个判定平衡点为全局渐近稳定和全局指数稳定的充分条件.这些条件可以用于设计全局渐近稳定和全局指数稳定的神经网络.所做的分析扩展了以前的稳定性结果.     

基于神经网络的MRF纹理图象恢复

本文提出了一种基于平均场神经网络的纹理图象恢复算法，并且利用多状态神经元表达方式，压缩问题解的搜索空间，算法是一个自适应过程，交替地进行模型参数估计和图象恢复，实验结果说明了算法是行之有效的。     

TRAINING ALGORITHM OF UNIFORM PARZEN WINDOW NEURAL NETWORKS

In this article, we propose a uniform Parzen window neural network, and introduce the configuration of the neural network, methods for decision boundary determination, and forward training algorithms. For the neural network, we adopt the uniform distributed Parzen window density function to construct the nodes of the hidden layer, and the union function for the output nodes. We also design a pattern generator algorithm to create artificial pattern data, which can be used for simulation, performance evaluation, and neural network optimization.     

神经网络国际研究动向-200O年国际神经网络联合大会评述

本文介绍了2000年国际神经网络联合大会的有关情况,对大会报告、论坛、分组报告以及我国学者的参与情况进行了总结,并分析了今后神经网络研究中值得注意的一些动向.     

神经网络BP学习算法动力学分析

研究神经网络BP学习算法与微分动力系统的关系.指出BP学习算法的迭代式与相应的微分动力系统数值解Euler方法在一定条件下等价,且二者在解的渐近性方面是一致的.给出了神经网络BP学习算法与相应的微分动力系统解的存在性、唯一性定理和微分动力系统的零解稳定性定理.从理论上证明了神经网络的学习在一定条件下与微分动力系统的数值方法所得的数值解在渐近意义下是等价的,从而借助于微分动力系统的数值方法可以解决神经网络的学习问题.最后给出了用改进Euler方法训练BP网的例子.