一种新的神经网络学习算法

通过对人类学习机理和机制的研究,以及对现有ＢＰ神经网络学习算法及其改进的深入分析,本文提出了一种新的学习算法。该学习算法使神经网络学习由纯数学推导向智能化（启发式）学习发展,获取解决问题的最佳结构中神经元数及神经元间的联接数随问题的变化而动态变化,克服了目前神经网络学习算法普遍存在的学习时间长、局部极小小等问题。     

一种液压驱动机械手的神经网络学习控制结构

针对二自由度机械手的控制问题,本文提出了一种基于函数联接神经网络的反馈学习控制器 ,提高了控制系统的自适应速度,改善了系统的起始特性．为了在改善系统自适应速度的同 时增强系统的稳态特性,本文又提出了基于函数联接神经网络的串级学习控制算法．仿真和 实验都证明了控制方法的优越性．     

一种基于多目标的自组织神经网络学习方法

自组织神经网络又称为无教师指导学习网络，可以自动地从环境中学习、获取知识、从而具有较强的自适应能力。目前，自组织神经网络在图象理解、模式识别、智能机器人控制等领域得到越来广泛的应用。但是，由于目前大部分组织神经网络都采用单准则无教师指导学习方法，从而导致了神经网络学习效率低等问题，这在一程度上影响了自组织神经网络更加广泛的有效应用。为此，本文提出了一种基于模糊熵准则和误差平方和准则的多目标（准则）自组织神经网络学习算法，该算法可以克服单准则无教师指导学习方法所存在的局限性，实验结果表明：该算法是有效的，并且较其它自组织神经网络学习方法，无论在学习效率上，还是在网络优化上，都具有很大的优越性。     

一种基于区间优化的神经网络学习算法

神经网络的学习算法通常是采用梯度下降法,此方法容易陷入局部极小而得到次最优解。另外,对于有些应用来说,用于训练网络的样本的输入／输出数据无法精确给出,而只能以一定的范围的形式给出,这就给传统的神经网络带来了困难。该文提出了一种基于区间优化的神经网络学习算法,可以很好地解决上面所提到的传统神经网络学习算法的缺点。     

基于高斯基神经网络的自学习控制及应用*

本文提出一类基于高斯基神经网络的自学习控制器，该控制器由两个ＧＰＦＮ网络组成，一个完成ＰＩＤ学习控制，另一个完成未知被控对象模型的建模，为加快网络的学习过程，文中提出了递归最小二乘法（ＲＬＳ）用于神经网络的学习，并分析研究了自学习控制系统的收敛性和稳定性，仿真和实验结果表明，这类智能控制是成功的。     

一种基于自组织过程神经网络的动态样本半监督学习算法

针对时变信号模式分类和未标记样本信息的有效利用问题,提出了一种基于自组织过程神经网络的动态样本半监督学习算法。根据获得的已标记和未标记的过程函数样本信号,分别构建基于竞争学习规则和有教师示教方法的自组织过程神经网络模型,利用该网络的自组织特性,实现动态样本的分类标识。文中分析了算法的信息处理机制,给出了具体的实现步骤。以油田开发水淹状况判别为例,实验结果验证了方法的有效性。     

自反馈神经网络的椭球学习算法

本文讨论自反馈神经网络的学习问题，指出联想记忆的神经网络的学习可以化为某种规划（优化）的问题来解，于是可借用规划数学中发展得成熟的优化技术来解自反馈神经网络的学习问题，文中给出一种称为椭球算法的学习方法，其计算复杂性是多项式型。     

启发式极限吸因子神经网络自学习算法

基于一种启发式极限吸因子反向传播模式（ＨＴＡＢＰ）提出了一种决定多层前向神经网络中隐含层单元数目的算法。该算法摒弃传统的用试探法和误差函数进行网络结构选取,而改由变量参数γｃ和标准误差函数决定。模拟试验表明：该算法晃科学和有效的。     

一种基于自组织过程神经网络的动态样本半监督学习算法

针对时变信号模式分类和未标记样本信息的有效利用问题,提出了一种基于自组织过程神经网络的动态样本半监督学习算法。根据获得的已标记和未标记的过程函数样本信号,分别构建基于竞争学习规则和有教师示教方法的自组织过程神经网络模型,利用该网络的自组织特性,实现动态样本的分类标识。文中分析了算法的信息处理机制,给出了具体的实现步骤。以油田开发水淹状况判别为例,实验结果验证了方法的有效性。     

径向基神经网络的一种自适应混合学习算法

为设计具有良好逼近性能的径向基神经网络,提出一种两层结构的自适应混合学习算法.内层迭代过程综合了梯度下降法和智能优化方法的优点,采用基于衰减梯度信息的智能优化方法,对具有固定结构的网络进行参数训练;外层迭代根据内层迭代的效果,利用最优停止规则自适应地动态调节网络隐含层节点数,使算法以较大概率收敛至全局最优.设计了网络结构修正算子,实现对最终结果的进一步简化.最后,文章给出算法实现的具体步骤,并通过仿真实例验证了算法有效性和可行性.     

基于遗传神经网络的地震预测研究

分析遗传算法(GA)及BP神经网络的结构特性,提出利用具有全局搜索能力的遗传算法来弥补BP网络的不足,克服BP(Error Back Propagation)算法收敛速度慢,易陷入局部极小点的缺点,优化神经网络的连接权值和阈值.针对地震预测中,震级预测的困难性等问题,将具有全局搜索能力的遗传算法和具有深度搜索能力的BP算法相结合实现地震震级预测建模.通过实验比较得到了较好的预测结果,该模型是可行、有效的.     

基于模糊神经网络的岩盐卤水浓度的控制方法研究

针对岩盐水溶开采中卤水浓度具有慢时变非线性特征,设计出一种基于神经网络结构的定常体积下浓度模糊控制与变体积下流量比例因子调节相结合的控制方案,所提出的控制模型和学习算法,可实现对系统的自适应调整,实验结果证明了该方法的有效性.     

基于FP算法的神经网络综合方法

本文应用ＦＰ算法，给出神经网络两个常用的综合方法：合并法与递归法，并通过具体实例，介绍这些综合方法的基本思想。     

自学习神经元及自学习BP网络

本文针对现有人工神经元及BP网络的缺点,从 实现角度提出一种新型神经元及新型BP网络——自学习神经元及自学习BP网络．自学习神经 元的突出特点之一是它的内部有正向通道、反向通道及学习器,因而能够独立完成信息的正 向传播、误差的反向传播及神经元参数的修正．由自学习神经元组成的自学习BP网络可以真 正做到正向传播信息、反向传播误差及学习的并行化．本文还考虑了自学习BP网络的学习问 题,提出一种新的学习策略．我们的仿真结果表明这种学习策略有很好的学习效果．     

基于Elman神经网络的二自由度内模控制方法研究

将遗传算法、Elman神经网络和二自由度内模控制相结合,提出一种基于Elman神经网络辨识和遗传整定的二自由度内模控制算法.仿真结果表明,相对于常规内模控制方法,该方法对输入信号的动态响应快,系统超调量和调节时间减少,抗干扰能力强,控制精度高.     

基于神经预测的模糊主动隔振控制技术研究

将基于神经网络预测的模糊控制技术应用于静电悬浮加速度计地面实验装置主动隔振系统。神经网络预测模型可以根据当前时刻控制器与隔振平台的输出,能够对下一时刻隔振平台的运动状态提前作出预测,并将这一状态反馈输入到模糊控制器,能够使模糊控制器提前作出判断对隔振平台进行控制。研究结果表明该算法不仅可以限制控制信号的振荡,而且有利于抑制超调,对0.1Hz以上的低频激扰具有良好的隔振效果。     

基于神经网络进化学习的两轮小车避障控制

本文提出了基于神经网络的两轮小车的避障控制，通过进化学习实现了小车在非结构化环境中的避障行为。这种神经网络控制结构同时完成传感器数据融合功能，具有一定的传感器容错能力。     

一种基于CMAC的自学习控制器

现有的基于CMAC的自学习控制器能够有效地减小跟踪误差,但是在跟踪连续变化信号如正弦波时,由于累积误差的影响会产生过学习现象,进而导致系统的不稳定.为此,提出一种新的基于CMAC的自学习控制器,它以系统的动态误差作为CMAC的激励信号,从而避免了累积误差的影响.仿真结果表明,该控制器不仅是有效的,而且具有很强的鲁棒性.此外,它可以使用较高的学习速率,实时性强.     

基于TS模糊神经网络的Fuzzy规则自动获取研究

Fuzzy规则的获取一直是模糊智能系统的一个瓶颈。醉在深入研究TS模糊神经网络的物理意义的基础上,给出了使用遗传算法优化模糊规则集的算法并提出了从训练后的TS模糊神经网络中抽取Fuzzy规则的可操作方法。分析和实验证明,这种方法可以实现且是有效的,对于Fuzzy规则自动获取的研究具有积极的借鉴意义。     

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。