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。     

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。     

Elman神经网络在中厚板轧机宽展预测中的应用

根据Elman神经网络模型能够逼近任意非线性函数的特点和具有反映系统动态特性的能力,提出了一种利用Elman神经网络建立中厚板轧机宽展预报模型的方法。通过实例比较了Elman模型与BP模型的预测效果。结果表明,所建立的Elman神经网络模型收敛速度和预测精度均高于BP网络模型。     

随机径向基函数神经网络的收敛性分析

为了探究随机径向基函数神经网络的函数逼近能力,运用随机权重前馈神经网络收敛性分析的方法对其进行收敛性分析。首先利用广义δ函数的性质构建一个被近似函数的极限积分表达式;其次用蒙特卡罗方法计算这个表达式中的积分,证明随机径向基函数神经网络可以逼近任意连续函数。同时,从理论上分析了随机径向基函数神经网络的收敛特性,发现其收敛误差随着隐藏层神经元节点的增加而逐渐减少,表明其是一个高效的函数逼近器,并且具有处理大数据问题的潜力。     

对BP网络非线性映射收敛性的探讨

以前馈型网络为例，采用BP算法，应用MATLAB软件对系统仿真，分析网络非线性映射的收敛性和精度，与网络结构及训练样板的关系，当神经元的数目足够多时，神经网络可以逼近任意非线性函数。     

基于S型隶属函数的FALCON神经网络及其应用

作为一种由基本模糊逻辑和神经网络结构结合而成的网络模型,FALCON神经网络兼具模糊逻辑控制和神经网络的学习能力.传统FALCON神经网络使用高斯函数作为隶属函数,具有良好的逼近和收敛能力,但使得网络拓扑结构和学习算法相对复杂.使用较为简单的S型函数作为FALCON神经网络的隶属函数,相应修改网络的拓扑结构,推导网络的学习算法,通过与原型网络相比较,证明改型网络简化了网络算法,且网络性能没有很大降低.最后,将改型网络应用于铝电解槽阳极效应预报,通过实际应用验证了改型网络的有效性和实用价值.     

运用GA-BP神经网络研究时间序列的预测

神经网络能以任意精度逼近非线性函数,以神经网络为基础的时间序列预测模型能很好地反映信息的非线性发展趋势。该文在分析传统BP网络缺点的基础上,用具有良好全局搜索能力的遗传算法来改进神经网络。详细讨论了GA算法的优化神经网络初始权值和阈值的思想和理论。在阐述预测方法同时,用具体例证分析了GA-BP网络预测的性能和特点。结果表明,基于GA-BP神经网络在预测精度和适应性方面高于传统的BP神经网络。     

基于蚁群聚类和裁剪方法的RBF神经网络优化算法

提出了一种基于蚁群聚类算法和裁剪方法的RBF神经网络优化算法。利用蚁群算法的并行寻优特征和一种自适应调整挥发系数的方法,提出一种新的聚类算法来确定RBF神经网络中基函数的位置;通过一种裁减的方法,除去对整个网络的输出贡献不是很重要的隐层单元来约简隐含层的神经元,以达到简化RBF神经网络结构的目的。对非线性函数进行逼近仿真,结果表明:优化算法有比较好的优化效果,而且,优化后的RBF神经网络的结构小,RBFNN的泛化能力得到了提高。     

非线性函数逼近的几类神经网络方法比较研究

Matlab中神经网络作为数据处理的一种有效方法已经被广泛研究,其中基于神经网络实现函数逼近是其处理数据的具体应用之一.在相同误差指标和目标参数的情况下,通过应用具有代表性的BP,RBF和Elman网络以及小波神经网络逼近非线性函数.仿真结果表明,不同的网络结构和训练算法对逼近结果影响是不同的,且每种方法在恰当的应用条件下都能实现理想效果.所以在实际工程应用中具有指导意义,只要合理分析实际数据,就可选择有效的神经网络方法解决实际问题.     

小波神经网络用于非线性函数逼近的研究

神经网络具有良好的学习特性,而小波变换具有良好的时频局部化特性,将二者结合在一起构成小波神经网络,网络隐层采用morlet小波函数,输出层采用线性函数,可使该网络兼具神经网络和小波变换的优点.作者分别用小波网络和BP网络逼近一非线性函数,其结果表明,在相同的误差条件下,小波网络的收敛速度要远远快于一般的BP网络.     

一种优化神经网络结构算法

给出了一种优化三层神经网络结构算法。首先以较大隐层节点数进行学习，然后根据隐层输出信息提取各节点之间的线性特征来优化隐层节点数。对隐层输出信息提取各节点之间的线性特征，给出了两种方法：一种是在ＢＰ神经网络迭代后用自适应线性单元来提取隐层输出各节点之间线性特征，另一种是在ＢＰ神经网络迭代时就尽量使隐层输出各节点之间呈线性，然后用上种方法来提取隐层输出各节点之间线性特征。实例验证，后一种比前一种能更好地优化ＢＰ神经网络结构。     

ANN在聚丙烯酸酯乳液性质预测中的应用

在MATLAB中的图形用户界面下,用人工神经网络(ANN)对聚丙烯酸酯乳液的硬度、附着力和耐冲击性3种性能进行了预测。选用三层的误差反向传递网络(BP网络),讨论了隐含层节点数,训练目标goal值和传递函数等相关参数对预测结果的影响。在隐含层节点数分别为19、16和20,传递函数为logsig函数和purelin函数,训练目标值goal为1.0×10-5的条件下,对17个样品进行了预测。结果表明:硬度预测值与实验值相对误差的绝对值的平均值为5.90%,附着力预测准确率为100%,耐冲击性预测准确率为100%。     

基于非线性时序信号神经网络预测模型讨论

本文从神经网络理论及实践两个方面，探讨了目前非线性时序信号预测神经网络模型存在的几个问题：网络输入节点数的确定，隐层节点数及隐层数目，节点单元作用函数的确定，三层前向神经网络的逼近能力，神经网络的外延性。本文提出了这些问题，以期加快时序信号预测研究的发展。     

改进Elman网络的逼近性质研究

提出了能够用于非线性系统建模的一种新型回归网络,该网络是Elman网络的改进,由输入层、隐层和输出层构成.输入层由外部输入和内部状态层组成,隐层到状态层的连接是任意的,因此在逼近系统时,改进的Elman网络比Elman网络有更多记忆空间.同时证明了改进的Elman网络能够逼近一定时间内的非线性系统的输出轨线,提出了利用动态反向传播算法训练神经网络的前向和反向权值,仿真结果验证了该方案的有效性.     

基于时空神经网络增强数字示波器功能的研究

运用时空神经网络时域和空域模式识别方法给数字示波器增加AM调制信号测量功能。选择Elman神经网络结构,采用反向传播网络训练函数traingdx和learnbcf函数的算法,实现了AM调制信号检波的功能。同时,增加输出反馈回隐层的连接和延迟,采用附加动量因子的梯度下降权值/阀值学习算法改进神经网络。改进的网络学习速度快,逼近精度高,输出既没有振荡,也不产生纹波;并且网络适应性好,测量的鲁棒性高,要求采集信号周期少;方法新颖,运算量小,计算误差小,添加到数字示波器函数中,实现了示波器测量AM调制信号的功能。     

基于BP神经网络的轨道交通对房地产价格影响分析

基于轨道交通对房地产影响的复杂性和不确定性,运用基于投标租金模型的BP神经网络模型,以北京八通线起点站为中心,选取13组楼盘为样本,以住宅价格为输出层,以汇集时间、行车时间为输入层,采用仅有一个隐含层的3层神经网络进行分析,得出交通成本与住宅价格的神经网络模型．结合样本数据验证了模型的准确性,为人们准确进行房地产收益开发预测提供了一种有效的方法．     

索力振动法测量神经网络赋泛研究

索的受力状态关系着索体系桥梁的安全,索力值是衡量索力学状态的重要指标.目前,索的边界条件难以判别是影响索力识别结果准确性的重要因素.为此,利用ANSYS对拉索振动进行数值模拟,并借助已有索力计算公式对建模方式的可靠性进行验证,并生成模拟数据;然后,以索长、线密度、抗弯刚度、1阶频率、2阶频率、3阶频率为输入参数,以索力...     

An ICPSO-RBFNN nonlinear inversion for electrical resistivity imaging

To improve the global search ability and imaging quality of electrical resistivity imaging(ERI) inversion, a two-stage learning ICPSO algorithm of radial basis function neural network(RBFNN) based on information criterion(IC) and particle swarm optimization(PSO) is presented. In the proposed method, IC is applied to obtain the hidden layer structure by calculating the optimal IC value automatically and PSO algorithm is used to optimize the centers and widths of the radial basis functions in the hidden layer. Meanwhile, impacts of different information criteria to the inversion results are compared, and an implementation of the proposed ICPSO algorithm is given. The optimized neural network has one hidden layer with 261 nodes selected by AKAIKE's information criterion(AIC) and it is trained on 32 data sets and tested on another 8 synthetic data sets. Two complex synthetic examples are used to verify the feasibility and effectiveness of the proposed method with two learning stages. The results show that the proposed method has better performance and higher imaging quality than three-layer and four-layer back propagation neural networks(BPNNs) and traditional least square(LS) inversion.     

基于小波变换的前馈神经网络在电器优化中的应用

利用基于小波变换的单隐层前馈型神经网络，模拟任意复杂的非线性映，地对电磁机构的优化问题，使用来自有限元分析的训练信息，通过选取一簇适当的紧支正交小波基函数，合成具有一定拓朴结构的小波网络，且对网络的训练过程是一个凸函数的最优化过程，从而能得到全局最优解，学习的收敛速度很快。我们将之应用于交流真空接触器直流激磁系统的优化设计中，取得了较好的效果。     

BP神经网络预测方法的改进及其在隧道长期沉降预测中的应用

对已有的BP神经网络预测方法做了进一步的改进,通过对比选取了最优的网络训练模式和传递函数;利用反复训练和统计学原理推导了适用于确定单个隐含层神经元个数的解析式,并提出了与其相适应的归一化方法、最优归一区间和最优隐层神经元个数的取值范围;指出当输入神经元大于3个时,采用具有双隐含层结构的BP神经网络进行预测的效果远好于单个隐含层结构.对隧道结构整体沉降进行了预测,效果满意,为合理选择后续施工工艺提供了依据.