一种基于混合学习算法的模糊神经网络控制

针对ＢＰ算法容易陷入局部极小的缺点，利用遗传算法极强的全局搜索能力对模糊神经网络控制器参数进行离线优化，并对遗传操作进行了改进，使其最终搜索到全局最优或近似全局最优的附近．再利用ＢＰ算法较强的局部搜索能力和对对象的适应能力进一步进行参数的在线调整．仿真结果表明：该方案的综合性能优于常规模糊控制器．     

动态递归模糊神经网络及其BP学习算法

提出了一种新型的动态递归模糊神经网络，并根据动态递归神经网络的数学模型推导出其动态反向传播学习算法，仿真结果表明对于动态系统的辨识，动态递归模糊神经网络较传统模糊神经网络在辨识精度和稳定性方面具有更好的效果。     

动态递归模糊神经网络及其BP学习算法

提出了一种新型的动态递归模糊神经网络,并根据动态递归神经网络的数学模型推导出其动态反向传播学习算法,仿真结果表明对于动态系统的辨识,动态递归模糊神经网络较传统模糊神经网络在辨识精度和稳定性方面具有更好的效果.     

二维时延有序反向传播神经网络模型与算法

基于有序系统的概念,文中提出了一种二维时延有序反向传播神经网络模型并给出了相应的有序BP算法,同时指出传统的BP算法可看作是该算法的一种特例。该模型可用于模式识别、图像处理等领域。文中最后对5类飞机模型纵向像识别的实验比较,结果表明该模型及算法比传统的BP算法在性能上有一定的优越性。     

滚动轴承故障诊断的神经网络技术

文中将神经网络技术运用于滚动轴承故障诊断,着重讨论了传统故障诊断技术所面临的挑战及基于神经网络的故障诊断技术的优越性,传统的故障断专家系统在知识的获取及表达上存在着困难,并且当系统圈套 时,变得非常庞大,不适于在线控制;人工神经网络对信息分布式的存储及处理,具有明显的优点,以滚动轴承故障诊断为例,编制了基于神经网络技术的诊断程序,运行结果表明,该方法具有判断准确、容错性好,适于在线工作,便于推广的优点。     

修改的反向传播算法

本文提出一个修改的反向传播算法，并基于这一算法设计了一个能进行故障诊断的神经网络模型。然后，用实验说明了这一算法的实用性。     

前馈神经网络混合学习算法研究

提出了一种前馈神经网络混合学习算法。该算法综合考虑了影响神经网络性能的３个主要因素：权值、激励函数和拓扑结构。该算法以参数神经网络和结构学习为基础,并采用了学习速率矩阵。对双螺旋问题的仿真实验结果表明,该算法具有较快的收敛速度。     

用于神经网络权系数训练的遗传算法

神经网络是非线性分类的一种方法，具有通过训练，不断提高精度的特点。遗传算法具有全局搜索最优解的特点。把上述方法结合起来用于Holter心电图的分类。     

一种BP神经网络的学习算法及其改进

本文详细推导了典型ＢＰ神经网络学习算法,并给出了一种基于动量和学习速率自适应调整的虎法。仿真结果表明,改进算法的学习速度和收敛性得到了明显的提高。     

一种新的神经网络模型及学习算法

给出了一种新的用于推理的神经网络模型，讨论了权矩阵的确定方法和相应的自适应学习算法，并就合成关系的不同取法及意义进行了比较。     

提高前馈神经网络学习效率的学习算法探讨

简要分析了最速下降法（Ｓｔｅｅｐｅｓｔ Ｄｅｓｃｅｎｔ Ａｌｇｏｒｉｔｈｍ ,即ＳＤＡ 法）和正交校正共轭梯度法（ＣＧＭ－ＯＣ法）的优缺点,提出了一种进行多层前馈神经网络学习的新算法,即ＳＤ－ＣＧＭ－ＯＣ算法．该算法结合最速下降法与正交校正共轭梯度法的特点,在文中所述实际问题构造模型的基础上,论证了ＳＤ－ＣＧＭ－ＯＣ算法比传统的ＢＰ算法具有更高的学习效率和二次收敛率．实验结果验证了该学习算法的有效性．     

多层神经网络的一种新的学习算法

给出前馈式多层神经网络的一种新的学习算法，该算法的特点是单参数动态搜索，大大减少了误差函数的计算量。给出了详细的算法描述。计算结果表明，新算法的收敛速度较现行的Ｂ－Ｐ算法有明显的改进。     

修改的反向传播算法

本文提出一个修改的反向传播算法，并基于这一算法设计了一个能进行故障诊断的神经网络模型。然后，用实验说明了这一算法的实用性。     

正交投影神经网络的BP和GS杂交学习算法

主要讨论具有单隐层的正交投影神经网络的权值和阈值的学习问题,提出了一种新的将BP算法和GS算法相结合的杂交学习算法,其中GS算法对隐层到输出层的权值和阈值进行学习,BP算法用于输入层到隐层权值的学习,并给出一种最佳的隐层节点数的选取方法．仿真实验表明,该杂交学习算法具有学习速度快且能获得全局最优解的特点,并可有效地对学习过程中出现的病态情况进行求解,具有良好的普适性。     

快速收敛全局最优的多层前向神经网络综合反向传播算法

提出一种用于多层前向神经网络的快速收敛全局最优的综合反向传播算法。该算法使用了综合考虑绝对误差和相对误差的广义指标函数,采秀了在网络输出空间搜索的反传技术,具有动态自调整学习率和动量因子,有神经元激活特性自调整、减少平台现象和消除学习过程中不平衡现象的能力。对比实验表明该算法有比基本ＢＰ算法快得多的收敛速度,并能取得全局最优解。     

基于动态递归模糊神经网络的动态系统辨识

模糊系统和神经网络由于具有逼近任意连续非线性映射的特性而广泛应用于系统的辨识和控制，但是传统的模糊神经网络是一种静态映射，不适用于动态系统的辨识，而现实工程中的控制对象反映的是系统的动态行为．为了提高动态系统的辨识精度，提出了一种新型的动态递归模糊神经网络，并根据动态递归神经网络的数学模型推导其动态反向传播学习算法及其改进算法．仿真结果表明：由于动态模糊神经网络的辨识过程同时利用了系统的当前数据和历史数据，对动态系统的辨识，特别是对具有纯时间延迟动态系统的辨识，较传统模糊神经网络在辨识精度和稳定性方面具有更好的效果．同时，确定网络权值和隶属函数参数初始值的方法可使动态系统的辨识过程具有更快的收敛速度．     

基于BP神经网络的人脸图像识别方法的研究

提出了用BP神经网络对人脸图像进行特征提取和识别的方法,讨论了BP网络结构的设计,输入、输出层的设计,隐层结点数的选取等问题,对由10人,每人3幅图像组成的人脸图像数据库做识别实验,结果表明,BP具有很强的自适应性,对有噪声、残缺和戴眼镜的图像识别效果较好。     

改进型RBF神经网络在线的学习算法

为了更好的满足嵌入式应用领域和实时性环境的要求,在资源分配网络(RAN)的基础上提出了一种改进型径向基函数(RBF)神经网络在线学习算法.在网络参数调整过程中引入了分级学习率因子,根据理论输出和网络输出误差绝对值的大小选择不同的学习率因子参与学习过程.在VC++6.0编程环境中进行的软件仿真试验表明:相对于传统的RBF神经网络在线学习算法,改进型RBF神经网络在线学习算法在不增加网络规模的情况下可以进一步减小输出误差.     

模糊联想记忆神经网络的动态学习算法

提出了最大最小联想记忆网络的一种动态调整学习算法，分析了动态调整算法所设计出的连接权阵网络对记忆模式对吸收域的影响，在一定条件下，它能够简便而有效地对训练模式进行联想推理。首先给出了一种快速调整学习算法，再进一步发展了一个动态指数细调规则学习算法，它以快速调整学习算法的结果作为连接权矩的迭代初值。计算机实验结果表明了所提学习算法的优越性。     

BP神经网络学习算法的研究

文中针对BP算法收敛速度慢的问题,提出一种改进的BP算法．该算法结合生物神经元学习与记忆形成的特点,针对特定的训练样本,只激发网络中的部分神经元以产生相应的输出,而未被激发的神经元产生的输出则与目标输出相差较大,所以对未被激发的神经元权值闽值进行调整．利用距离来度量训练样本与神经元权值之间的关系,可以找到未被激发的神经元．文中提出的算法是对局部神经元权值闽值的调整,通过实验表明该算法有助于加快网络的学习速度．