人工神经网络神经元活动状态的鉴别

神经网络的神经元是状态响应的信号部件，神经元状态直接影响神经网络的输出信息精度。本文探讨神经元活动状态的鉴别技术，考虑了活动状态的强度，它将提高一般神经网络模型的精度。     

基于全连接循环神经网络的局域网异常流量检测技术

针对局域网异常流量检测,提出了一种基于全连接循环神经网络的检测技术.全连接循环神经网络不仅考虑到神经元当前时刻的状态,也顾及到相邻时刻的神经元状态对模型数据训练产生的影响,确保神经元状态的连续性.为避免模型训练中梯度出现损失过快的情况,基于小批量梯度下降算法调整数据训练的收敛方向;当中间隐含层级神经元过多而增加系统消耗和模式复杂度时,利用GRU替代神经元保持神经网络的性能,并改善模型的训练和预测性能.实验结果显示,提出的检测技术的模型损失函数值与目标值趋近,且检测率指标值、假阳性率指标值和检测精度指标值都要优于现有检测技术.     

中厚板轧机应力状态系数神经网络模型

为寻求计算应力状态系数的新方法,以4200轧机轧制的大量实测数据为基础,利用Matlab神经网络工具箱,以轧制前、后钢板厚度为输入神经元,以实测轧制压力并依靠压力公式进行逆运算获得的Qp为输出神经元,建立了轧制变形区的应力状态系数与轧件轧制前后钢板厚度对应关系的BP神经网络模型和GRNN神经网络模型.结果表明,用人工神经网络算法预测应力状态系数是可行的;且通过GRNN神经网络模型和BP模型的对比,说明GRNN网络具有更高的精度和更强的泛化能力.     

基于神经网络校正的电力负荷灰色预测

针对电力负荷预测残差序列具有复杂的非线性状态的特点,运用神经网络模型,对电力负荷的灰色预测残差进行校正;同时对神经网络隐含层的神经元个数进行调整,使得网络模型结构优化,模型参数确定更为合理,进一步提高了预测精度。     

反馈神经网络对非自治的非线性离散系统的近似能力

人工神经网络理论是解决非线性问题的有力工具。章研究了离散型反馈神经网络模型的建立，基于带有输入的非线性离散系统的输出可以被一类反馈神经网络输出神经元的状态向量任意逼近，笔将已有的反馈神经网络近似非线性离散系统的能力从定常系统推广到时变系统，对反馈神经网络近似非线性离散系统的能力进行了扩展研究，针对于更普遍的非自治的非线性离散系统，证明了它们在有限时间段内的输出轨迹可以被反馈神经网络输出神经元的状态向量近似到任何程度。     

一种硬感知器的结构设计与EPGA实现

分析了单个神经元神经网络(即感知器)的结构特征；介绍了自顶向下的FPGA的设计方法，并在QUARTUS^TM Ⅱ软件平台上实现了单个神经元的硬件神经网络．     

基于迟滞神经网络的商品零售价格指数预测

将传统神经元的激励函数改为迟滞激励函数,将迟滞特性引入神经网络中,构造迟滞神经网络.利用迟滞特性增强神经元对原状态保持的惯性,从而减少了神经元状态的错误变化,提高了神经网络的存储和记忆能力.利用迟滞分支响应的跳变特性以抑制网络训练过程中假饱和现象的发生.借助于前向网络的结构和学习算法,构造应用于时间序列预测分析的迟滞神经网络模型,并将其应用于社会商品零售价格指数的预测分析中.预测结果表明,该网络具有良好的泛化能力,预测效果优于传统神经网络.     

基于梯度下降法的Chebyshev前向神经网络

传统人工神经网络模型中,同一隐层各神经元的激励函数是相同的,这与人类神经元的实际情况不一致。为此,构造一种隐层各神经元激励函数互不相同的前向神经网络模型,采用一簇Chebyshev正交多项式序列作为其隐层各神经元的激励函数(简称Chebyshev前向神经网络),并为Chebyshev前向神经网络推导基于梯度下降法的网络参数训练算法。仿真实验表明,基于梯度下降法的Chebyshev前向神经网络算法能够有效调整网络参数,使之以较高的精度逼近具有复杂模式的样本数据集。     

基于混沌同步与自适应控制的神经元模型参数估计

提出一种基于混沌同步和自适应控制的方法，从神经元的动作电位序列估计神经元模型的所有参数．研究了系统参数扰动对参数估计的影响，得到测量噪声强度与参数估计精度的关系．数值仿真表明该方法能很好跟随参数的扰动．随着测量噪声强度增加，参数估计精度越低．     

结构优化深度网络的高压断路器机械故障诊断

高压断路器操作过程中的振动信号反映断路器的机械状态。针对基于浅层的振动信号分析模型的特征提取及故障诊断精度等方面存在的不足,提出了一种基于遗传算法优化的卷积神经网络高压断路器故障诊断方法。利用遗传算法的全局寻优能力,通过遗传算法的选择、交叉和变异等操作获得最优初始网络结构参数及全连接层神经元数等,进而优化卷积神经网络,并将优化后的卷积神经网络应用于高压断路器的故障诊断。结果表明,所提方法的诊断性能优于未进行优化的卷积神经网络、动态支持向量机和多层感知机。     

连续Hopfield网络稳定性判定的新方法

概述了关于连续Ｈｏｐｆｉｅｌｄ网络的经典性工作,针对推广的Ｈｏｐｆｉｅｌｄ网络,推导了在条件Ｔ下以可微零均值非线性函数作为激励函数的Ｈｏｐｆｉｅｌｄ网络全局稳定的三个充分条件,给出了Ｈｏｐｆｉｅｌｄ网络稳定性判定的新方法,并通过实例进行了验     

基于多层前向神经网络辩识电液伺服系统模型

建立了一种辩识非线性电液伺服控制系统数学模型的辩识方法,研究了多层前向神经网络辩识非线性系统的辩识算法和结构,利用辩识实验获得的过程输入／输出数据动态调整神经网络权值。仿真结果辨明：神经网络描述的电液伺服控制系统数学模型具有较高精度,算法全局逼近能力良好。     

神经网络模糊PID技术在光伏系统MPPT控制器中的应用

针对传统光伏系统MPPT控制算法的局限性及无法自适应外部复杂情况等诸多问题,提出一类以神经网络、模糊控制器以及PID控制器组成的神经网络模糊PID控制器。利用光照幅度、环境温度等参数的离线训练后的权值作为整个三层前馈神经网络的优化参数;通过预测最大功率点与实际的工作电压进行比较,运用模糊推理对PID相关参数进行最佳调整。仿真结果表明：与传统PID控制器、模糊控制器相比,本系统能增强消除系统误差能力,稳态性能有了明显提高,同时可获得更高的控制精度。     

一种用神经网络建立加热炉模型的方法

加热炉是一个复杂的被控对象，通过神经网络建立加热炉模型，用实际数据对所建加热炉模型进行仿真。结果表明，用该方法所建的加热炉模型精度很高，绝对误差在允许范围之内，达到了实际应用的要求。     

BP神经网络在预测路基沉降中的应用

为了预测高速公路路基最终沉降量，首先依据影响软土路基沉降的因素选取参数建立了BP神经网络预测最终沉降量模型．结合成都一南充高速公路沉降实测资料及其它文献中大量路基沉降资料，利用BP神经网络预测了其各自最终沉降量．通过检验样本验证，预测精度较高，能够满足实际需要．并对BP神经网络在公路建设中的应用提出了一些注意事项．     

电能表基本误差的神经网络建模研究

针对电能表智能模式检定方法中需要对电能表基本误差建模这一问题,依据神经网络能够逼近任意复杂的非线性函数关系这一特性,提出了基于BP神经网络的建模方案,将得到的电能表基本误差的神经网络模型运用到电能表智能模式检定中去,获得了很高的精度。     

基于混沌分析的BP神经网络模型及其在负荷预测中的应用

结合混沌分析理论和BP神经网络，提出在混沌相空间建立BP神经网络模型。运用混沌方法构成训练样本及确定神经网络的网络结构，用神经网络拟合相空间相点演化的非线性关系。并利用该模型对具混沌特性的电力系统日负荷时间序列进行短期预测，对比了标准BP网络模型和混沌线性回归模型的预测结果，结果表明基于混沌分析的BP神经网络模型的预测精度较高。     

小波神经网络的大坝变形预测研究

为了达到掌握大坝变形规律,确保大坝安全运行的目的.通过对小波神经网络和BP神经网络的对比,从隐含层激励函数的构造分析,得出两种网络本质相同,从BP算法的权值调节分析两种网络的预测性能包括收敛性能和泛化性能,并结合实践应用到具体的大坝预测问题上,验证小波神经网络在预测方面精度高,误差不超过0.1mm,同时泛化性能好的优势.     

基于改进神经网络的建筑结构损伤识别方法研究

采用ANSYS有限元分析软件建立神经网络的训练样本,将结构的固有频率作为网络输入,结构损伤的位置和损伤程度作为网络输出,提出了基于神经网络的建筑结构损伤识别方法。讨论了神经网络训练方法和隐含层节点数目对目标函数的影响,分析了网络训练的训练不足和训练过度等问题。以简单的建筑结构为例,基于MATLAB的GUI工具进行了BP神经网络的设计和分析。数值反演结果表明,所改进的建筑结构损伤识别方法具有良好的反演精度和较快的收敛速度。     

一类具有时滞的投影神经网络系统的指数稳定性

文章研究了一类具有时滞的投影神经网络的稳定性问题,根据这类神经网络的特点,将神经网络的状态变量进行分块,通过构造Lyapunov泛函,导出了神经网络系统指数稳定性的充分条件,在适当的初始条件下,给出的稳定性条件与分块矩阵的某些块无关,表明我们所获得的条件的优越性。