金属离子—DCyTA配合物稳定性的函数连接型网络研究

采用函数连接型神经网络的方法,以金属离子的电荷、离子半径、价电子结构、电负性及适配价轨道数因子为参数,成功地关联了４６种已知的金属－ＤＣｙＴＡ配合物稳定常数ｌｏｇＫ值,并在此基础上,预报了包括所有锕系元素在内的２２种金属－ＤＣyＴＡ配合物的ｌｏｇＫ值。     

环糊精-苯衍生物包结物稳定常数的研究

建立了基于免疫遗传算法的人工神经网络结构,用于预测α-和β-环糊精与单取代或1,4-二取代苯衍生物包结物的稳定常数,其中神经网络用于建立取代苯中2个取代基的摩尔折射率R_m,疏水性参数π和Hammett常数σ与包结物稳定常数之间的QSAR模型,而免疫遗传算法则用于优化网络的权重系数。结果表明,由于免疫机制的引入使遗传算法的优化效率提高,神经网络的学习功能得到明显改善。     

Excel软件应用于测定配合物组成和稳定常数

配合物的稳定常数是重要的物理参数,用分光光度法测定稳定常数牵涉到大量的数据,图形和复杂计算,本文利用Excel软件的绘图和数据运算功能,绘制吸光度-波长曲线,绘制、校正吸光度.摩尔分数曲线以确定配合物组成.用其公式可示和迭代计算功能求出配合物的稳定常数,免除手作或编程的麻烦,处理数据变得简便,快捷,准确.     

镉-氨基乙酸酰胺配合物体系极谱数据的计算机分析

在Cd(Ⅱ)离子浓度为1.00×10-4-5.00×10-4mol·dm-3、配体与金属浓度比为50-200条件下,改变溶液的pH值, 用示差脉冲极谱技术研究Cd(Ⅱ)-氨基乙酸酰胺体系。依据极谱峰电位随溶液pH和自由金属离子浓度的变化关系,推测溶液中存在MHL、ML、ML2、ML3,和ML3,(OH)等五种金属配合物。用计算机分析程序,通过求解体系的质量平衡方程及拟合实验配合物形成曲线,优化得到MHL、ML、ML:、ML,和ML,(OH)五种金属配合物的稳定常数(logβ)分别为9.38±0.03、2.89±0.04、4.86±0.13、6.82±0.03和10.24±0.14。     

环状氮杂Cu(II)配合物与DNA的相互作用研究

电分析方法是研究金属配合物与DNA作用非常有效的方法，本文研究了六氮杂环状过渡金属配合物与DNA的作用，推导了峰电流（ipc)与代表DNA浓度的核苷酸磷酸浓度[NP]的关系工，并利用最小二乘法对实验数据进行非线性拟合，以此估计金属配合物与DNA作用的参数：金属配合物与DNA结合的稳定常数K，键合位点数s，与DNA结合和未结合的金属离子的扩散系数Db和Df，为进一步研究金属配合物与DNA作用提供了有用信息。     

基于进化式模糊神经网络的时间序列预测系统

文章介绍了一种基于进化式模糊神经网络时间预测系统,它是一种快速自适应的局部学习模型;进化式模糊神经网络是一个特殊类型的神经网络,它能通过进化其结构和参数来容纳新的数据.文章重点介绍了网络结构、学习方法及创建、修剪、聚合规则节点的算法;实验结果表明:模糊隶属函数的个数,规则的修剪和聚合等训练参数,与网络的行为和预测结果有很重要的关系.     

模糊神经网络与SARIMA结合的时间序列预测模型

模糊神经网络和SARIMA模型分别对非线性和线性时间序列有很好的预测能力,但在实际应用中大多数序列并非稳定、单纯线性或非线性的。为了提高预测精度,提出了一种基于T-S模糊神经网络与SARIMA结合的时间序列预测模型。针对悉尼航班乘客收入数据给出了三种混合模型,并与模糊神经网络、支持向量机、SARIMA和BP神经网络四种单独模型进行比较。实验结果表明,从预测精度和参数选择方面来看,所给模型是有效的。     

一种求解有色配合物逐级离解常数的计算机方法

基于有色配合物常利用光度法测得摩尔吸光系数以求算溶液中配合物的组成及配合常数,本文提出一种求算配合物逐级离解常数的计算机方法。并采用回归系数与理论斜率-1的比值百分率来考核实验结果的可靠程度。求算了单核配合物的逐级离解常数。并同文献值的数据进行了比较。     

模糊神经网络与SARIMA结合的时间序列预测模型

模糊神经网络和SARIMA模型分别对非线性和线性时间序列有很好的预测能力,但在实际应用中大多数序列并非稳定、单纯线性或非线性的.为了提高预测精度,提出了一种基于T-S模糊神经网络与SARIMA结合的时间序列预测模型.针对悉尼航班乘客收入数据给出了三种混合模型,并与模糊神经网络、支持向量机、SARIMA和BP神经网络四种单独模型进行比较.实验结果表明,从预测精度和参数选择方面来看,所给模型是有效的.     

基于进化式模糊神经网络的时间序列预测系统

文章介绍了一种基于进化式模糊神经网络时间预测系统，它是一种快速自适应的局部学习模型；进化式模糊神经网络是一个特殊类型的神经网络，它能通过进化其结构和参数来容纳新的数据。文章重点介绍了网络结构、学习方法及创建、修剪、聚合规则节点的算法；实验结果表明：模糊隶属函数的个数，规则的修剪和聚合等训练参数，与网络的行为和预测结果有很重要的关系。     

自适应模糊神经网络预测阳离子标准熵的研究

依据独立共同可别粒子体系的熵与配分函数的关系,采用自适应模糊神经网络的方法,以元素原子量和其电子层数为参数,关联阳离子标准熵。利用减法聚类算法确定模糊神经网络的结构,并结合模糊推理系统调整网络参数,仿真的结果令人满意。成功地关联了固体化合物中70种阳离子的标准熵。在此基础上,预报目前尚缺的17种阳离子的标准熵。自适应模糊神经网络可望成为研究元素和化合物构效关系的辅助手段。     

一种模糊神经网络的结构和参数的确定方法*

结合FGP(Fuzzy Grid Partition,模糊网格划分)和FNN(Fuzzy Neural Network,神经网络)提出一种有效确定模糊神经网络模型中结构及参数的方法.该方法首先从样本数据中采用模糊网格划分确定出最佳规则数,从而可确定神经网络的结构;然后采用BP算法对神经网络进行调节,从而确定出模糊神经网络的参数.采用这种方法构建我国经济增长的模糊模型.研究表明这种方法构建的模糊神经网络具有更高的精度.     

Fuzzy neural computing of coffee and tainted-water data from an electronic nose

In this paper we compare the ability of a fuzzy neural network and a common back-propagation network to classify odour samples that were obtained by an electronic nose employing semiconducting oxide conductometric gas sensors. Two different sample sets have been analysed: first, the aroma of three blends of commercial coffee, and secondly, the headspace of six different tainted-water samples. The two experimental data sets provide an excellent opportunity to test the ability of a fuzzy neural network due to the high level of sensor variability often experienced with this type of sensor. Results are presented on the application of three-layer fuzzy neural networks to electronic nose data. They demonstrate a considerable improvement in performance compared to a common back-propagation network.     

网络攻击方案评估系统设计与仿真

从攻击者角度出发提出一个基于RBF神经网络的网络攻击方案评估系统用于网络安全态势分析.提出涵盖了攻击方案中所涉及的攻防双方特性的评估指标体系,利用模糊层次分析法对指标数据进行模糊综合处理,采用RBF神经网络对攻击方案的效能进行推理,使系统具备自学习的能力,实现对整体攻击方案对受攻击的网络的影响程度的预测.仿真实验结果表明,系统能较客观地反映网络攻击方案针对不同防护能力目标所产生的危害,为推理分析出攻击者可能采取的攻击思路和手段提供参考.     

基于T-S模型FNN的网络入侵检测方法研究

本文对基于T-S模型FNN的网络入侵检测方法进行系统地研究与分析.解决了T-S模型网络的前件网络模糊参数和后件网络连接权的学习问题.采用1998年林肯实验室数据集,运用统计分析的方法对数据进行特征选取,并进行归一化处理.最后进行网络入侵检测方法的建模,在Matlab仿真平台上进行仿真实验,结果表明基于T-S模型FNN的网络入侵检测方法具有很好的应用价值.     

一种自组织双模糊神经网络控制算法

针对传统模糊神经网络设计复杂、控制实时性滞后的问题,提出自组织双模糊神经网络算法。将样本数据进行聚类划分,形成原始的模糊隶属函数集;在神经网络的离线训练过程中,完善并优化模糊隶属函数和规则;采用双神经网络结构,在线工作时,一个神经网络完成在线学习任务,另一个神经网络完成工业控制任务;经过一定的系统周期,同步系统中两组神经网络的参数;提取完成控制任务的神经网络的输出作为算法的输出。应用于火箭发动机试验台控制系统中,表明算法能够提升控制系统中针对输入参数越界的鲁棒性,提高控制实时性,简化了模糊神经网络的设计复杂度。     

基于快速算法的模糊神经网络自适应控制

针对过程控制中被控对象常具有非线性、不确定性及参数时变等复杂因素,而难以建立精确的数学模型的情况,提出了一种基于快速学习算法的模糊神经网络自适应预测控制方案。该方案用神经网络作辨识器,模糊神经网络作控制器来实现非线性系统的自适应预测控制。为了克服传统的梯度下降法收敛速度慢、容易陷入局部极小值的缺点,该方案采用递推最小二乘法训练模糊神经网络。仿真结果表明,该方案可以实现模糊控制和神经网络的优势互补,对不确定非线性系统具有很好的控制效果。     

Applying fuzzy neural network to estimate software development effort

The ability to accurately and consistently estimate software development efforts is required by the project managers in planning and conducting software development activities. Since software effort drivers are vague and uncertain, software effort estimates, especially in the early stages of the development life cycle, are prone to a certain degree of estimation errors. A software effort estimation model which adopts a fuzzy inference method provides a solution to fit the uncertain and vague properties of software effort drivers. The present paper proposes a fuzzy neural network (FNN) approach for embedding artificial neural network into fuzzy inference processes in order to derive the software effort estimates. Artificial neural network is utilized to determine the significant fuzzy rules in fuzzy inference processes. We demonstrated our approach by using the 63 historical project data in the well-known COCOMO model. Empirical results showed that applying FNN for software effort estimates resulted in slightly smaller mean magnitude of relative error (MMRE) and probability of a project having a relative error of less than or equal to 0.25 (Pred(0.25)) as compared with the results obtained by just using artificial neural network and the original model. The proposed model can also provide objective fuzzy effort estimation rule sets by adopting the learning mechanism of the artificial neural network.     

Using B-spline neural network to extract fuzzy rules for a centrifugal pump monitoring

In mechanical equipment monitoring tasks, fuzzy logic theory has been applied to situations where accurate mathematical models are unavailable or too complex to be established, but there may exist some obscure, subjective and empirical knowledge about the problem under investigation. Such kind of knowledge is usually formalized as a set of fuzzy relationships (rules) on which the entire fuzzy system is based upon. Sometimes, the fuzzy rules provided by human experts are only partial and rarely complete, while a set of system input/output data are available. Under such situations, it is desirable to extract fuzzy relationships from system data and combine human knowledge and experience to form a complete and relevant set of fuzzy rules. This paper describes application of B-spline neural network to monitor centrifugal pumps. A neuro-fuzzy approach has been established for extracting a set of fuzzy relationships from observation data, where B-spline neural network is employed to learn the internal mapping relations from a set of features/conditions of the pump. A general procedure has been setup using the basic structure and learning mechanism of the network and finally, the network performance and results have been discussed.