神经网络自适应模糊控制在温度控制系统中的应用

把神经网络与模糊控制相结合，提出一种基于神经网络的自适应模糊控制器。这种控制器由模糊神经网络控制器和模型网络组成，采用快速的变斜率梯度下降算法学习，具有自适应学习功能，仿真结果及其应用于温度控制系统中，控制性能明显于一般Ｆｕｚｚｙ控制。     

自适应模糊神经网络控制器设计的线性化方法

基于Ｔ－Ｓ模糊推理系统模型构造一个简化形式的Ｆｕｚｚｙ神经网络（ＦＮＮ），应用Ｓｔｏｎｅ－Ｗｅｉｅｒｓｔｒａｓｓ逼近定理证明了这种ＦＮＮ网络对非线性连续函数的全局逼近性质，并利用Ｃｌａｒｋｅ一步加权最优预报控制性能指标及前向ＦＮＮ网络辨识器模型的线性化思想，提出一种间接Ｆｕｚｚｙ神经网络自适应控制算法，仿真结果证实了该算法的有效性。     

模糊控制在三相异步电动机轻载降压节能中的应用

综合传统ＰＩＤ控制与Ｆｕｚｚｙ前馈补偿思想提出了Ｆｕｚｚｙ控制＋Ｆｕｚｚｙ前馈补偿复合模糊控制方法，该方法解决了对象非线性，不确定性条件下工作点的最佳动态控制问题，并应用在ＭＣＳ－５１单片机控制的轻载降压节能器上，取得了很好的控制效果。     

有理式多层前馈神经网络

提出了有理式多层前馈神经网络的数学模型，给出了有理式多层神经网络的学习算法，就计算复杂度而言，有理式神经网络的学习算法与传统的多层神经网络反传播算法是同阶的，函数逼近应用实例结果表明，将有理式多层神经网络用于解决传统问题是有效的。     

多层随机神经网络em算法

本文讨论了基于微分流形框架随机神经网络学习算法，称为ｅｍ学习算法；对于多层随机神经网络模型，我们从微分流形的角度分析它的对偶平坦流形结构，描述ｅｍ算法对于多层前馈随机神经网络模型学习算法实现和加速技术。     

一种基于模糊逻辑神经网络的自适应控制及其应用

本文提出了一种模糊逻辑神经网络自适应控制器．这种控制器由一个模糊高斯神经网络和一个多层神经网络组成．它具有自适应和学习能力．计算机仿真和实际的伺服直流电机调速实验的结果表明本文提出的这种控制器是切实可行的，其系统响应和鲁棒性优于常规的Ｆｕｚｚｙ控制．     

有理式二阶前馈型神经网络

文章提出了二阶有理式多层前馈神经网络的数学模型。有理式多层神经网络的思想来源于函数逼近理论中的有理式逼近。有理式前馈神经网络模型是传统前俯神经网络模型的推广，能有效地求解函数逼近问题。文章给出了有理式多层神经网络的学习算法，即误差反传播学习算法。就计算复杂度而言，有理式神经网络的学习算法与传统的多层神经网络反传播算法是同阶的。文章还给出了函数逼近和模式识别两个应用实例，实验结果说明二阶有理式多层神经网络在解决传统的问题上是有效的。     

基于U－D分解推广卡尔曼滤波的神经网络学习算法

本文针对前馈神经网络ＢＰ算法所存在的收敛速度慢且常遇局部极小值等缺陷，提出一种基于Ｕ－Ｄ分解的渐消记忆推广卡尔曼滤波学习新处法，与ＰＢ和ＥＫＦ学习算法相比，新算法不仅大大加快了学习收敛速度、数据稳定性好，而且需较少的学习次数和隐节点数即可达到更好的学习效果，对初始权值，初始方差阵等参数的选取不敏感，便于工程应用。     

前馈神经网络WAFS学习算法

1.引言前馈神经网络是目前应用最广的一种神经网络,其学习算法是由Rumelhart等人于1986年提出的反向传播(Back Propagation,BP)算法,故这种神经网络也常被称为BP神经网络。人们对前馈神经网络学习算法的研究,以前主要着重对各层之间联接权值优化的研究,如BP算法以     

混合型神经网络模型算法和应用研究

本文基于实际工业过程的特点，提出了一种带有复杂前馈和反馈的多层混合型反馈型神经网络模型，并具体研究了其学习算法。其有效性得到了说明。     

混合型多概念获取系统的设计与实现

本文主要描述了一个增量式混合型多概念获取系统ＨＭＣＡＳ，它提出了一个基于概率论的符号学习与神经网络学习相结合的学习算法，能从隶属于某个概念集的实例集中归纳出满足用户精度要求的，以浊合型判定树表示的概念描述。在ＨＭＣＡＳ中，符号学习与神经网络学习具有结合紧密的转换灵活等特点，具有较高的学习效率和较强的归纳能力以及增量学习能力。ＨＭＣＡＳ的神经网络学习可选择ＢＰ网络或ＦＴＡＲＴ网络，其推理机制提供了混     

单层神经网络的高效学习算法研究

本文描述的是目前单层神经网络中的几个高效学习算法，简称为ＧＸＸＸＳＦ，其中ＧＸＸＸＳＦ１和ＧＸＸＸＳＦ２是两个递归最小二乘学习算法，它指出用模拟输出训练单层神经网络。本文对训练单层神经网络又提出一种新的优化方法，它为高效学习算法的发展提供了依据，这种优化方法称为ＧＸＸＸＳＦ３．以ＧＸＸＸＳＦ３为基础，又推出用二进制输出作为训练单层神经网络的第二级学习算法，称为ＧＸＸＸＳＦ４     

一种改进型快速BP训练算法

本文以自适应步长调整代替ＤＦＰ优化方法中的一维搜索，并将它应用于前馈神经网络训练中。同时对步长的衰减因子和增长因子进行动态自适应调整，提高了ＢＰ训练算法的收敛速度和摆脱局部极小的能力，实验结果证明了该算法的有效性。     

多层前馈神经网络改进算法及其应用

从前馈神经网络原理分析出发，提出一种速率适应因子方法用于对多层前馈神经网络中BP算法的改进，并将改进的算法用于XOR问题的学习及多重XOR分类器问题的学习。仿真结果表明，改进后BP的算法可显著加速网络的学习速度，并且学习过程具有良好的收敛性及较强的鲁棒性。     

多项式函数型回归神经网络模型及应用

文中利用回归神经网络既有前馈通路又有反馈通路的特点，将网络隐层中神经元的激活函数设置为可调多项式函数序列，提出了多项式函数型回归神经网络新模型，它不但具有传统回归神经网络的特点，而且具有较强的函数逼近能力，针对递归计算问题，提出了多项式函数型回归神经网络学习算法，并将该网络模型应用于多元多项式近似因式分解，其学习算法在多元多项式近似分解中体现了较强的优越性，通过算例分析表明，该算法十分有效，收敛速度快，计算精度高，可适用于递归计算问题领域，该文所提出的多项式函数型回归神经网络模型及学习算法对于代数符号近似计算有重要的指导意义。     

用自调整S函数提高神经网络BP算法

学习算法是BP前馈神经网络研究中的核心问题。文中阐述了几种重要的BP算法的改进算法，提出了一种新的学习算法，即自动调整S型函数形状的算法，从理论上证明了此方法在一定前提条件下的可行性，给出了进行S型函数形状自动调整的公式。仿真实验证明了新学习算法用于非线性系统建模时的有效性。     

基于Zernike矩和前馈神经网络的图像配准

提出一种基于Zernike矩和多级前馈神经网络的图像配准算法。利用低阶Zernike矩表征图像的全局几何特征,通过多级前馈神经网络学习图像所经历的旋转、缩放和平移等仿射变换参数,在一级前馈神经网络的基础上添加二级前馈网络,以提高参数估计精度。仿真结果表明,与基于DCT系数的神经网络算法相比,该算法旋转、缩放和平移估计精度较高,对噪声的鲁棒性较强。     

基于回归神经网络的非线性时变系统辨识

为克服基于前馈神经网络的非线性系统辨识算法存在需预先估计系统输入输出滞后阶数的缺陷，提出一种基于回归神经网络的非线性时变系统的辨识算法，针对现有的回归网络学习算法大多采用梯度算法，收敛速度缓慢问题，提出一种具有快速收敛性的扩展卡尔曼滤波学习算法，大大提高了学习收敛速度，并推导了一种基于单个神经元的局部化算法，减少了计算量，仿真实例证明，所提出的算法是有效的。     

一种改进的模糊神经网络学习算法

本文引入模糊控制机制,对文献「１」的具有正态模型网络参数的前馈式模糊神经网络学习算法进行改进,提出了一种效率更好的Ｆ－ＢＰ学习算法。在此算法中,采用近似模糊推理技术来确定网络的学习率、动量因子、加速系数三个学习参数,使得这些学习参数在网络的学习过程中,根据学习时间的长短、误差大小及误差变化情况,进行动态调整,从而提高学习效率。最后,通过实例考查了Ｆ－ＢＰ学习算法的性能,并讨论了学习参数的调整对学习     

基于深度学习的八类蛋白质二级结构预测算法

蛋白质二级结构预测是结构生物学中的一个重要问题。针对八类蛋白质二级结构预测,提出了一种基于递归神经网络和前馈神经网络的深度学习预测算法。该算法通过双向递归神经网络建模氨基酸间的局部和长程相互作用,递归神经网络的隐层输出进一步送入到三层的前馈神经网络以便进行八类蛋白质二级结构预测。实验结果表明,提出的算法在CB513数据集上达到了67.9%的Q₈预测精度,显著地优于SSpro8和SC-GSN。