Fourier三角基神经元网络的权值直接确定法

根据Fourier变换理论,本文构造出一类基于三角正交基的前向神经网络模型。该模型由输入层、隐层、输出层构成,其输入层和输出层采用线性激励函数,以一组三角正交基为其隐层神经元的激励函数。依据误差回传算法(即BP算法),推导了权值修正的迭代公式。针对BP迭代法收敛速度慢、逼近目标函数精度较低的缺点,进一步提出基于伪逆的权值直接确定法,该方法避免了权值反复迭代的冗长过程。仿真和预测结果表明,该方法比传统的BP迭代法具有更快的计算速度和更高的仿真与测试精度。     

PID神经元网络之权值直接确定法研究

网络权值如何确定,是人工神经网络研究中的一个重要课题。传统PID神经元网络在该问题的研究上,大多数采用误差回传(BP)的思想,通过迭代训练而估算出该网络的连接权值。针对PID神经元网络,对其进行简单巧妙的转化,可提出一种基于矩阵伪逆表述的直接计算权值的方法,从而避免了冗长的迭代训练过程。计算机仿真结果表明,该权值直接确定方法不仅有更快的学习/计算速度,而且能达到更高的计算精度。     

基函数神经网络逼近能力探讨及全局收敛性分析

构建一类新型基函数神经网络.依据梯度下降法思想,给出该神经网络的权值迭代公式,证明迭代序列能全局收敛到网络的最优权值,并由此推导出基于伪逆的最优权值一步计算公式--简称为权值直接确定法.理论分析表明,该新型神经网络具有最佳均方逼近能力和全局收敛性质,其权值直接确定法避免了冗长迭代计算、易陷于局部极小点、学习丰难选取等传统BP神经网络难以解决的难题,仿真验证显示其相时BP神经网络的各种改进算法具有运算速度快、计算精度高等优势,且对于噪声有良好的滤除特性.     

改造前向神经网络结构以求网络权值直接确定——Jacobi正交基神经网络实例

根据多项式插值与逼近理论,以一组零阀值特例Jacobi正交多项式(第二类Chebyshev正交多项式)作为隐层神经元的激励函数,构造一种基于Jacobi正交基的前向神经网络模型.该神经网络模型采用三层前向结构,其中输入、输出层神经元采用零阀值线性激励函数.为改进传统神经网络收敛速度较慢及其局部极小点问题,针对该Jacobi正交基前向神经网络模型,提出了一种基于伪逆的直接计算神经网络权值的方法(即,一步确定法),并利用该神经网络进行预测.计算机仿真结果表明,相对比传统的BP迭代训练方法,权值直接确定法计算速度更快、预测精度更高.     

多元切比雪夫神经网络及其快速权值确定算法

与传统的多层感知器模型相比,切比雪夫神经网络具有收敛速度快,复杂度低,泛化能力强等优点,但是,其研究最为广泛的一元切比雪夫神经网络在解决实际应用中的多元问题时存在着很大局限。鉴于此,对一元切比雪夫神经网络进行扩展,提出了多元切比雪夫神经网络模型,并在切比雪夫多项式正交性的基础上给出了快速权值确定算法。仿真实验证明,相对于传统多层感知器神经网络,该方法在计算精度和计算速度等方面都存在明显优势。     

基函数神经网络权值直接确定的图像复原

给出了基函数神经网络图像复原的模型,该神经网络模型是由三层构成的前向神经网络,以一组正交基为隐层神经元的激励函数。为了避免反复迭代权值修正的冗长BP训练过程,提出了一种权值直接确定的算法。实验结果表明,该种权值直接确定算法不仅能一步确定权值而获得更快的运算速度,而且能达到更高的精度。     

中心、方差及权值直接确定的RBF神经网络分类器

模式分类是径向基函数(RBF)神经网络应用的一个重要方面,目前大多数RBF网络都采用迭代学习的方法.区别于反复迭代训练而得到网络参数的惯常做法,重新探讨一种基于矩阵伪逆或逆的中心、方差及权值可直接确定的方法.并基于此方法构建一种模式识别分类器,对IRIS分类问题进行计算机仿真验证.结果表明,相对于迭代法,该直接确定方法具有更快的计算速度,构建的RBF神经网络分类器也具有良好的分类性能.     

SIMO傅里叶三角基神经网络的权值直接确定法和结构自确定算法

根据傅里叶级数逼近理论,将正交三角函数系作为隐层神经元激励函数,合理选取这些激励函数的周期参数,构造单输入多输出(SIMO)傅里叶三角基神经网络模型.根据该网络的特点,推导出一种基于伪逆的权值直接确定法,从而1步计算出网络最优权值,并在此基础上设计出隐层结构自确定算法.仿真结果表明,与传统BP(反向传播)神经网络及基于最小二乘法的SIMO傅里叶神经网络模型相比,本网络模型具有更高的计算精度和更快的计算速度.     

切比雪夫神经网络权值与结构确定及其分类应用

本文提出一种可用于模式分类的新型的单输出切比雪夫(Single-Output Chebyshev-Polynomial)神经网络(简称SOCP网络)。基于SOCP网络,本文进而提出另一种可用于模式分类的多输出切比雪夫(Multi-Output Chebyshev-Polynomial)神经网络(简称MOCP网络)。为避免冗长的迭代学习过程,本文采用权值直接确定法一步获得网络的最优权值。另外,为使网络同时具备较好的拟合和泛化能力,本文提出四折交叉验证法用于确定网络适当的隐层神经元数目。结合权值直接确定法和四折交叉验证法,本文最终提出SOCP网络和MOCP网络相对应的权值与结构确定法。数值实验结果验证了所提出的SOCP网络、MOCP网络以及相对应权值与结构确定法的有效性,并且由该算法所确定的网络在模式分类的应用中具有很高的准确率和很强的鲁棒性。     

基于Hermite神经网络的动态手势学习和识别

为提高动态手势学习速度和识别准确率,本文提出一种基于Hermite正交基前向神经网络的动态手势识别方法。利用Camshift算法实时跟踪手势运动轨迹,提取手势特征向量作为神经网络的输入;以Hermite正交基函数作为隐含层激励函数构造三层前向神经网络,并给出一种基于伪逆的直接计算权值方法和根据网络目标精度要求自适应确定隐含节点数目方法;运用训练好的Hermite神经网络识别动态手势。测试结果表明:Hermite神经网络能够提高网络的学习训练速度和精度,提高手势学习速度和识别准确率,而且在手势识别方面具有较好的鲁棒性和泛化能力。     

Legendre神经网络非线性信道均衡

在分析Chebyshev正交多项式神经网络非线性滤波器的基础上，利用Legendre正交多项式快速逼近的优良特性以及判决反馈均衡器的结构特点，提出了两种新型结构的非线性均衡器，并利用NLMS算法，推导出自适应算法．仿真表明，无论通信信道是线性还是非线性，Legendre神经网络自适应均衡器与Chebyshev神经网络均衡器的各项性能均接近，而Legendre神经网络判决反馈自适应均衡器能够更有效地消除码间干扰和非线性干扰，误码性能也得到较好的改善．     

Performance comparison between the training method and the numerical method of the orthogonal neural network in function approximation

The orthogonal neural network is a recently developed neural network based on the properties of orthogonal functions. It can avoid the drawbacks of traditional feedforward neural networks such as initial values of weights, number of processing elements, and slow convergence speed. Nevertheless, it needs many processing elements if a small training error is desired. Therefore, numerous data sets are required to train the orthogonal neural network. In the article, a least‐squares method is proposed to determine the exact weights by applying limited data sets. By using the Lagrange interpolation method, the desired data sets required to solve for the exact weights can be calculated. An experiment in approximating typical continuous and discrete functions is given. The Chebyshev polynomial is chosen to generate the processing elements of the orthogonal neural network. The experimental results show that the numerical method in determining the weights gives as good performance in approximation error as the known training method and the former has less convergence time. © 2004 Wiley Periodicals, Inc. Int J Int Syst 19: 1257–1275, 2004.     

基于Chebyshev正交函数神经网络的混沌系统鲁棒自适应同步

提出了基于Chebyshev正交函数神经网络的不确定性混沌系统的鲁棒自适应同步方法.首先,本文提出了正交函数神经网络的网络结构,分析了利用Chebyshev正交多项式形成神经网络的机理.利用Lyapunov稳定性定理确定正交函数神经网络控制器的权值更新规则,并保证权值误差和跟踪误差的有界性.该方法能克服不确定性对混沌系统同步的破坏,实现了良好的同步效果.在本文最后,针对Lorenz系统进行了数值计算,数值计算结果表明了所给方法的有效性.     

Chebyshev神经网络辨识器

基于逼近论，将一组Ｃｈｅｂｙｓｈｅｖ正交多项式取代ＢＰ网络中的Ｓ型函数，构成一种新的神经网络模型。理论分析和仿真实验表明，该网络可逼近任意非线性系统，且建模容易，收敛速度快，学习次数远远少于ＢＰ网络。     

Gray-box modeling and control of polymer molecular weight distribution using orthogonal polynomial neural networks

A method of modeling and control on polymer molecular weight distribution (MWD) is presented in this paper. An orthogonal polynomial feedforward neural network (OPFNN) and a recurrent neural network (RNN) are combined to model the shape of MWD. In this combined neural networks, the weights of OPFNN are equivalent to moments of MWD through a linear transformation, when the polynomial used as the basis function of OPFNN satisfies some requirements. So the weights are given practical feature, and terms the neural network model a gray-box model. Then the requirements of polynomial are deduced. After modeling, an optimal control scheme is discussed on tracking the desired MWD during the polymerization process. The modeling error is added into the performance function to improve the control effect. The modeling and control method is tested on styrene polymerization reacted in CSTR, and simulation results proved the effectiveness of the method.     

多元Chebyshev正交多项式混合模型及其在医学图像分割中的应用

针对原有一元正交多项式混合模型只能根据灰度特征分割图像的问题,提出一种基于多元Chebyshev正交 多项式混合模型的多维特征的医学图像分割方法。首先,根据Fouricr分析方法与张量积理论推导出图像的多元 Chcbyshcv正交多项式,并构建多元正交多项式的非参数混合模型,用最小均方差(MISE)估计每一个模型的平滑参 数;然后,用EM算法求解正交多项式系数和模型的混合比。此方法不需要对模型作任何假设,可以有效克服“模型失 配”问题。通过实验,表明了该分割方法的有效性。     

基于Chebyshev神经网络的图像复原算法

退化图像的点扩散函数难以准确确定,为此,提出一种基于Chebyshev正交基函数的前向神经网络图像复原算法。该算法以一组Chebyshev正交基为隐层神经元的激励函数,采用BP算法对权值进行修正,达到收敛目标。给出2类Chebyshev神经网络的实现步骤及其相应衍生算法的图像恢复实现步骤。实验结果表明,该算法能较好地实现图像复原。     

Design and implementation of a neuro-adaptive backstepping controller for buck converter fed PMDC-motor

A neuro-adaptive backstepping control (NABSC) method using single-layer Chebyshev polynomial based neural network is proposed for the angular velocity tracking in buck converter fed permanent magnet dc (PMDC)-motor. Owing to their universal approximation property, neural networks have been utilized for approximating the unknown nonlinear profile of instantaneous load torque. The inherent computational complexity of the neural network based adaptive scheme has been circumvented through the use of orthogonal Chebyshev polynomials as basis functions. A detailed stability and transient performance analysis has been conducted using Lyapunov stability criteria. The proposed control scheme is shown to yield a superior output performance with enhanced robustness for wide variations in load torque and set-point changes, compared to existing conventional approaches based on adaptive backstepping. The theoretical propositions are verified on an experimental prototype using dSPACE, Control Desk DS1103 setup with an embedded TM320F240 Digital Signal Processor proving its applicability to real-time electrical systems. The efficiency of the proposed strategy is quantified using performance measures and are evaluated against the conventional adaptive backstepping control (ABSC) methodology. Ultimately, this investigation confirms the effectiveness of the proposed control scheme in achieving an enhanced output transient performance while faithfully realizing its control objective in the event of abrupt and uncertain load variations.     

基于快速确定隐层神经元数的BP神经网络算法

根据多项式理论构造一种以正交多项式作为隐层神经元激活函数的PP神经网络模型。针对该网络提出一种算法,即一种隐层的激励函数为正交多项式及其神经元数目可快速确定的算法。首先通过数学证明从理论上验证了该算法的有效性。然后利用计算机对该算法进行仿真与校验,并与传统的PP算法进行比较。结果表明该算法不仅突破了传统PP神经网络的局限性,如收敛速率慢、最佳隐神经元数难确定等,而且能够达到更高的工作精度,从而从实验上验证了该算法的有效性。