基于MATLAB的BP神经网络建模及系统仿真

将MATLAB中的神经网络工具箱和Simulink有机结合起来,并充分利用它们各自的优势,实现了神经网络控制系统（NNCS）的计算机仿真。具体仿真实例表明,MATLAB是进行人工神经网络计算机仿真的有效工具。     

模块化神经网络的Bayes子网集结新算法研究

针对模块化神经网络的重要命题——子网动态集成问题，提出一种基于改进的Bayes学习的子网集结新方法．首先从处理复杂问题能力、计算开销、训练误差限等级的合理性、逼近正确率的构造等方面分析了已有方法的不足．既而提出相应策略，其核心在于采用了简洁、相关性小的子网生成方法；同时以误差作为依据提出新的逼近正确率指标以确定子网的动态集结权值．仿真实验对两种改进方法的测试误差进行了比较研究，结果表明了改进方法的有效性．     

仓储式制粉系统的工程模块化仿真

文章就燃煤发电机组的仓储式钢球磨制粉系统建立了数学模型,并用简便的工程模块化的建模方法建立了某电厂这一系统的仿真模型。模型能较逼真的仿真系统的静态、动态和故障状态特性,且有较强的通用性。     

基于PSO算法的动态模块化神经网络结构设计

针对模块化神经网络结构设计过程中子网络输出不能最优集成的问题,提出一种基于粒子群算法的动态模块化神经网络.首先,该网络采用数据密度辨识样本分布空间,并更新数据中心;然后,根据输入数据激活相应的子网络,利用PSO算法寻找子网络的最优网络贡献度,并依据贡献度计算子网络的输出权值;最后优化模块化神经网络的集成输出.通过对非线性函数和时变系统的逼近实验,验证了集成网络中子网络数目可以根据任务动态调整,网络输出的集成权值能够通过PSO算法寻找到最优值,并且训练精度和自适应能力较其他算法均有一定的提高.     

模块化航天器电源系统仿真研究

模块化航天器快速响应对迅速提高我国空间信息支援能力具有重大意义,所以为了快速增强我国空间实力,以快速响应为背景,对模块化航天器进行研究,首先介绍了模块化航天器及其快速集成测试方法,之后,以模块化航天器电源系统为例,通过数学模型搭建了其Simulink模型,主要对帆板面积,蓄电池容量,以及卫星在轨功率进行分析,最后,通过仿真结果验证了所建模型的准确性,为模块化航天器快速响应奠定了基础,同时提出了模块化航天器电源系统的快速响应应用模式。     

基于DSP的神经网络实时仿真系统研究

采用DSP设计完成了神经网络实时仿真系统。文章从神经网络协处理器的硬件结构、协处理器中的神经网络协处理器的硬件结构，协处理器中的神经网络算法，神经网络协处理器及其缩主机间数据交换等方面系统地描述了该仿真系统。在神经网络在线算法的实现中，利用DSP能与其宿主机实现并行工作的特点，采用DSP和计算机并行工作；在宿主机中实现BP网络对受控对象的辨识，在神经网络协处理器中完成模糊神经网络在线控制算法，从而加快了神经网络运算速度，使其达到在线控制的要求，文章的最后给出了一个直升机总矩通道在本仿真系统的仿真实例，说明了本系统的实用性。     

面向对象的神经网络仿真开发系统的设计

近年来,模拟人脑智能的神经网络研究方兴未艾,为了使研究人有对神经网络模型与算法进行深入研究,本文用面向对象的程序设计语言Visual C 设计了一个仿真系统,给研究人员提供了良好的研究环境。     

基于模块化模糊神经网络的非线性系统故障诊断

提出了一种基于模块化模糊神经网络的非线性系统故障诊断新方法。该方法先使用模糊c-均值聚类法对测量空间进行模块分割,再利用模糊IF－THEN规则对分割后的子空间分别采用局部BP模型进行逼近,最后,通过离线学习获得不同子空间故障输出与测量输入的非线性动力特性。试验表明该网络具有良好的泛化性能,可显著提高非线性系统故障检测的快速性、鲁棒性及准确率。     

动态自适应模块化神经网络结构设计

针对全连接前馈神经网络不能有效应对时变系统的问题, 提出一种动态自适应模块化神经网络结构. 该网络采用减法聚类算法在线辨识工况数据的空间分布, 利用RBF 神经元实现对数据样本空间的划分, 并结合模糊策略将不同子样本空间的数据动态分配给不同的子网络, 最后对各子网络的输出进行集成. 该模块化网络中子网络数量和子网络规模都能根据所学时变任务动态自适应调整. 通过对不同时变系统的预测表明了该网络能够有效跟踪时变系统.     

动态自适应模块化神经网络结构设计

针对全连接前馈神经网络不能有效应对时变系统的问题,提出一种动态自适应模块化神经网络结构.该网络采用减法聚类算法在线辨识工况数据的空间分布,利用RBF神经元实现对数据样本空间的划分,并结合模糊策略将不同子样本空间的数据动态分配给不同的子网络,最后对各子网络的输出进行集成.该模块化网络中子网络数量和子网络规模都能根据所学时变任务动态自适应调整.通过对不同时变系统的预测表明了该网络能够有效跟踪时变系统.     

MIGA, A Software Tool for Nonlinear System Modelling with Modular Neural Networks

This paper presents a software tool suitable for dynamic system modelling. The models generated by this tool are modular neural networks, see [1]. Each module behaves like a functional block and is connected to the other modules like in classical block diagrams. This tool allows the inclusion of a priori knowledge and, furthermore, to extract physical information from the models, once the system has learned. The modelling tool is capable of automatic model generation, parameter estimation and model validation.     

Modular Neural Network Classifiers: A Comparative Study

There is a wide variety of Modular Neural Network (MNN) classifiers in the literature. They differ according to the design of their architecture, task-decomposition scheme, learning procedure, and multi-module decision-making strategy. Meanwhile, there is a lack of comparative studies in the MNN literature. This paper compares ten MNN classifiers which give a good representation of design varieties, viz., Decoupled; Other-output; ART-BP; Hierarchical; Multiple-experts; Ensemble (majority vote); Ensemble (average vote); Merge-glue; Hierarchical Competitive Neural Net; and Cooperative Modular Neural Net. Two benchmark applications of different degree and nature of complexity are used for performance comparison, and the strength-points and drawbacks of the different networks are outlined. The aim is to help a potential user to choose an appropriate model according to the application in hand and the available computational resources.     

一种能简化复杂分类问题的矩阵模块神经网络分类器

主要针对大训练集和类别非对称训练集等复杂分类问题提出一种基于新的任务分解技术的矩阵模块神经网络分类系统,它将一个复杂分类任务分解为多个简单的子任务来解决,每个子任务只是在两个子空间内进行,且由一个具有简单结构的神经网络模块来完成;所有网络模块将组成一个神经网络矩阵,最终将该神经网络矩阵的输出矩阵集成得到最终分类结果.本文通过理论分析和模拟实验证明,该矩阵模块神经网络能节省神经网络的学习时间,提高泛化能力和分类精度.     

基于小波网络和多模块网络的数字识别

本文研究一种新的数字识别方法,这种方法用小波神经网络抽取特征、用多模块结构神经网络作模式分类器。小波分解的函数近似能力和人工神经网络的学习能力结合起来形成的小波神经网络,有着良好的特征描述性能,可用作特征抽取工具。多模块结构的神经网络将一个k类的模式分类问题转换为k个互相独立的2类分类问题。这种结构将一个复杂的分类问题化解为多个简单的分类问题,各个模块互相并联,各自负责一种模式的识别。用这种修改过的多模块结构网络的BP训练方法,可加速训练和提高训练精度,并且各模块可互相独立地进行训练。用美国NIST数字样本进行训练及测试,结果良好。这种方法可用于更广泛的平面图形识别。     

Modular Simulation in Multibody System Dynamics

The dynamic analysis of complex engineering systems likeautomobiles is often relieved by a modular approach to make it treatableby a team of engineers. The modular decomposition is based onengineering intuition of corresponding engineering disciplines. In thispaper, a modular formulation of multibody systems is proposed which isbased on the block representation of a multibody system withcorresponding input and output quantities. Advantages of this modularapproach range from independent and parallel modeling of subsystems overthe easy exchange of the resulting modules to the use of differentsoftware for each module. However, the modular simulation of the globalsystem by coupling of simulators may result in an unstable integrationif an algebraic loop exists between the subsystems. This numericalphenomenon is analyzed and a method of simulator coupling whichguarantees stability for general systems including algebraic loops isintroduced. Numerical results of the modular simulation of aslider-crank mechanism are presented.     

一种基于神经网络的非线性时变系统仿真建模方法

针对输入输出均为连续时变函数的系统仿真问题,提出了一种基于函数基展开的神经网络建模方法.在连续函数空间中选择一组适当的基函数,将输入/输出函数在给定的拟合精度下,分别表示为该组基函数的有限项展开形式,由神经网络通过训练样本集的学习,建立输入函数基函数展开式系数与输出函数基函数展开式系数之间的变换关系.由于输入/输出函数与展开式系数之间存在着一一对应关系,从而可实现时变系统输入和输出之间的连续映射.给出了基于Walsh变换的实现方法,并以油田开发驱替采油过程模拟为例验证了方法的有效性.     

基于类脑模块化神经网络的污水处理过程关键出水参数软测量

针对城市污水处理过程关键出水参数难以实时检测的问题,文中提出了一种基于类脑模块化神经网络（Brain-like modular neural network,BLMNN）的关键出水参数软测量方法.首先,基于互信息和专家知识进行任务分解,分析关键出水参数的相关变量,获取各出水参数的辅助变量.其次,通过模拟大脑皮层模块化分区结构,构建软测量子模型对各水质参数进行同步测量,降低软测量模型复杂度的同时保证了其精度.最后,通过基于实际数据的仿真实验验证了所提出方法的准确性和有效性.     

生物神经网络仿真的方法和工具

大脑作为人体的关键器官,其复杂程度非常高,被了解的也最少。为了研究与大脑相关的疾病和人类智能的机理,出现了新的学科——神经网络的仿真。神经网络仿真是和传统的神经网络算法完全不同的一个领域,属于信息学、生物学、计算机科学、仿真等多个领域相互交叉的学科。本文介绍了神经网络仿真的基本原理以及国外出现的开源工具和支撑项目,并对存在的仿真建模工具进行了全面的比较,以便于用户根据自身建模的需要选择合适的工具。文章对生物神经网络仿真的计算量进行了评估,并结合我国最新研制的天河1-A超级并行计算机讨论了并行生物神经网络仿真的前景。     

Simulation of Quantification Abilities Using a Modular Neural Network Approach

A novel modular neural network architecture and its application to the field of numerical cognition simulation are presented. Previous modular connectionist systems are typically constrained at one of two levels: at the representational level, in that the connectivity of the modules is hard-wired by the modeller; or at a local architectural level, in that the modeller explicitly allocates each module to a specific subtask. Our approach aims to minimise the constraints, thus reducing the bias possibly introduced by the modeller. The efficacy of this approach is demonstrated through the successful simulation of the development of two quantification abilities, subitising and counting, amongst children. It is concluded that such a minimally constrained modular system may contribute to both the capturing of learnt behaviour, and the allocation of modules to subtasks according to the nature of the task.