一种估计前馈神经网络中隐层神经元数目的新方法

前馈神经网络中隐层神经元的数目一般凭经验的给出，这种方法往往造成隐单元数目的不足或过甚，从而导致网络存储容量不够或出现学习过拟现象，本研究提出了一种基于信息熵的估计三层前馈神经网络隐结点数目的方法，该方法首先利用训练集来训练具有足够隐单元数目的初始神经网络，然后计算训练集中能被训练过的神经网络正确识别的样本在隐层神经元的激活值，并对其进行排序，计算这些激活值的各种划分的信息增益，从而构造能将整个样本空间正确划分的决策树，最后遍历整棵树寻找重要的相关隐层神经元，并删除冗余无关的其它隐单元，从而估计神经网络中隐层神经元的较佳数目，文章最后以构造用于茶叶品质评定的具有较佳隐单元数目的神经网络为例，介绍本方法的使用，结果表明，本方法能有效估计前馈神经网络的隐单元数目。     

大规模前馈神经网络的一种有效学习算法及其应用

前馈神经网络在复杂系统建模中局限于小型或中等规模的系统，主要原因是：对于大规模问题，现有的神经网络学习算法或者收敛太慢，或者难以收敛．针对这一问题，本文提出一种基于改进的拟牛顿方法的神经网络学习算法该算法内存需要量小，收敛速度快，适合高维神经网络的训练．本文利用该算法训练神经网络建立32输入工业产品质量模型，结果表明了该算法的有效性．     

一种新颖的径向基函数(RBF)网络学习算法

以提高RBF网络泛化能力为着眼点，提出了一种新型的网络结构自适应学习算法．该算法采用衰减聚类半径的聚类算法来确定初始的隐层结构，然后通过调整包含样本类别信息的扩展聚类不纯度来修正隐层结构，直至满足所有扩展聚类不纯度均小于等于不纯度均值以及所有扩展聚类方差均不超过方差均值这两个条件．这样就确定了隐层的最终结构．在确定隐层结构之后，采用反向传播算法来训练隐层与输出层之间的连接权重．经双螺旋线问题仿真试验验证，该算法确实具有较强的泛化能力．     

多层前馈神经网络在电力系统谐波测量中的应用

介绍了一种基于多层前馈神经网络的电力系统谐波测量方法，给出了一种初相角的计算方法。在初相角已知的情况下，给出了测量电力系统谐波幅值的多层前馈神经网络的结构及算法，并给出了仿真分析结果。     

单位功率因数三相PWM变流器的相量调节方法

本文提出一种基于幅相控制方式单位功率因数三相电压型PWM变流器的相量调节方法。根据相量间的直角三角形关系和能量转换平衡原则，建立了该系统的低频数学模型，分析了系统的相量调节方式。在此基础上，提出一种电流前馈的调节方式，即将直流侧负载电压的变化率转化为到达下一个平衡状态时相位与调制深度的附加控制量，以提高系统的快速性。实验证明：控制系统实现了单位功率因数和能量的双向流动，且输出直流电压恒定可调，相电流的谐波含量非常小，系统动态性能较好。     

采用AP500A驱动的前馈功率放大器

目前,国内外有很多功放名机应用了前馈技术,诸如电流倾注式功放、ALA功放、双超线性功放等。然而这些功放大都用分立元件装成、电路复杂、元件繁多,在缺少足够测量仪器的条件下,业余仿制并非易事。本文设计制作的前馈功率放大器。由于采用了功放驱动集成模块AP500A,不仅使整机电路大为简化,元件节省近一半,而且免去了差分对管选配和整机调试等许多麻烦,其效果是十分明显的。 AP500A是功放驱动集成块家族的新成员。这是一种高耐压场效应管输入的DC功放驱动模块,功能齐全,性能优越,所以它一问世,就受到了广大音响发烧友的青睐。与其它功放驱动集成块相比,AP500A外围电路最简单,且内部含有零点伺服     

同步位置差最优反馈与前馈控制的研究

本论文为提高同步控制系统的同步精度和响应特性，在已知同步运动的输出目标信号时，提出了同步位置差最优反馈与前馈控制的方法。通过仿真和实验的分析研究，表明了这种同步控制方法具有一般状态反馈和前馈补偿的控制特性，且方法简便。不但达到了高的同步位置精度，而且改善了同步响应的特性。因此，这种同步控制方法是有效的。     

一种多变量自校正前馈解耦PID控制器及其应用

提出一种多变量自校正前馈解耦ＰＩＤ控制器。利用ＵＪｕｒｙ法确定了对任意时延，使闭环系统稳定的条件。     

一种非最小相位系统前馈控制器设计

讨论了对非最小相位过程，设计一种抑制可浊周期扰动和跟踪周期设定值的新型前馈控制器。这种控制器给出了避免非最上位过程零极点对水的有限脉冲响应滤波器。在过程存在不确定性时，在周期信号作用珠频率域内根据过程的频率响应设计了有效的控制     

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。