基于RBF神经网络的辐射源威胁评估

提出基于一种新的鲁棒性径向基(RBF)神经网络的辐射源威胁评估方法。此网络应用Log-Sigmoid函数作为基函数，避免了学习过程中的不稳定状态，并且比传统的RBF有更好的学习性能和函数逼近能力。并介绍一种新的归一化函数，通过归一化函数把不同类型、不同量纲的原始评估数值转换到[-1，1]区间，该归一化函数较好地体现了“奖优罚劣”的原则，同时又更有利于神经网络的训练。仿真实验证明了该方法的优越性。     

基于FCM和RVGA的FNN在非线性辨识中的应用

提出一种新的基于模糊C-均值聚类(FCM)和实值遗传算法(RVGA)的模糊神经网络(FNN)。在对模糊规则进行训练之前,利用模糊C-均值聚类从训练数据中提取出典型数据,以删除野值和协调数据内部冲突。然后利用一种新的实值遗传算法对此典型数据进行训练。此遗传算法的交叉和变异运算均直接对实值进行操作,而不是传统的位操作,因此,可以极大地减少训练时间并实现全局寻优。对非线性函数辨识的仿真实验证明了该方法的优越性。     

线性前馈网络分类器在电力系统故障计算中的应用

将单层线性前馈网络用于矩阵求逆的方法，应用于电力系统故障计算中，从而简化了计算。通过算例说明了其可行性和有效性。     

用于声纳目标识别的综合决策网络初探

针对复杂目标识别中的一些难点问题,提出一种新的综合决策网络结构。声纳目标识别的仿真实验表明,这种新的网络模型具有较快的收敛速度,更高的识别率和更强的鲁棒性,并保持了人脑可持续学习的能力。