Hopfield型连续反馈神经网络的全局指数稳定性

研究了Ｈｏｐｆｉｅｌｄ型连续反馈神经网络的全局指数稳定性,给出了平衡点的全局指数稳定性的充分条件,这些条件有利神经计算,同时对于Ｈｏｐｆｉｅｌｄ型连续反馈神经网络的设计和应用都很有意义。     

有脉冲和时滞的双向记忆神经网络稳定性分析

利用Lyapunov函数和二维Hanalay类型不等式,研究带有脉冲和时延的广义双向联想记忆神经网络平衡点的全局指数稳定性,得到了几个判断网络全局指数稳定的充分条件,这些条件刻画了脉冲强度和没有脉冲的连续子网络(双向联想记忆神经网络的连续部分)的指数收敛速度对整个网络的全局指数稳定性的混合影响。研究结果表明即使脉冲对网络状态有放大的影响,脉冲时滞双向联想记忆神经网络也可能保持连续子网络的全局指数稳定性质。数值例子验证了理论结果的正确性。     

含时延的双向联想记忆神经网络的指数吸引性分析

针对含时延的双向联想记忆神经网络模型具有多个对应于不同记忆模式的平衡点的特点,采用不等式技巧和非负矩阵性质,建立了平衡点指数吸引域及其指数收敛速度估计的方法,所得结论对含时延的双向联想记忆神经网的设计和容错性能的评价都很有意义。     

多比例时滞杂交双向联想记忆神经网络的全局指数稳定性

考虑多比例时滞杂交双向联想记忆神经网络的全局指数稳定性．应用Brouwer不动点定理证明了多比例时滞杂交双向联想记忆神经网络平衡点的存在性,再通过构造合适的Lyapunov泛函,获得了该系统平衡点全局指数稳定的时滞依赖的充分条件,该条件蕴含系统平衡点的唯一性,并给出了一个例子说明结论的有效性．     

含时滞的双向联想记忆神经网络的全局吸引性和全局指数稳定性

本文研究了具有时滞的双向联想记忆神经网络模型,在非线性神经元激励函数是Lipschitz连续的条件下,通过构造适当的泛函,得到了该系统的平衡点是全局吸引和全局指数稳定.     

具有时滞的双向联想记忆神经网络的稳定性分析

研究一类具有时滞的变系数双向联想记忆神经网络(BAM)的稳定性问题.由于时滞变系数双向联想记忆神经网络的平衡点不一定存在,分平衡点存在和不存在两种情况进行研究.在BAM神经网络系统存在平衡点时,通过构造Lyapunov函数,结合不等式分析技巧,给出了系统指数稳定的充分条件;在BAM神经网络系统不存在平衡点时,利用数学归纳法给出了系统的吸引域.     

双向联想记忆神经网络的全局指数稳定性

研究了带连续时延杂交双向联想记忆神经网络的全局指数稳定性 ,通过构造适当的Lyapunov泛函获得了与时延无关的充分条件且保证网络指数收敛到惟一稳定的平衡点 ,在证明过程中 ,并不要求突轴联结权的对称性和激活函数的单凋性与可微性 ,因此论文所推导的结果更具一般性。     

二阶时滞的双向联想记忆神经网络的稳定性分析

讨论了二阶时滞的双向联想记忆神经网络平衡点的全局稳定性,利用Lyapunov函数和不等式技巧得到了网络平衡点的全局渐近稳定和全局指数稳定的几个充分条件.     

具有滞后的Hopfield连续神经网络的稳定性

利用Ｌｉａｐｕｎｏｖ泛函方法分析了具有滞后的Ｈｏｐｆｉｅｌｄ连续神经网络系统的稳定性，得到了如下结论：对于具有滞后的Ｈｏｐｆｉｅｌｄ连续神经网络，当权矩阵的二范数与增益之积小于１时，系统的平衡点是唯一的全局渐近稳定的，此结论推广了Ｍａｒｃｕｓ的结论。     

双向联想记忆神经网络的全局指数稳定性

在研究双向联想记忆神经网络时,通常都假设输出响应函数是光滑的增函数,但实际应用中遇到的大多数函数都是非光滑函数。因此,本文将双向联想记忆神经网络的输出响应函数连续可微的假设削弱为满足Lipschitz条件,通过引入Lyapunov函数,利用不等式的方法,证明了双向联想记忆神经网络全局指数稳定性的一个定理。     

改进的神经网络快速学习算法

提出了一种新颖的神经元模型和用于神经网络训练的推广准则，给出了多层神经网络的快速学习算法，研究了一种用于语音识别的时变多层神经网络及其相应的快速学习算法．语音识别实验表明：所给出的快速学习算法能有效地加速网络训练进程．     

基于径向基函数神经网络的水轮发电机组效率曲线计算方法

提出用径向基函数(RBF)神经网络进行水轮发电机组效率曲线计算的方法，并建立了径向基函数神经网络模型，以有限水头下原型效率试验数据为样本进行训练，所得的网络可快速准确地计算任意水头下的效率特性曲线。与BP神经网络模型的对比结果表明，该方法避免了BP神经网络的局部极小及收敛速度慢等缺点，在精度、训练速度等方面优于BP神经网络。     

神经网络专家系统的状态识别,知识表示和求解策略

将神经网络与人工智能技术相结合，提出了１种新型的知识表示的形式化描述和知识单元，知识通过模式分类导入，并用ＩＭＳＢＰ和（Ｂ－Ｂ）ＢＰ调节２种不同类型的权，在此基础上提出了神经网络的双向求解策略，以加炉控制验证了其可行性。     

二进制数到BCD码转换的神经计算方法

提出用神经计算方法解决码制转换问题．设计和训练了一个可完成８输入、８输出的二进制数到ＢＣＤ码转换的ＢＰ网络．结果表明：人工种经网络可用于求解这类码制的转换问题．     

—种求解线性二层规划的神经网络方法

提出了—种求解线性二层规划的神经网络方法.采用以下层问题的对偶间隙为罚项,构造线性二层规划罚问题的思想,将线性二层规划转化成相应的单层规划问题,然后设计求解单层规划问题的神经网络模型,从而得到线性二层规划的最优解.该网络是Lyapunov稳定的,且在适当的条件下收敛于线性二层规划的最优解,仿真结果表明该神经网络可以有效地得到线性二层规划的最优解.     

子波基神经网络及其建模

将神经网络与子波理论结合,构成新型的神经网络结构-子波基神经网络,不同于一般前向神经网络的是该网络的隐层单元的激活函数为不同尺度下的子波函数.该网络具有良好的逼近非线性的能力.本文将其应用于非线性系统建模.     

DCT编码的一种神经网络方法

提出了一种求非完全DCT逆矩阵的神经网络方法,并将它用于编码图像的重建.文中对Hopfield神经网络的选代规则进行了修改,保证了网络在宽松的条件下仍能稳定地收敛.另外,针对Hopfield神经网络的局部极小问题,提出了一种扰动算法,使网络的迭代避开局部极小点,接近全局最小点.最后,给出了计算机模拟实验结果,并与传统的神经网络方法进行了比较.     

用模糊神经网络求解多级交换网路由重排问题

研究利用人工神经网络求解多级交换网路由重排问题，提出了一种求解路由重排问题的模糊控制神经网络算法。大量的计算机模拟结果表明，该算法与其它同类算法相比较具有收敛速度快，结果有效性高，自适应性强等特点。利用ＴＭＳ３２０Ｃ３０数字信号处理器构成了虚拟硬件系统，实时实现了多级交换网路由重排控制器，理论计算与测试结果一致。该工作为神经网络与模糊系统相结合探索了一条新的途径。     

产生式系统与神经元网络的结合

提出了产生式系统和神经元网络相结合的方法,研究了从推理网络转换到神经元网络的途径,研究了从神经元网络权矩阵转换到产生式规则的方法,从而使产生式系统能自动修正规则和获取规则.还提出了一种由二次型阈值元件组成的神经元网络,给出了它的学习算法,并严格证明了它的收敛性.     

自适应粒子群神经网络识别种蛋成活性

提出了一种自适应粒子群神经网络自动识别孵化早期种蛋成活性的方法.通过主成分分析提取孵化种蛋颜色特征,减少了神经网络输入节点数.提出的自适应粒子群优化算法,用于优化多层前馈神经网络的拓扑结构,提高了神经网络的学习质量和速度.实验表明该方法识别种蛋成活性切实可行,识别准确性高,算法具有鲁棒性.