解一类广义线性互补问题的神经网络模型

给出求解一类广义线性互补问题的一个非梯度的神经网络模型.运用Lyapunov稳定性理论和LaSalle不变集原理严格证明,当矩阵M半正定时,网络渐近稳定地收敛于原问题的一个精确解.该模型可以求解线性互补问题,它比已有模型简单,而且,它包括了求解二次优化问题的网络模型.数值模拟表明网络不仅可行而且有效.     

解广义线性互补问题的一个基于梯度的神经网络模型

给出求解广义线性互补问题的一个基于梯度的神经网络模型,分析了模型的平衡点与原问题解的关系,运用Lyapunov稳定性理论和LaSalle不变集原理,证明了该网络全局收敛于问题的解集,数值模拟表明网络不仅可行而且有效。     

解决伪凸优化问题的两阶段神经网络模型

提出了一个两阶段神经网络模型,以解决线性等式约束的光滑伪凸优化问题。在神经网络的第1阶段,状态向量有限时间收敛到可行域;第2阶段状态向量全局收敛到原问题的优化解,严格分析了网络的收敛性和优化性,对收敛时间进行了准确估计。     

线性约束非线性规划的新神经网络

基于最优性的充要条件，提出了一种解线性约束非线性凸规划的新神经网络，构造了恰当的Lyapunov函数，证明了其稳定性。该模型不需要设定网络参数，能同时求解原问题与对偶问题，并且当目标函数严格单调时，它能大范围渐近收敛于原问题的精确解。模拟实验表明新模型不仅可行，而且有效。     

一类二元时滞神经网络模型解的定性研究

对一类具有自反馈信号的二元时滞神经网络模型的解进行定性研究,针对网络参数的不同取值,分步地求解一个在一定初始函数空间中给定初始值的泛函微分方程组,再讨论模型解的收敛性．我们的分析表明网络参数在神经网络模型研究中具有极其重要的作用．     

Navier - Stokes系统降维模型中线性反馈控制的分析与逼近

讨论了Navier - Stokes系统降维模型的线性反馈控制问题.首先介绍了特征正交分解方法(proper orthogonal decomposition, POD),然后利用该方法建立了Navier - Stokes系统反馈控制问题的降维模型,最后运用Ritz - Galerkin方法估计了线性反馈控制问题的降维模型解与有限元解之间的误差,并给出了计算降维模型解和速度跟踪问题的算法.     

基于改进最近邻聚类的机械手神经网络逆控制

机械手具有非线性时变、多变量、强耦合的特性,在机械手系统可逆的基础上,设计一种机械手的神经网络逆控制方案。通过神经网络逆辨识建立机械手的神经网络逆模型,把神经网络逆模型作为控制器模型与原机械手串联,构成一个伪线性动态模型,把非线性问题转化为线性问题。其中,辨识器和控制器均采用RBF神经网络结构,网络学习采用具有在线学习功能的最近邻聚类学习算法。仿真结果验证了本方案的有效性和可行性。     

回复式离散神经网络的特征子空间估值

提出了用两种回复式离散神经网络模型研究正定对称矩阵的特征子空间估值问题:第1种模型是非线性神经网络,用于计算最大特征值及其特征向量;第2种模型属于线性神经网络,用于计算相应于最大特征值的特征子空间。详细研究了两种离散神经回路网络模型的动力学性质并用于特征子空间估值。     

神经网络在组合优化问题中的应用

目的研究神经网络在组合最优化问题中的应用.方法通过讨论 Hopfield 神经网络模型,建立最优化问题的计算能量函数.结果和结论给出组合数学中八皇后问题的计算能量函数,使八皇后问题的解对应计算能量函数的最小值,并用 C 语言进行计机模拟,得到其全部解.     

神经网络在组合优化问题中的应用

目的 研究神经网络在组合最优化问题中的应用。方法 通过讨论Ｈｏｐｆｉｅｌｄ神经网络模型,建立最优化问题的计算能量函数。结果和结论 给出组合数字中八皇后问题的计算能量函数,使八皇后问题的解对应计算能量函数的最小值,并用Ｃ语言进行计机模拟,得到其全部解。     

求解一类非线性隐式变分不等式的神经网络

针对一类非线性隐式变分不等式,提出了求解它的一个神经网络模型.根据所建立的神经网络模型,在映射关于任一变量偏松弛单调的条件下,严格证明了该网络是Lyapunov稳定的,并渐进收敛于原问题的一个精确解.此外,在适当的条件下,证明了该模型的指数稳定性.数值实例表明该模型可行且有效.     

河道一维污染源控制方程的神经网络解法

目的　河道污染物的分布模拟是一个求解偏微分方程的问题 ,研究用于求解一维污染源控制方程近似解析解的新方法 .方法　将神经网络和数理方程相结合 ,用三层前向神经网络逼近河道一维污染源控制方程 .结果与结论　得到了不同条件下的对流扩散方程的近似解析解 ,从而验证了河道一维污染源控制方程的神经网络解法的可行性和合理性 .     

一种求解线性规划问题的神经网络方法

提出了一种求解线性规划问题的神经网络，证明了该网络全局稳定于平衡点，且该网络具有模型小、便于硬件实现的优点．计算机的模拟结果表明了该网络的可行性和有效性．     

基于BP算法的光纤传感器非线性位移补偿研究

针对光纤位移传感器应用中存在的非线性问题,提出了以神经网络为补偿环节,结合传感器构成的一种非线性补偿模型.基本思想是采用BP算法,以传感器的输出作为神经网络的输入样本.传感器的输入位移为神经网络的期望输出,通过调整神经网络权值使神经网络的输出与期望值近似,实现位移测量的非线性补偿.实例仿真结果表明该方法有效提高了精度,是一种有效的传感器非线性补偿方法.     

基于灰色神经网络技术的陶瓷电性能分析

运用灰色神经网络理论，研究了掺杂SrTiO3多功能陶瓷氧化热处理过程中，氧化热处理条件对介电性能和压敏性能的影响。根据各种参数的主行为因素的多少，运用GNNM(1，1)、GNNM(1，2)、GNNM(1，3)模型进行分析，并且建立了相应的GNNM(2，1)灰色神经网络模型。     

解广义二次规划的神经网络

考虑了广义二次规划问题，基于其鞍点的充要条件，提出了求解它的一个神经网络，运用Ly1punov稳定性理论与LaSalle不变原理证明了该网络是稳定的，并且收剑于一个精确解。模拟实验表明新模型不仅是有效的，而且非常可靠。     

一类神经网络算法的渐近行为

研究了一类连续型全反馈人工神经网络的稳定性,通过求解简单的一维微分方程,给出了这类神经网络系统的解的解析表达式,利用解的解析表达式证明了当A的特征值l λ ≤ 0,至少有一个特征值为负时,网络的一切从Rn中的单位超球内出发的解收敛于原点或单位超球内的一点.     

一种多标签统一域嵌入的推荐模型

协同过滤是一种简单的运用关联知识的推荐方法,但在数据稀疏度高的情况下效果不尽人意.因子分解机解决了数据稀疏情况下的特征组合问题,再结合深度神经网络对高阶特征的提取,一系列深度学习预估模型被提出并取得较好效果.但这类模型主要受益于大量知识标签组合以及高阶特征理解,当数据标签类别稀少时其性能严重退化.为解决稀疏数据且稀少标签类别情境下的推荐问题,本文提出一种多标签统一域嵌入方法,并进一步设计实现了统一域嵌入的推荐模型.特征标签首先以领域划分并通过嵌入层转化为特征向量,然后基于特征空间表达的映射层将特征向量由当前域嵌入到统一域,最后对统一域向量进行空间关联运算并预测评分.采用近年来优异的深度学习预估模型作为对比模型,在多个主流开放数据集上进行了预测.实验结果表明,多标签统一域嵌入模型在推荐精度及性能上优于其它模型,它能够克服神经网络训练中的瓶颈,为数据标签稀缺情境下的推荐系统提供可行的解决方案.     

解一类非线性极大极小问题的神经网络

考虑了一类非线性极大极小问题，通过将其转化为等价非线性凸规划提出了求解它的一个神经网络模型，严格证明了新模型是Lyapunov稳定的，并且在有限时间内收敛到原问题的一个精确解。与已有模型相比，新模型结构简单，更适合硬件实现。数值实验表明，该模型不仅可行而且有效。