一种新型的动态递归神经网络及其全自动设计算法

本文基于非线形自回归滑动平均模型NARMA模型和前馈神经网络建模的思想,提出一种输入层与输出层神经元递归的动态递归神经网络;基于进化计算中遗传算法和进化策略与自寻优BP算法的不同结合方式,提出两种动态递归神经网络全自动高效设计算法,实现了网络结构、权重和自反馈增益同时优化学习,实例应用表明所提网络结构及其设计算法的有效性．     

一类动态递归神经网络的智能控制器

提出一种改进型动态递归神经网络的自适应控制方法，研究了动态递归网络的学习算法，分析了学习算法的收敛性，并推导了保证算法收敛的有效学习率范围，在此基础上提出了模糊推理自适应学习率方法。计算机仿真实验表明，本文控制方法对于未知、非线性被控对象的控制是有效的。     

对一种递归神经网络算法的修正

本文指出了Ｃｈａｏ－ｃｈｅｅ Ｋｕ等人提出的对角递归神经网络算法中存在的不足,并给出了修正算法,数学分析及仿真结果表明,本文所做的修正是合理的。     

一种补偿递归模糊神经网络及其学习算法

文中在系统研究各种模糊神经网络的基础上,通过在传统的模糊神经网络中引入递归环节和补偿环节,提出了一种新型的补偿递归模糊神经网络(CRFNN)。在此基础上,进一步提出了一种序贯学习策略对网络进行结构辨识,可有效确定模糊规则的条数及相关参数的初始值。文中还针对CRFNN的特点,通过改进BP算法,对CRFNN网络的结构参数进行学习。通过对典型非线性系统的建模计算,结果表明:文中的CRFNN具有优良的动态响应特性和很强的学习能力。     

递归的非递归算法研究

本文对递归的非递归算法进行了研究，并给出了由递归到递推的抽象算法，并说明了该算法的具体运用。     

基于动态递归神经网络的自适应PID控制

提出一种基于动态递归神经网络的自适应PID控制方案,该控制系统由神经网络辨识器和神经网络控制器组成。辨识器采用单隐层的动态递归神经网络,网络结构为2-4-1;辨识算法为动态BP算法;控制器采用两层线性结构的神经网络,输入为系统偏差及其一阶、二阶微分,因此具有增量型PID控制结构。应用该控制系统对一非线性时变系统进行仿真研究,仿真结果表明该控制方案不仅具有良好的跟踪特性,而且对系统参数变化具有较强的鲁棒性。     

递归神经网络的结构研究

从非线性动态系统的角度出发,对递归动态网络结构及其功能进行详尽的综述。将递归动态网络分为三大类：全局反馈递归网络、前向递归网络和混合型网络。每一类网络又可分为若干种网络。给出了每种网络描述网络特性的结构图,同时还对多种网络进行了功能对比,分析了各种网络的异同。     

基于状态延迟动态递归神经网络的机器人动态自适应跟踪辨识

对一种在Elman动态递归网络基础上发展而来的复合输入动态递归网络(CIDRNN)作了改进,提出一种新的动态递归神经网络结构,称为状态延迟动态递归神经网络(State DelayInput Dynamical Recurrent Neural Network).具有这种新的拓扑结构和学习规则的动态递归网络,不仅明确了各权值矩阵的意义,而且使权值的训练过程更为简洁,意义更为明确.仿真实验表明,这种结构的网络由于增加了网络输入输出的前一步信息,提高了收敛速度,增强了实时控制的可能性.然后将该网络用于机器人未知非线性动力学的辨识中,使用辨识实际输出与机理模型输出之间的偏差,来识别机理模型或简化模型所丢失的信息,既利用了机器人现有的建模方法,又可以减小网络运算量,提高辨识速度.仿真结果表明了这种改进的有效性.     

递归算法的非递归实现

递归以其算法简单清晰、可读性强及易实现而具有很好的理论，但在实际应用时，递归过程用到的大量数据不管有用无用都需要保存，而当递归层次多到一定程度，将耗尽系统内存资源，因此很少在真正的实际应用中使用，实用性较差。如果可以设计出一种既保持递归算法简单、清晰、易实现的优点，双能避免递归算法极耗内存缺陷的新型递归算法，将是一件十分有意义的事情。     

一种快速模糊ARTMAP神经网络算法

模糊ARTMAP神经网络学习算法可以动态高效地检测新闻文本中的模式,但随着网络大小的增加收敛速度变慢,计算复杂,鲁棒性不高。因此提出了一种快速模糊ARTMAP神经网络算法。该算法主要提出了新的匹配函数和激励函数,不需要规范化和补码计算步骤,去除了匹配跟踪过程,当发生未遂节点为赢得竞争的节点时,直接建立一个新的模板层的类标识。算法的革新之处在与既能动态维持聚类结构同时又减少了算法的复杂性。实验结果证实了该算法在合理时间内产生了高质量的模式发现。     

一种量子神经网络模型及改进学习算法

提出一种量子BP网络模型及改进学习算法,该BP网络模型首先基于量子学中一位相移门和两位受控非门的通用性,构造出一种量子神经元,然后由该量子神经元构造隐含层,采用梯度下降法进行学习。输出层采用传统神经元构造,采用基于改进的带动量自适应学习率梯度下降法学习。在UCI两个数据集上采用该模型及算法,实验结果表明该方法比传统的BP网络具有较好的收敛速度和正确率。     

A dynamic version for the Network Simplex Algorithm

In most practical environments, scheduling is an ongoing reactive process where the presence of real time information continually forces reconsideration and revision of pre-established schedules. The objectives of the research reported in this paper are to respond to changes in the problem, to solve the new problem faster and to use some parts of the previous solution for the next problem. In this paper, based on Network Simplex Algorithm, a dynamic algorithm, which is called Dynamic Network Simplex Algorithm (DNSA), is presented. Although the traditional network simplex algorithm is at least one hundred times faster than traditional simplex algorithm for Linear Programs (through specialization), for dynamic scheduling with large scale problems it still takes time to make a new graph model and to solve it. The overall approach of DNSA is to update the graph model dynamically and repair its spanning tree by some strategies when any changes happen. To test the algorithm and its performance, an application of this algorithm to Dynamic Scheduling of Automated Guided Vehicles in the container terminal is used. The dynamic problem arises when new jobs are arrived, the fulfilled jobs are removed and the links or junctions are blocked (which results in distances between points being changed). The results show considerable improvements, in terms of reducing the number of iterations and CPU time, to solve randomly generated problems.     

一种新型的动态矩阵控制算法及仿真研究

动态矩阵控制(DMC)中顺序开环控制增量的计算涉及到矩阵的求逆运算,计算量很大,不利于微处理机的在线应用。为减少运算量,使微机编程实现方便,并保持系统优良的控制性能和较强的鲁棒性,在深入理解动态矩阵控制算法的基础上引入了控制增量的期望衰减因子,以期望控制增量在控制时域长度内逐步接近于零。这一思想使得矩阵求逆运算成为数的求逆(倒数)运算,运算量大为减少,运算速度大大提高。基于这一思想提出两种设计方案,并通过计算机仿真研究,证实了算法的有效性。     

基于动态递归网的无刷直流电动机自适应逆控制

该文给出了基于动态递归神经网络的无刷直流电动机自适应逆控制方案 ,它可以处理电机非线性、变参数的影响。通过使用动态递归网实现了对象逆动态模型的在线控制 ,分析和仿真表明这种方法具有较好的自适应性及良好的收敛性能 ,且具有灵活、简单、方便等特点 ,有实际应用价值     

基本样条循环神经网络及其非线性建模

提出一种新的基于基本样条逼近的循环神经网络,该网络易于训练且收敛速度快。此外为克服定长学习步长训练速度慢的问题,提出一种用于该网络训练的自适应权值更新算法,给出了学习步长的最优估计。该最优学习步长的选择可用于基本样条循环神经网络的训练以及对非线性系统的建模。     

人工神经网络BP算法的实现

BP网络是一种得到广泛应用的人工神经网络模型.本文简要介绍了BP算法的原理,并给出了其在VC 6.0中的实现方法。     

基于遗传神经网络的数据清洗方法

现实世界中的数据常常是有噪声、不完全和不一致的,数据清洗能够帮助改善数据的质量,进而帮助提高数据挖掘的有效性和准确性。该文提出了一种基于遗传神经网络的数据清洗模型,它充分利用了神经网络的非线性映射和遗传算法的全局优化特性。实验证明,这种方法的可行性、有效性及处理精度都比较高。     

基于回归神经网络自适应快速BP算法

动态递归网络Elman网络结构简单,运算量少,适合于实时系统辨识。以Elman网络结构推导了在线学习算法。针对于传统BP算法会产生局部收敛和收敛速度慢等缺点,提出了一种改进的自适应BP算法,运用到回归神经网络,提高了在线学习的速度与收敛速度,仿真实验表明了此算法的有效性和快速性。     

基于构造型反馈神经网络聚类算法

文章改进了自反馈FP聚类算法,并将该聚类算法应用于中国的证券市场。对应用的结果进行分析,说明了自反馈FP聚类算法作为聚类分析器在证券研究的应用中具有实用价值,以及在对证券市场深入研究中具有较好的应用前景。