基于神经元网络的博弈行为研究

提出以2个Player组成的一个博弈系统.每个Player代表1个智能体,每个Player的输入是另一个Player的输出,每个Player的行为由神经元网络来描述,按照各自目标函数来调整其权值及给出策略.另外,针对2个Player的博弈,基于心理学理论,首次给出15种博弈行为.用神经元网络来模拟每个Player思维判断,使各种博弈行为更接近于人的行为.通过例子仿真,结果表明提出方法是可行有效的.     

一种用于函数学习的小波神经网络

在非线性系统辨识中,系统输入往往是多变量的.小波处理此类问题则比较复杂.结合 神经网络形式和小波特点建立一种新型的网络,可简单有效地解决网络多输入问题.同时给出 此网络可以逼近任意连续函数的数学证明.并通过实例验证了此方法的正确性.     

一种优化神经网络结构算法

给出了一种优化三层神经网络结构算法。首先以较大隐层节点数进行学习，然后根据隐层输出信息提取各节点之间的线性特征来优化隐层节点数。对隐层输出信息提取各节点之间的线性特征，给出了两种方法：一种是在ＢＰ神经网络迭代后用自适应线性单元来提取隐层输出各节点之间线性特征，另一种是在ＢＰ神经网络迭代时就尽量使隐层输出各节点之间呈线性，然后用上种方法来提取隐层输出各节点之间线性特征。实例验证，后一种比前一种能更好地优化ＢＰ神经网络结构。     

基于单纯形法和局部枚举解混合整数线性规划问题

提出了一种基于单纯形法和局部枚举求解整数线性规划问题的新方法。它通过单纯形法得到松弛问题的最优解并确定变量以及目标函数取值范围,然后基于目标函数,进行局部枚举,从而得到其整数线性规划问题的最优解,与现有方法比较,新解法简单,计算量少,尤其是对于大规模整数线性规划问题,计算量少体现地更明显。     

用填充函数改进的智能控制系统全局优化算法

为了提高全局优化算法的速度,提出了智能控制系统全局优化算法。该算法应用了闭环控制系统的反馈的思想,使得在寻优迭代过程中被优化函数的值不断接近设定值,直至达到其全局最优值。该算法的关键在于控制策略的设计和策略中的参数值的设定。为了降低参数初值设定的难度同时提高算法的寻优精度,利用填充函数法对智能控制系统全局优化算法进行改进。经12个标准的测试函数的验证,改进后的算法的速度较填充函数法快,算法的精度比智能控制系统全局优化算法高。     

基于AT85C51SND3和CC2500的智能电子导游系统

介绍了一种基于AT85C51SND3和CC2500的智能电子导游系统的设计方法.分析了AT85C51SND3和CC2500芯片的应用特点,并针对该系统软硬件实现过程中的要点作了较详细的介绍.     

基于Linux嵌入式的电源管理的研究

文章从硬件及软件方面介绍了TagMaster AB公司的RFID手持阅读器电源管理的设计.在硬件设计方面,手持阅读器采用了Atmel公司的AT91RM9200高性能低功耗微控制器,并利用芯片的电源管理模块控制外设;在软件方面,采用了多种电源管理策略,实现了与外接设备特性相符的电源管理函数.经使用测试,手持阅读器功耗得到了大幅度的下降.     

基于变换函数与填充函数的模糊粒子群优化算法

本文提出了一种基于变换函数与填充函数的模糊粒子群优化算法（Fuzzy partical swarm optimization based on filled function and transformation function,FPSO-TF）.以基于不同隶属度函数的多回路模糊控制系统为基础,进一步结合变换函数与填充函数,使该算法减少了陷入局部最优的可能,又可以跳出局部极小值点至更小的点,快速高效地搜索到全局最优解.最后采用基准函数对此算法进行测试,并与几种不同类型的改进算法进行对比分析,验证了此算法的有效性与优越性.     

基于神经网络模型参考自适应的智能控制优化算法

提出了基于神经网络模型参考自适应的智能控制优化算法。该算法结合了神经网络模型参考自适应、智能控制系统优化算法和填充函数法。该算法在搜索过程中不容易陷入局部最优点,而且得到的全局最优值更加精确。     

基于含神经元网络的智能控制系统和填充函数法的混合优化算法

针对反馈控制系统优化算法和填充函数法的早熟收敛问题,提出了一种基于含神经元网络的智能控制系统和填充函数法的混合优化算法(MPIDNN-FF)。该算法结合了神经元网络、智能控制系统优化算法和填充函数法。该算法在搜索过程中不但可以在线实时地修正PID等参数,而且不容易陷入局部最优点,从而得到的全局最优值更加精确。