三次样条构造的伪逆解法

为了提高三次样条构造的可行性, 基于矩阵的伪逆方法, 提出一种不依赖额外约束条件的三次样条构造的伪逆解法。该解法通过求解出三次样条二阶导数的最小范数解, 从而较好地构造出三次样条函数。理论分析及数值实验结果表明该三次样条构造的伪逆解法具有简单、有效等特点。综合分析各种构造解法的性质, 对各种三次样条构造解法进行归类比较, 为在实际工程计算应用中选择合适的三次样条构造解法提供了指导方向。     

复指数Fourier神经元网络隐神经元衍生算法

以平方可积空间上的复指数Fourier级数作为激励函数构造了新型Fourier神经元网络,并推导出采用加号逆表示的网络权值直接确定公式,克服了传统BP神经网络收敛速度慢、易陷于局部极小点、迭代学习易发生振荡等缺陷。并在此基础上构造了隐神经元衍生算法,克服了传统BP神经网络难以确定最优网络拓扑结构的缺点。理论分析及仿真实验表明,该复指数Fourier神经元网络能够一步计算网络最优权值且能自适应调整网络结构,对随机加性噪声具有抑制作用,并能高精度逼近非连续函数。     

两输入幂激励前向神经网络权值与结构确定

基于多元函数逼近与二元幂级数展开理论,构建了一个以二元幂函数序列为隐神经元激励函数的两输入幂激励前向神经网络模型.以该网络模型为基础,基于权值直接确定法以及隐神经元数目与逼近误差的关系,提出了一种网络权值与结构确定算法.计算机仿真与数值实验结果验证了所构建的网络在逼近与去噪方面具有优越的性能,所提出的权值与结构确定算法能够快速、有效地确定网络的权值与最优结构,保证网络的最佳逼近能力.     

面向WWW的Java客户在线交谈系统

本文介绍了国际互联网ＷＷＷ和其最新核心技术之一的Ｊａｖａ语言的现状和发展，提出了一种将ＪａｖａＡｐｐｌｅｔ与ＷＷＷ有机结合起来的客户在线交谈系统的方案，并结合具体情况讲述该交互系统在Ｉｎｔｅｒｎｅｔ（尤其是ＷＷＷ）中的改进与多方面应用。     

基于免疫算法的午饭时期层际高峰交通电梯群控制的动态优化

层际高峰交通是上行高峰、下行高峰与层间交通客流的融合,午饭交通就是发生在现代办公楼内的层际高峰交通之一,基于午饭时期层际高峰交通的特点,本文提出了一种利用人工免疫算法实现电梯群控制动态优化的策略．该策略采用两级优化控制,利用常规的THV算法对层站召唤分配实施局部优化,采用人工免疫算法定时对层站召唤分配实施全局优化．同单纯的THV算法相比,本文提出的组合算法将平均的系统等待时间降低了21．26%,仿真结果表明,本文提出的优化控制策略能够改善午饭时期电梯系统的服务性能,具有较好的现实意义和研究价值。     

广义多项式神经网络及其结构自适应确定

在前向神经网络模型的基础上,构建了一类新型广义多项式神经网络,依据BP神经网络梯度下降法的思想,给出该神经网络的权值迭代修正公式,并在此基础上建立其结构自适应确定算法,并进行仿真实验.结果表明,该神经网络计算精度高、能自适应地确定网络结构.     

龙格现象难题破解之系数与阶次双确定方法

龙格现象指出,使用基于等距节点的高阶插值多项式逼近龙格函数时,插值多项式在逼近区间两端会产生明显的振荡现象。因此,传统认为,不适宜用基于等距节点的高阶多项式逼近龙格函数。针对龙格现象,展示一种新型的多项式系数与阶次双确定方法。该方法可快速构造出基于等距节点的不会振荡且有较高逼近精度的高阶多项式,良好地逼近龙格函数。计算机数值实验表明该方法是有效的,即运用基于等距节点的高阶多项式可以很好地消解龙格现象。     

应用RBF激励WASD神经网络估算GFR

价格低廉与高准确率的矛盾是测量肾小球滤过率（glomerular filtration rate,GFR）中遇到的主要难题。采用径向基函数（radial basis function,RBF）神经网络和权值与结构确定法（weights-and-structure-determination,WASD）相结合的方法,并基于中山大学附属第三医院的患者数据进行神经网络建模,对肾病患者进行肾小球滤过率估算。计算机数值实验结果显示该方法在50%符合率标准下能达到90%的准确率,而传统方程中最优的准确率为68%。     

Hermite插值神经网络权值和结构确定理论探讨*

为了克服BP神经网络固有的缺陷,基于Hermite插值理论,构造了一种新型的前向神经网络模型（即Hermite插值神经网络模型）。针对该网络模型,提出了一种基于矩阵伪逆的权值直接确定方法,并在此基础上探讨了隐神经元数目自动确定的方法（即网络结构自确定方法）。计算机仿真结果表明,相比于传统的BP神经网络,使用权值与结构双确定方法的Hermite插值神经网络具有更好的收敛速度和校验能力。同时,也验证了该神经网络良好的降噪和预测能力。     

SIMO傅里叶三角基神经网络的权值直接确定法和结构自确定算法

根据傅里叶级数逼近理论,将正交三角函数系作为隐层神经元激励函数,合理选取这些激励函数的周期参数,构造单输入多输出(SIMO)傅里叶三角基神经网络模型.根据该网络的特点,推导出一种基于伪逆的权值直接确定法,从而1步计算出网络最优权值,并在此基础上设计出隐层结构自确定算法.仿真结果表明,与传统BP(反向传播)神经网络及基于最小二乘法的SIMO傅里叶神经网络模型相比,本网络模型具有更高的计算精度和更快的计算速度.