混沌神经网络的延时反馈控制

提出了一种适合于混沌神经网络的混沌控制方法,延时反馈控制方法,其目的是将混沌神经网络的丰富动力学特性应用于联想记忆、信息检索、组合优化、模式识别、数据压缩等智能信息处理中.利用本文提出的控制方法,对混沌神经网络进行控制,被控网络能收敛于与初始状态相关的记忆模式和反相模式的二周期状态上,从而实现了记忆搜索、模式识别的功能.     

一种基于重置的变结构前馈神经网络

基于GaussNewton法的前馈神经网络虽然可以达到局部二阶收敛速度．但网络结构中如果结点个数过多，会造成过模拟；网络结点过少。又会导致不收敛。为了优化神经网络结构，尝试引入重置算法(Early Restart Algofithm)，并将其应用于Gauss Newton前馈神经网络．提出基于重置的Gauss Newton变结构前馈神经网络。对比实验表明，重置算法的引入有效地解决神经网络的结构优化问题，优化后的神经网络具有良好的收敛性与稳定性。     

应用逆神经网络的自学习控制器

近年来人工神经网络成功地用于动态系统辨识与控制。本文利用人工神经网络逆的概念，说明如何用神经网络去学习动态系统行为以达到控制目的。用一ＢＰ网学习辨识系统的行为，然后作为系统的模型，同时也作为反馈控制器．利用模型通过直接的误差反传技术训练前债控制器．最后，反馈控制器与前控制器一起去控制实际系统。文中给出的２个例子说明了这种控制方法的有效性。     

基于Duhem模型和逆模型的压电执行器精密定位及控制

为提高压电执行器的定位精度, 研究了压电执行器的Duhem模型及逆模型, 并对传统的Duhem模型进行改进, 将原有的模型分为上下2个半环, 分别进行建模. 然后采用样条曲线插值和神经网络对Duhem模型参数进行辨识, 利用辨识结果建立压电执行器的Duhem模型及逆模型, 并利用PI逆模型作为PID反馈控制的前馈环节进行复合控制, 提高压电执行器的定位精度. 结果表明: 该模型在变幅三角波电压下的输出绝对平均误差为0.0810μm, 复合控制下的输出绝对平均误差为0.0539μm, 能有效地提高压电执行器的定位精度.     

BP神经网络模拟软件的设计和实现

本文介绍一个窗口系统下用Ｃ语言实现的后向传播神经网络（ＢＰ网络）模拟软件，该软件能够模拟多至四层的ＢＰ网络，多层神经元数及网络工作参数可以通过对话窗口输入，采用该模拟软件对三输入奇偶校验模式识别问题进行了处理，得到了满意的结果。     

预臭氧化+混凝沉淀+炭砂滤池组合工艺处理饮用水的研究

由于各种污染物的排放,我国饮用水水源水质日益恶化,针对钱塘江水源水的特点,采用预臭氧 混凝沉淀 炭砂滤法处理钱塘江水源水.研究结果表明,该组合工艺对源水浊度、色度和Fe有很好的去除效果,出水浊度在0.16～0.20 NTU,平均为0.18 NTU;系统的总有机物去除率在60%～70%;氨氮、亚硝酸盐氮的去除率均在90%以上,出水达到国家饮用净水水质标准(CJ94-2005).     

反馈型自联想记忆神经网络

自联想记忆神经网络具有类似于大脑的记忆和联想的特性．在Hopfield网络的理论基础上，提出了一种反馈型的自联想记忆神经网络．和Hopfield模型不同的是，这种神经网络增加了一个隐含层来扩大网络的存储容量，并采用局部相连的拓扑结构来代替全相连，从而减少了计算复杂度．在网络的学习过程中，各神经元之间的权值按照学习规则不断地进行调整，使回忆后的输出结果更加接近期望输出、     

北仑水厂实时自动投药系统的建模与研究

运用统计分析建立了可用于水处理投药过程中控制投药量的数学模型,分析了混凝药剂、沉淀池水中的浊物量差值等参数对水处理投药量的影响,拟合出滤前浊度小于1.3NTU的数学模型.用所建立的投药量数学模型投药结果得到的出厂水水质比人工经验投加得到的水质稳定性高,而且耗药率低.     

用人工神经网络方法研究高聚物的热力学性质

用前馈多层神经网络方法研究了高聚物的热力学性质.在本文的人工神经网络模型中,输入层为高聚物的密度ρ,缠结分子量M-e,玻璃化转变温度T-g,高聚物的高弹性模量G-N,钩状构像含量β和无扰均方末端距的特征比C-∞;输出层为高聚物比热C-p;隐含层的节点数为5.最后预测结果与实验结果非常接近,相对误差为2.2～5.4,这为研究高聚物的其它物理性质提供了一种新的方法.     

数字逻辑的稳健神经网络实现

多层二进前向神经网络或布尔神经网络作为典型的人工神经网络模型，研究和应用的十分广泛，这里在分析数字逻辑基本运算和神经元关系后，提出了一种改进的利用三层前向感知器神经网络实现任意数字逻辑函数的新算法，该算法由稳健的感知器构造神经网络，并引入汉明距离化简、卡诺图化简和最小项抑制来降低网络的复杂性，由此算法构造的神经网络不但具有稳健性能，而且消除了对数字输入变量所作的变换，使其更加简单、规范，容错能力更强，可广泛应用于对数字电路设计、编码密码的研究。     

共存Fe3+对水中腐殖酸/牛血清蛋白臭氧氧化过程的影响

为探索管道腐蚀产物对供水系统典型有机污染物臭氧氧化过程的影响, 采用模拟含金属离子Fe3+与腐殖酸/牛血清蛋白的试验水, 进行均相催化臭氧氧化试验. 结果表明, 臭氧氧化腐殖酸的效率大于牛血清蛋白, 持续氧化60min, 两者去除率分别达61.9%与13.8%; Fe3+的存在对臭氧氧化腐殖酸和牛血清蛋白表现出了不同影响, 前者去除率随Fe3+投加量的增大而降低, 最大由57.6%降至46.0%, 后者去除率随Fe3+投加量的增大而升高, 最高由12.4%升至40.0%. Fe3+共存条件下, 两种污染物溶液的Zeta电位绝对值及其颗粒平均粒径均在臭氧氧化后降低; 腐殖酸与Fe3+间存在明显的凝聚作用, 其颗粒平均粒径在Fe3+投加后明显增大, 而牛血清蛋白与Fe3+间无明显凝聚, 其颗粒平均粒径变化不大. 对臭氧氧化有机污染物的机理展开讨论, 表明腐殖酸与Fe3+间的凝聚作用会抵消臭氧氧化过程中Fe3+的催化作用. 由此推论, 管道腐蚀产生的金属离子Fe3+对终端管网二次污染控制具有一定的积极作用, 包括通过催化臭氧氧化作用以强化蛋白质污染物的降解, 通过凝聚作用在过滤过程中协同去除腐殖质污染物.     

混沌神经网络的信息搜索

混沌神经网络具有动态联想记忆功能，但其动态联想记忆是在网络的混沌运动中实现的，记忆状态为连续改变的非周期行为，不能稳定在某个已存储的模式上，因而混沌神经网络的信息搜索成为一个难点，本文通过在部分神经元上施加合适的控制量进行钉扎控制，改变混沌神经网络的动力学特性，计算机仿真实验表明，在钉扎控制作用期间，混沌神经网络的输出能稳定地收敛于网络的存储的模式上，从而实现了混沌神经网络的信息搜索。     

基于混沌时间序列的非线性动态系统神经网络建模与预测

在分析神经网络非线性建模原理的基础上，以典型的非线性差分方程为研究对象，提出了一类基于神经网络的非线性动态系统建模方法．针对传统BP算法的局限性，提出了一种非线性动态系统神经网络改善梯度估计精度的新算法．并以上证综合指数时间序列为研究对象，运用本文提出的建模方法和算法，进行了我国资本市场混沌时间序列预测研究的实例分析，得到的单步预测上证综合指数误差很小(-100～100)；多步预测在最初的10步之内预测效果较为理想，而在此之后的预测值则严重偏离真实值．这与混沌时间序列特性相吻合，同时也证明了所用算法的有效性．     

基于人工神经网络的多媒体语音特征挖掘

提出了一种基于人工神经网络的聋儿语音训练识别的多媒体特征挖掘技术 .构造了邻域三层神经元合作竞争的动态行为神经元模型 ;实验选取了动态递减函数、动态最小覆盖矩阵和动态确定阈值形成的 SOL A挖掘算法 ;以及聚类分布的网络图技术 .解决了聋儿语音训练系统中基本语音识别的难题 .     

基于BP神经网络模型模拟塔里木河下游潜水埋深变化——以英苏断面C5井为例

本文以塔里木河下游英苏断面350m处C5井为研究对象,分析了影响下游英苏断面的潜水埋深影响因素,通过三层BP神经网络模型模拟了潜水埋深变化．以Matlab7．0为工作平台,将2000．7-2008．12期间的英苏C5井的步长为3个月数据资料作为一个样本,选取每个样本的输水量、输水持续天数、上季度该井的潜水埋深平均值作为模型输入量,输出量为相应的C5井的本季度的潜水埋深平均值,建立3—11-1的BP神经网络模型,模拟了C5井潜水埋深．结果表明,网络模拟相对误差小于5％,模型具有较高的精度．通过BP模型模拟潜水埋深,为塔河下游生态恢复和水资源决策提供一定的依据．     

全局优化学习算法下的高阶神经网络模型

研究了一个高阶神经网络模型，该模型采用全局优化学习算法，能使所有学习图样都成为系统的稳态吸引子，其存储容量远高于Ｈｅｂｂ－ｒｕｌｅ－ｌｉｋｅ型学习算法下的高阶神经网络模型，并能存储识别相关图样．对由３０个神经元组成的二阶神经网络系统进行了计算机模拟，模拟结果证实了上述结论．此外，还分析了初始突触强度对学习效果的影响，计算了不同存储图样数目下的平均吸引半径．     

k-means-RBF集成神经网络在工业尾气检测中的应用

神经网络是工业尾气检测系统的一个重要组成部分. 为提高神经网络的预测精度和收敛速度, 建立k-means-RBF集成神经网络模型. 首先, 通过选取不同的径向基函数神经网络参数, 得到一组RBF神经网络; 然后, 利用k-means算法对生成的RBF神经网络进行聚类, 并筛选出各类中精度较高的神经网络; 最后, 通过简单平均法对筛选出的神经网络进行集成, 得到高性能的k-means-RBF集成神经网络模型. 为验证模型有效性, 搭建基于k-means-RBF集成神经网络模型的工业尾气检测系统进行验证. 结果表明, 与粒子群算法优化后的Back Propagation (PSO-BP)神经网络模型相比, k-means-RBF集成神经网络模型的平均预测精度提高78.27%, 收敛时间节省99.65%