不确定时滞动态反馈神经网络的鲁棒分析与设计

研究了一类具有时变时滞和结构不确定性的Hopfield神经网络鲁棒稳定性问题,应用线性矩阵不等式(LMI)方法得到了不确定时变时滞神经网络全局鲁棒稳定的充分条件,特别是在给定网络平衡点允许偏移的情况下,通过验证定理中给出的LMI,可以非常方便地进行神经网络的鲁棒设计.数值仿真表明了方法的有效性.     

智能信息处理与神经网络研究

从智能信息处理的角度讨论了模式识别研究中存在的一些主要问题，如：特征抽取问题，结构识别问题，统计识别中的有限样本（小样本）问题及不适定问题，指出神经网络的研究不能停留在作为实现现有模式识别方法的一种工具上，而应着眼于解决模式识别中的一些根本问题上。     

多项式函数型回归神经网络模型及应用

文中利用回归神经网络既有前馈通路又有反馈通路的特点，将网络隐层中神经元的激活函数设置为可调多项式函数序列，提出了多项式函数型回归神经网络新模型，它不但具有传统回归神经网络的特点，而且具有较强的函数逼近能力，针对递归计算问题，提出了多项式函数型回归神经网络学习算法，并将该网络模型应用于多元多项式近似因式分解，其学习算法在多元多项式近似分解中体现了较强的优越性，通过算例分析表明，该算法十分有效，收敛速度快，计算精度高，可适用于递归计算问题领域，该文所提出的多项式函数型回归神经网络模型及学习算法对于代数符号近似计算有重要的指导意义。     

无线多媒体传感器网络信息处理技术浅析

无线多媒体传感器网络广阔的应用前景使其得到了广泛的研究,但针对WMSNs的多媒体信息处理技术的研究还较少,本文对已有的各种处理技术进行了总结,并探讨了基于内容识别的自适应传输技术在WMSNs应用的可行性,以促进在该领域内的研究深入展开.     

多项式函数的神经网络逼近: 网络的构造与逼近算法

该文作者先用构造性方法证明：对于给定的r阶多项式函数，可以具体地构造出一个三层前向神经网络，以任意精度逼近该多项式，所构造的网络的隐层节点个数仅与多项式的阶数r和网络的输入个数s有关，并能准确地用r表达；然后，给出一个实现这一逼近的具体算法；最后，给出两个数值算例进一步验证所得的理论结果．该文所获得的结果对前向神经网络逼近多项式函数类的网络具体构造以及实现逼近的方法等问题具有较为重要的指导意义．     

Constructive Approximation of Discontinuous Functions by Neural Networks

In this paper, we give a constructive proof that a real, piecewise continuous function can be almost uniformly approximated by single hidden-layer feedforward neural networks (SLFNNs). The construction procedure avoids the Gibbs phenomenon. Computer experiments show that the resulting approximant is much more accurate than SLFNNs trained by gradient descent.     

基于神经网络的时滞非线性系统的广义预测控制

针对一类时滞非线性被控对象,提出一种基于RBF神经网络的广义预测自校正控制方案,在广义预测控制中,采用RBF神经网络建立被控对象的多步预测模型,并不断修正预测输出,提高预测输出的精度.控制器则采用GPC隐式修正算法,不用辨识对象的模型参数,大大减少了计算量.经过仿真研究,与常规的PID自适应控制方法相比较,证明了该方法的优越性,预测控制误差小,实时性好,动态响应快.     

异时滞分数阶细胞神经网络的电路设计与仿真

针对目前细胞神经网络的电路模型中鲜有人考虑系统延时的问题,提出一种异时滞分数阶细胞神经网络模型.用Matlab数值仿真结果表明理论可行,再借助Multisim软件分别构造输出函数单元电路、分数阶单元电路,用带LCL低通滤波的有源电路在一定频率附近产生固定时滞值τ,研究不同时滞组合下系统的混沌特性.电路仿真结果表明,改变...     

多元多项式函数的三层前向神经网络逼近方法

该文首先用构造性方法证明:对任意r阶多元多项式,存在确定权值和确定隐元个数的三层前向神经网络.它能以任意精度逼近该多项式.其中权值由所给多元多项式的系数和激活函数确定,而隐元个数由r与输入变量维数确定.作者给出算法和算例,说明基于文中所构造的神经网络可非常高效地逼近多元多项式函数.具体化到一元多项式的情形,文中结果比曹飞龙等所提出的网络和算法更为简单、高效;所获结果对前向神经网络逼近多元多项式函数类的网络构造以及逼近等具有重要的理论与应用意义,为神经网络逼近任意函数的网络构造的理论与方法提供了一条途径.     

小波神经网络建模研究

在利用小波神经网络进行实际建模中，对输入层权值的选取一直没有一个统一的结论，针对这一现象着重讨论了在样本点有限，样本点与样本点之间缺乏信息的情况下，输入层权值对小波神经网络逼近曲线的影响，并给出了输入层权值的一个最优选取，同时将此结论应用于对实际曲线的仿真，取得了很好的结果，因此，可知在某一实际运用中，小波神经网络输入层权值存在一个最优的解。     

基于长短期神经网络的遥测参数趋势预测

时间序列分析的主要目的是根据已有的历史数据对未来进行预测。传统的时间序列预测主要依靠基于模型的方法，比如季节性差分整合移动平均自回归模型（SARIMA）和指数平滑法（EXP）等。此类方法的参数选择严重依赖于专家经验，适用性并不广泛。针对周期性遥测参数，采用长短期记忆网络（LSTM），学习长时序依赖关系并给出多步预测值。试验通过将预测问题转化为监督学习问题建立半实时仿真环境，并重点研究了观测窗口、预测窗口、网络结构等对性能指标的影响。对比LSTM、SARIMA、EXP，结果表明LSTM具备优异的线性拟合能力和良好的非线性关系映射能力。LSTM预测方法摆脱了传统方法受制于专家经验和模型精度低等问题，为开展实时遥测参数预测奠定了基础。     

Comparing Combination Rules of Pairwise Neural Networks Classifiers

A decomposition approach to multiclass classification problems consists in decomposing a multiclass problem into a set of binary ones. Decomposition splits the complete multiclass problem into a set of smaller classification problems involving only two classes (binary classification: dichotomies). With a decomposition, one has to define a recombination which recomposes the outputs of the dichotomizers in order to solve the original multiclass problem. There are several approaches to the decomposition, the most famous ones being one-against-all and one-against-one also called pairwise. In this paper, we focus on pairwise decomposition approach to multiclass classification with neural networks as the base learner for the dichotomies. We are primarily interested in the different possible ways to perform the so-called recombination (or decoding). We review standard methods used to decode the decomposition generated by a one-against-one approach. New decoding methods are proposed and compared to standard methods. A stacking decoding is also proposed which consists in replacing the whole decoding or a part of it by a trainable classifier to arbiter among the conflicting predictions of the pairwise classifiers. Proposed methods try to cope with the main problem while using pairwise decomposition: the use of irrelevant classifiers. Substantial gain is obtained on all datasets used in the experiments. Based on the above, we provide future research directions which consider the recombination problem as an ensemble method.     

Optimization of Neural Network Training for Image Recognition Based on Trigonometric Polynomial Approximation

Programming and Computer Software - The paper discusses optimization issues of training Artificial Neural Networks (ANNs) using a nonlinear trigonometric polynomial function. The proposed method...     

神经网络与模糊技术的结合与发展

在神经网络与模糊技术不断发展的同时,作为两者结合的神经模糊技术和模糊神经网络已经兴起并发展直来,在对神经网络和模糊技术进行分析和比较的基础上着重论述了两者结合的原因、形式,以及模糊神经网络的理论和应用,指出了神经模糊技术未来的发展和展望。     

基于神经网络和学习子空间的OCR识别方法在选票处理中的应用

选票信息的自动处理能提高录入速度、保证选的公正性，绝大多数的选票信息自动处理系统都是采用光学标记识别的方法。该方法对于选票纸张和填写要求较高，而且误识率较高，该文提出了一种基于神经网络和学习子空间光学字符识别（OCR）方法。该识别方法具有对纸张和填写的要求低，精度高、通用性好的特点。     

Feedback Approximation of the Stochastic Growth Model by Genetic Neural Networks

A direct numerical optimization method is developed to approximate the one-sector stochastic growth model. The feedback investment policy is parameterized as a neural network and trained by a genetic algorithm to maximize the utility functional over the space of time-invariant investment policies. To eliminate the dependence of training on the initial conditions, at any generation, the same stationary investment policy (the same network) is used to repeatedly solve the problem from differing initial conditions. The fitness of a given policy rule is then computed as the sum of payoffs over all initial conditions. The algorithm performs quite well under a wide set of parameters. Given the general purpose nature of the method, the flexibility of neural network parametrization and the global nature of the genetic algorithm search, it can be easily extended to tackle problems with higher dimensional nonlinearities, state spaces and/or discontinuities.     

Ridge Polynomial神经网络带动量项异步梯度算法的收敛性

将动量项引入到Ridge Polynomial神经网络异步梯度训练算法的误差函数中,有效地改善了算法的收敛效率,并从理论上分析了Ridge Polynomial神经网络的带动量项的异步梯度算法的收敛性,给出了算法的单调性和收敛性(包括强收敛性和弱收敛性)。算法的这些收敛性质对于如何选取学习率和初始权值来进行高效的网络训练是非常重要的。最后通过计算机仿真实验验证了带动量项的异步梯度算法的高效性和理论分析的正确性。