有理式多层前馈神经网络

提出了有理式多层前馈神经网络的数学模型，给出了有理式多层神经网络的学习算法，就计算复杂度而言，有理式神经网络的学习算法与传统的多层神经网络反传播算法是同阶的，函数逼近应用实例结果表明，将有理式多层神经网络用于解决传统问题是有效的。     

零代价函数条件下的前馈神经网络统计灵敏度分析

讨论了输入层和输出层为恒等变换神经元,隐层为非线性变换神经元的三层神经网络的统计灵敏度,给出了权值和输入样本的加性扰动灵敏度计算的理论公式.当输入扰动较小时,通过选择多种不同的隐层神经元函数,按照本文理论结果计算出来的灵敏度数值与仿真实验的结果十分吻合,说明了本文理论分析结果的正确性.当输入扰动较小时,隐层取不同函数时灵敏度的值是不同的,但数值基本上稳定不变.对于某些隐层函数,当输入扰动值较大时,网络的灵敏度数值迅速下降,但是网络输出的平均相对误差却迅速增加.在求灵敏度时,网络的权值是用代价函数为0的精确算法求得的.     

基于粗糙集的神经网络函数逼近理论

首先给出了神经网络函数在粗糙集意义下的下、上近似函数 ,从函数逼近的观点出发分析 ,得出对任一神经网络函数在粗糙集意义下 ,都可根据学习样本点维数找到两个关联的离散函数来逼近它 ,并且证明了在粗糙集意义下逼近的过程是可行的。该结论有助于理解粗糙集函数与神经网络函数之间的联系 ,为今后进一步研究在粗糙集意义下神经网络函数整体逼近理论及学习算法的描述奠定了基础。     

多层前向小世界神经网络及其函数逼近

借鉴复杂网络的研究成果, 探讨一种在结构上处于规则和随机连接型神经网络之间的网络模型—-多层前向小世界神经网络. 首先对多层前向规则神经网络中的连接依重连概率p进行重连, 构建新的网络模型, 对其特征参数的分析表明, 当0 < p < 1时, 该网络在聚类系数上不同于Watts-Strogatz 模型; 其次用六元组模型对网络进行描述; 最后, 将不同p值下的小世界神经网络用于函数逼近, 仿真结果表明, 当p = 0:1时, 网络具有最优的逼近性能, 收敛性能对比试验也表明, 此时网络在收敛性能、逼近速度等指标上要优于同规模的规则网络和随机网络.     

关于多层感知器的函数逼近能力

给出一个关于多层感知器（ＭＬＰ）连续函数逼近能力更为普遍的新结论，表明ＭＬＰ的函数逼近能力与隐层数目及隐层神经元特性函数的选以关系不大，而主要是决定于ＭＬＰ的支神经元数目。     

基于模糊RBF神经网络的函数逼近

提出了一种模糊RBF网络,将模糊逻辑的知识表达以及推理能力和RBF网络的快速学习和泛化能力结合起来,网络结构参数可按实际问题调整,仿真表明网络具有较快的学习速度和较高的函数逼近精度。     

单体模糊神经网络的函数逼近能力

研究了单体模糊神经网络的函数逼近能力,由于在ＭＦＮＮｓ中神经元的基本运算由原来的积－和运算改为求极小－极大运算,网络的函数逼近性质发生了很大的改变。给出了单调传递函数的ＭＦＮＮｓ按序单调特性,连续映射定理以及非函数一致逼近定理,从而说明ＭＦＮＮｓ虽然能够保持连续映射,但不如原神经网络具有函数逼近能力。     

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．     

遗传前馈神经网络在函数逼近中的应用

人工神经网络具有高计算能力、泛化能力和非线性映射等特点,被成功应用于众多领域,但缺乏用于确定其网络拓扑结构、激活函数和训练方法的规则。该文提出利用遗传算法优化前馈神经网络的方法,将网络结构、激活函数和训练方法等编码作为个体,发现最优或次优解,针对特定问题设计较理想的前馈神经网络。介绍遗传算法的具体步骤,对非线性函数逼近进行实验,结果表明优化后前馈神经网络的性能优于由经验确定的前馈神经网络,验证了本文方法的有效性。     

基于粗糙集团的神经网络函数逼近理论

首先给出了神经网络函数在粗糙集意义下的下、上近似函数，从函数逼近的观点出发分析，得出对任一神经网络函数在粗糙集意义下，都可根据学习样本点维数找到两个关联的离散函数来逼近它，并且证明了在粗糙集意义下逼近的过程是可行的。该结论有助于理解粗糙集函数与神经网络函数之间的联系，为今后进一步研究在粗糙集意义下神经网网络函数整体逼近理论及学习算法的描述奠定了基础。     

利用人工鱼群算法优化前向神经网络

人工鱼群算法(AFSA)是一种最新提出的新型的寻优策略，文中尝试将人工鱼群算法用于三层前向神经网络的训练过程，建立了相应的优化模型，进行了实际的编程计算，并与加动量项的BP算法、演化算法以及模拟退火算法进行比较，结果表明AFSA具有鲁棒性强，全局收敛性好，以及对初值的不敏感性等特点。     

基于免疫遗传算法的多层前向神经网络设计

利用一种基于免疫功能的遗传算法,设计多层前向神经网络,用于实现多层前向神经网络结构的确定和权值空间的搜索。仿真实验结果显示该算法具有比遗传算法和动量BP算法更好的全局收敛性和快速学习网络权值的能力。     

基于前向神经网络的呈香物质识别方法研究

介绍了所研制的一个人工嗅觉装置,详细叙述该装置对呈香物质的识别过程。实验结果表明,采用SuperSAB算法可以显著地提高人工嗅觉装置对香气物质的分析识别速度,为在线检测提供了条件,同时实验结果的准确性也较满意。     

Learning styles' recognition in e-learning environments with feed-forward neural networks

Abstract People have unique ways of learning, which may greatly affect the learning process and, therefore, its outcome. In order to be effective, e-learning systems should be capable of adapting the content of courses to the individual characteristics of students. In this regard, some educational systems have proposed the use of questionnaires for determining a student learning style; and then adapting their behaviour according to the students' styles. However, the use of questionnaires is shown to be not only a time-consuming investment but also an unreliable method for acquiring learning style characterisations. In this paper, we present an approach to recognize automatically the learning styles of individual students according to the actions that he or she has performed in an e-learning environment. This recognition technique is based upon feed-forward neural networks.     

基于样条插值函数的离散过程神经网络训练*

为解决过程神经元网络不能直接输入离散样本的问题,提出基于样条插值函数的离散过程神经网络训练算法。首先,将离散过程样本按采样点分段,在采样区间内分别构造样本和权值的分段样条函数;然后,计算样本函数和权函数的乘积在采样区间上的积分,并将此积分值提交给网络的隐层过程神经元;最后,在输出层计算网络输出。分别采用一次、二次、三次样条函数,设计了三种不同的算法。实验结果表明：一次样条计算效率高,逼近能力差;三次样条计算效率低,但逼近能力好;二次样条在计算效率和逼近能力两方面都比较理想。因此,二次样条函数是离散过程神经网络的较好选择。     

An efficient multilayered shielded microwave circuit analysis method based on neural networks

In previous works, a neural network based technique to analyze multilayered shielded microwave circuits was developed. The method is based on the approximation of the shielded media Green's functions by radial‐basis‐function neural networks (RBFNNs). The trained neural networks, substitute the original Green's functions during the application of the integral equation approach, allowing a faster analysis than the direct solution. In this article, new and important improvements are applied to the training of the RBFNNs, which permit a reduction in the approximation error introduced by the neural networks. Furthermore, outstanding time reductions in the analysis of printed circuits are achieved, clearly outperforming the former technique. The main improvement consists on a better processing of the Green's function singularity near the source. The singularity produces rapid variations near the source that makes difficult the neural network training. In this work, the singularity is extracted in a more suitable fashion than in previous works. The functions resulting from the singularity extraction present a smooth behavior, so they can be easily approximated by neural networks. In addition, a new subdivision strategy for the input space is proposed to efficiently train the neural networks. Two practical microwave filters are analyzed using the new techniques. Comparisons with measured results are also presented for validation. © 2010 Wiley Periodicals, Inc. Int J RF and Microwave CAE, 2010.     

Empirical prediction limit estimation methods for feed-forward neural networks

Feed-forward neural networks (FFNs) have gained a lot of interest in the last decade as empirical models for their powerful representational capacity, non-parametric nature and multivariate characteristics. While these neural network models focus primarily on accurate prediction of output values, often outperforming their statistical counterparts in dealing with sparse date sets, they usually do not provide any information regarding the confidence with which they make these predictions. Since prediction limits (PLs) indicate the extent to which one can rely on predictions for making future decisions, it is of paramount importance to estimate these limits. Two empirical PL estimation methods for FFNs are presented. The two methods differ in one fundamental aspect: the method employed for modeling the properties of the neural network model residuals. While one method uses a local approximation scheme, the other utilizes a global approximation scheme. Simulation results reveal that both methods have their relative strengths and weaknesses.     

基于分布式多子网神经网络的可燃气体分析

根据催化传感器在不同的电场条件下具有不同气体检测灵敏度的特点,介绍了采用单一的热催化传感器在不同的电场强度下,通过分布式多子网神经网络对含未知气体的可燃混合气体进行分析的新方法。应用分布式神经网络,通过训练建立了信号识别的模型,并以3种混合气体为对象进行实验,结果证明了分析方法的可行性。实验表明：该网络在泛化能力与学习速度等均优于BP和RBF网络,其多子网、自动分解任务的特点尤其适用于复杂样本的学习,具有很好的应用前景。     

累积正态分布函数的逼近函数综述

Fisher z变换是一个显式的初等函数,用来逼近累积正态分布函数（标准正态分布的累积分布函数）。介绍了累积正态分布函数逼近函数的评价标准,对有代表性的逼近函数表达式及相应的最大距离误差值进行归纳总结。     

模糊小波基神经网络的机器人轨迹跟踪控制

提出一种模糊神经网络控制器并用于机器人轨迹跟踪控制.这种模糊神经网络利用了小波基函数作为隶属函数,可在线根据误差调整隶属函数的形状,使模糊神经网络具有更强的学习和适应能力.仿真与实验结果表明这种网络能很好的用于机器人的轨迹跟踪控制,具有很好的性能.