太湖洪水预报的前向人工神经网络全局最优逼近方法

将求解不等式约束非线性优化问题的群体复合形进化算法 ,应用于前向人工神经网络逼近 ,提出了前向人工神经网络全局最优逼近算法 ;将前向人工神经网络全局最优逼近算法应用于太湖水位预报 ,建立了太湖水位预报的神经网络模型 ,表明了提出的全局最优逼近算法的有效性     

太湖洪水预报的前向人工神经网络

将求解不等式约束非线性优化问题的群体复合形进行化算法,应用于前向人工神经网络逼近,提出了前人工神经网络全局最优逼近算法,将前向人工神经网络全局最优逼近算法应用于太湖水位预报,建立了太湖水位预报的神经网络模型,表明了提出的全局最优逼近算法的有效性。     

求解约束非线性优化问题的群体复合形进化算法

分析了SCE－UA算法的特性,指出该算法仍存在着一些缺陷,例如（1）SCE－UA算法的全局最优性依赖于随机选取的初始点集的多样性,若初始点集选取不当,搜索进化就会早熟而陷入局部最优解;（2）SCE－UA算法其求解效率有待于进一步提高,提出了群体复合形进化算法,能充分利用目标函数值的信息,优化搜索过程具有较强的方向性和目标性,收敛速度较快,且是全局优化算法,能有效地求解不等式约束非线性优化问题。     

前向神经网络拓扑结构和权值的进化

基于进化规则（Bvolutionary Programmin)的方法，提出一种进化前向神经网络的新算法。该算法能同时进化网络的拓扑结构和连接权值（包括阈值），产生非常紧凑的网络结构，并且由于其全局搜索能力能够避免结构的局部。仿真结果证明了该算法的有效性。     

前向神经网络粒子群优化学习算法研究

将粒子群优化算法用于前向神经网络权值的学习算法研究,以神经网络学习算法研究的典型问题之一的XOR问题作为研究实例,针对算法的收敛性、学习速度以及算法对初值的鲁棒性等性能指标,分别对标准的PSO算法、改进的PSO算法以及BP算法及其带动量项的BP算法进行了比较研究.研究表明,PSO算法在前向神经网络权值的学习算法中其所有的性能指标均优于传统的BP算法,PSO算法在神经网络的应用中具有广阔的前景.     

基于控件技术的前向神经网络实现研究

在分析前向神经网络应用特点的基础上，将其与ＡｃｔｉｖｅＸ技术相结合，提出了一种基于控件技术的前向神经网络体系结构，并用Ｖｉｓｕａｌ Ｃ＾＋＋的ＭＦＣ给出了该系统结构的实现方案。该方案具有实现简单，使用方便，宜于扩充，移植性强，界面友好等优点。     

多项式前向神经网络

提出了一种新型的前向神经网络模型-多项式神经网络。该网络具有三层结构,隐层、输出层神经元激活函数分别为：f(x)=x^p和线性函数,网络隐层-输出层的权值采取最速下降法学习,输入层-隐层的权值采用遗传算法进行学习;网络学习时,其误差函数单调递减,学习算法具有较好的收敛性;该网络能逼近任意的连续函数,且具有较好的稳定性,应用实例表明该网络的性能是优良的。     

一种三层前向网络参数的解析计算方法

介绍了用解析法计算三层前向网络参数的方法 ,给出了一个三层前向网络准确记忆给定样本所需隐层节点个数的充分条件 .也可用解析法计算的参数作为 BP等算法的训练初值 .仿真结果说明这种方法是有效的     

一种基于填充函数的神经网络全局优化算法

针对前向神经网络BP算法由于初始权值选择不当而陷入局部极小点这一缺陷,提出新的全局优化训练算法.首先,提出了一种新的填充函数,并证明该函数的填充性质,进而结合该新填充函数与BP算法,构造出基于填充函数的全局最优化神经网络算法.应用全局优化算法训练神经网络时,如果误差函数陷入局部极小值,该算法可以利用填充函数帮助误差函数不断地跳出局部最优,直到找到全局最优点.该新算法的最大优点是对于初始权值无依赖性,避免了BP算法易陷入局部极小值的缺点.理论分析和仿真试验结果证明了该全局优化神经网络算法的有效性和优越性.     

造纸过程的多层BP前向神经网络PID控制

为了使造纸过程的输出(湿度和基重)最大限度地接近给定值,本文采用了基于多层前向网的PID控制,此控制由控制器网络NNC和辨识器网络NNI组成,采用BP算法进行PID参数的调整和被控对象的辨识,能较好地满足控制目的,并为造纸过程的控制提供另一种思路.     

一种基于FPGA的人工神经网络预测方法

传统人工神经网络的软件实现速度慢,可以利用FPGA的并行性加速其实现。本文在软件上采用PSO优化ANN,得到最优权值,最优权值和测试样本保存在FPGA片上ROM,然后用FPGA-ANN实现股票预测。Sigmod函数的逼近采用分段近似和查找表相结合的方法。利用ANN层与层之间在FPGA中的流水线处理以及每一层内神经元与神经元之间的并行处理,使用国际通用股票预测数据集Nasdaq-100 index of Nasdaqsm进行仿真实验得知,该方法显著提高了股票预测的速度。     

一种基于独特型网络的入侵检测方法

为解决神经网络检测方法中检测器需要定期更新、未知攻击检测性能低等问题,利用人工独特型网络的记忆、学习和动态调整能力实现入侵检测.提出一种可用作检测器的多变异模式人工独特型网络,并根据免疫响应原理设计检测算法,使检测器能实时学习新行为特征.仿真结果表明,多变异模式独特型网络检测方法与多层感知器检测方法相比,平均误报率下降了17.43%,未知攻击的平均检测准确率提高了24.17%.     

噪声信道下最佳矢量量化器的人工神经网络实现方案

噪声信道影响下的矢量量化器设计,实际上是一个信源、信道联合编码(joint soruce/channel encoding)问题。本文提出了一种利用人工神经网络ANN(Artificial Neural Network)技术解决联合编码的组合优化问题的方案,该方案较好地解决了有噪声信道条件下的最佳矢量量化器的设计问题。由于将信道传输特性直接引入到神经网络的构造中,因此,对网络进行训练后,最终得到对噪声信道影响具有一定程度的抑制作用的矢量量化器。我们针对BSC信道对所提方案进行了分析和模拟,结果表明,在量化网络设计中,考虑噪声信道影响的因素,可使训练得到的量化网络的量化特性对噪声信道的影响表现出明显的韧性。     

用于短期电力负荷预报的人工神经网络方法

提出了一种新的短期电力负荷预报方法。该法首先将小时电力负荷解成增长趋势、日模式、周模式、气候敏感及随机变动等分量，然后应用人工神经网络等方法对各分量分别预报，最后由各负荷分量相失加得到小时负荷预测值。并以我国某省实际电力系统负荷预报为例，说明了所提方法的有效性。     

前馈超线性放大器双环误差信号的提取

论述了前馈超线性功放中信号对消环路和互调对消环路中的误差信号提取的问题，所讨论的两种误差信号提取的方法均在实践中得到了验证，达到了预期的指标。     

基于免疫网络算法关联函数经典域优化

可拓控制理论中的关联函数往往是影响可拓控制器好坏的重要因素,但如何定义出正确且客观的节域和经典域,也就是研究可拓理论中一个相当重要的课题,经典域往往依靠统计和专家经验给出,带有很多的主观性和随意性,这样确定的经典域所确定关联函数在可拓控制过程中,控制的结果可能不准确.为了更加客观准确的找到特征状态的经典域,以移动式起重机为研究对象,通过力矩平衡原理,利用起吊物种的力矩与车体能提供的最大力矩的比值作为适应函数,利用人工免疫网络算法寻找起重机在不同起吊物重情况下的仰角、旋转角的可操作的经典域,建立关联函数来起重机系统的危险程度.     

基于类神经网络的垃圾邮件过滤技术研究设计

由于目前尚无论文使用类神经网络针对中文内容的邮件进行垃圾邮件的辨识,因此希望通过实验了解,使用类神经网络对于垃圾邮件的辨识是否可行。关键词数目对于垃圾邮件的辨识是否会有影响;将邮件分类使用二分法以及实际使用测试资料中垃圾邮件的七个分类加上正常邮件共八类,此两种分类结果,对于使用类神经网络辨识垃圾邮件是否会有影响。     

一种基于神经网络的谐波电流抑制方法

在传统谐波注入法基础上提出一种神经网络自适应谐波电流抑制方法，根据自适应噪声抵消技术运用人工神经网络的自适应和自学习特性检测出谐波电流并注入电力系统，达到抑制谐波的目的。通过对一典型正弦电流的仿真研究结果表明，该方法是可行和有效的，它不但有较高的精测精度，而且能跟踪检测，根据环境的变化能自适应地调整神经网络的权值，以便正确地检测出线路的谐波电流。