基于混沌映射的非径向对称基函数的神经网络模型

为提高神经网络模型的预测精度,构建了非径向对称基函数神经网络模型结构。为确定非径向对称基函数神经网络模型参数,采用Ulam-von Neumann映射规则确定混沌变量,利用混沌变量的遍历性获得不同网络结构参数下的最优网络输出,以减少所构建网络模型的实际输出与期望输出的差值,并利用模型输出的误差变化率以决定是否增加新的隐层节点。给出基于混沌映射的非径向对称基函数的网络模型构建步骤。采用基于Mackey-Glass时滞微分方程的混沌时间序列预测问题验证该模型的预测精度,并同其他文献对该序列预测的精度以及所需隐层节点数作对比。比较结果表明,采用该设计模型具有对时间序列预测精度高且所需网络结构规模小等优点。     

基于SOM和RBF网络的软测量方法研究

为了解决工业生产过程中许多重要的参数无法精确测量或者实时测量的问题,提出一种基于自组织特征映射(SOM)神经网络和径向基函数(RBF)神经网络结合构建网络模型的预测方法;其中,RBF神经网络作为基础网络实现从输入层到输出层的线性映射,得出预测输出;SOM神经网络作为聚类网络对输入样本进行自组织分类,将分类中心及其对应的权值向量作为RBF神经网络径向基函数的中心;以钕铁硼氢粉碎过程优化控制为例,建立了合金氢含量的检测模型,并与RBF神经网络检测模型进行了对比;仿真结果表明该混合网络检测模型检测精度高,泛化能力强,证实了该方法的有效性.     

一种结构自适应的径向基函数神经网络

提出了一种新的结构自适应的径向基函数(RBF)神经网络模型。在该模型中,自组织映射(SOM)神经网络作为聚类网络,采用无监督学习算法对输入样本进行自组织分类,并将分类中心及其对应的权值向量传递给RBF神经网络,分别作为径向基函数的中心和相应的权值向量;RBF神经网络作为基础网络,采用高斯函数实现输入层到隐层的非线性映射,输出层则采用有监督学习算法训练网络的权值,从而实现输入层到输出层的非线性映射。通过对字母数据集进行仿真,表明该网络具有较好的性能。     

基于混合神经网络的非线性预测函数控制

针对基本预测函数控制只能用于线性对象的控制这一不足,提出了基于混合神经网络的非线性预测函数控制.混合神经网络由BP网络和线性神经网络串连组成.采用混合神经网络对可用Hammerstein模型描述的非线性对象进行有效的辨识.其中,BP网络反映了非线性静态增益,线性神经网络反映了线性动态子系统.利用BP网络求出非线性静态增益的逆并与非线性对象串联,抵消非线性对象中的非线性静态增益部分,将非线性对象的控制问题转化为对线性对象的控制问题,实现了对非线性对象的预测函数控制.当被控对象的特性发生变化时,可对混合神经网络权值及时进行修正并调整控制器参数使控制系统始终保持良好的控制性能.仿真结果表明,此控制系统具有良好的控制效果.     

一种结构自适应径向基函数神经网络

提出了一种新的结构自适应的径向基函数(RBF)神经网络模型。在该网络中,自组织映射(SOM)神经网络作为聚类网络,采用无监督学习算法对输入样本进行自组织分类,并将分类中心及其对应的权值向量传递给RBF神经网络,作为径向基函数的中心和相应的权值向量;RBF神经网络作为基础网络,采用高斯函数实现输入层到隐层的非线性映射,输出层则采用有监督学习算法训练网络的权值,从而实现输入层到输出层的非线性映射。通过对字母数据集进行仿真,表明该网络具有较好的性能。     

时空神经网络及其在机场噪声预测中的应用

针对时空序列建模分析问题,利用函数扩展技术,结合线性脉冲响应滤波原理,提出一种新型时空神经网络。该网络由函数扩展功能模块和线性延时脉冲模块组成。函数扩展功能模块将网络输入空间映射到高维空间,实现时空序列非线性模式到高维映射空间线性模式转换;线性脉冲延时模块等效于时空线性脉冲响应滤波器,用于拟合时空序列中的线性模式。采用LevenbergMarquardt最优方法对网络进行训练,设计时空神经网络的快速学习算法。机场噪声仿真结果表明,该网络具有快速收敛和高精度的特点,预测精度高于时空自相关移动平均模型和多层感知器神经网络。     

基于遗传优化的RBF-BP网络的实时故障检测

针对单一神经网络对复杂模型难以实时做出准确预测和BP神经网络自身的缺陷,结合RBF神经网络可以逼近任意函数的特性,提出了基于遗传优化的混合神经网络模型(RBF-BP)。由RBF网络和BP网络并联作为一个神经网络(简称为RBF-BP)的隐层,利用该网络对被控对象进行逼近训练、实时故障检测,该算法同时具有RBF网络和BP网络的优点,适用于复杂非线性系统的故障检测。     

基于径向基函数神经网络的机器人系统辨识

介绍了一种三层径向基函数神经网络,其学习算法采用正交最小二乘算法.首先根据正交最小二乘算法得到径向基函数神经网络的结构;然后对该网络的权值进行训练使它逼近给定的函数.为了验证径向基函数神经网络所具有的对任意非线性映射的任意逼近能力和自学习、自适应能力,以两关节机械手为辨识对象来进行实验研究.实验结果表明,该径向基函数神经网络具有良好的模型学习和逼近能力,并且学习速度快、收敛性好、鲁棒性强,尤其适合于具有连续线性与非线性对象的复杂系统的控制实时性要求.     

具有Hammerstein模型描述的非线性系统的基于混合神经网络的预测控制

本文针对多输入多输出Hamrnerstein模犁提出了一种基于混合神经网络的模犁预测控制策略,控制器采用线性优化机构和高斯径向基神经网络串联.该策略不需要假设Hammerstein模型的非线性部分由多项式构成,避免了已有研究在无根或重根情况下存在导致预测控制的优化特征丧失问题,而采用混合神经网络则避免了采用传统神经网络拟合动态映射时存在的网络规模大和实时性差的不足.     

径向函数网络对国民经济生产总值预测研究

为了建立国民经济生产总值（GDP）神经网络预测模型,构造了双层网络结构的基于径向基网络,通过学习训练,确定径向基数神经网络参数和结构。仿真结果表明,生成的径向基函数模型应用于国民经济预测比BP神经网络模型具有更高的预测精度和良好的泛化能力。     

预测模型在入侵检测中的应用研究

针对目前入侵检测技术中预警这一模块效率不高的问题,通过对Pi-sigma模糊神经网络在降水预测中的应用进行分析比较,首先在理论上探讨了将混合型Pi-sigma神经网络预测模型应用于入侵检测技术中的可行性,并通过分析试验数据说明该模型在入侵检测预警模块中能够起到一定的预测作用,从而提高了预警的效率.     

基于故障传播的模块化BP神经网络电路故障诊断

大规模的数模混合电路所含故障模式众多,电路故障状态复杂,且易发生传播,因而电路故障诊断难度较大。针对大规模电路发生故障时存在故障传播的问题,提出一种基于故障传播的模块化BP神经网络（MBPFP）故障诊断方法。首先,在电路模块划分的基础上分析子电路间的故障传播,并将故障源和故障传播源"模块化";然后,通过子电路的异常检测模型进行一级定位,缩小故障原因集合,确定故障模块;最后,利用目标模块的BP神经网络模型进行二级定位,实现故障诊断并识别故障模式。与传统BP神经网络等方法进行比较的实验结果表明,MBPFP故障诊断方法具有较高的故障覆盖率,在定位准确率方面提高了至少8个百分点,其性能优于传统BP神经网络等方法。     

精馏塔的机理-神经网络混合建模

酒精精馏过程是一个复杂的化工过程,动态响应缓慢,内在机理复杂,参数间相互关联.为了解决精馏塔机理模型精度低和神经网络模型外推能力差的缺点,同时也为了精馏塔的先进控制提供一种可靠的先进模型,针对试验室酒精精馏塔,充分发挥机理模型和神经网络模型的特点,建立一种基于机理模型和神经网络补偿模型的酒精精馏塔的混合模型.最后对混合模型进行了仿真试验,仿真结果显示有很好的性能,精馏塔的精馏精度和精馏效率都得到了很大的提高.而且下一步正准备以此模型为基础,设计精馏塔的先进控制算法.     

基于级联网络的电力系统短期负荷预测

电力系统短期负荷预测对电力系统运行设计具有十分重要的意义。因此，在分析了电力负荷运行曲线的基础上，提出了一种基于级联模糊神经网络的预测模型。该模型采用基于神经网路理论的模糊模型参数辨识方法，很适合于复杂系统的模糊预测和控制。详细地对输入量的选择和学习算法进行了分析。实例表明，此方法具有町靠、鲁棒性好和快速等特点，优于神经网络电力负荷预报方法。     

人工神经网络在ERP系统中的应用

在传统的ERP的基础上,增加专家系统模块,即基于人工神经网络技术的预测分析模块,提出了ERP和专家系统的集成管理方法,完成复杂的非线性预测,以使ERP系统智能化、自动化水平更高。该模块采用反向传输BP神经网络模型来实现,通过网络的自适应学习和训练,找出输入和输出之间的内在联系,以求解问题。利用该专家系统对汽车制造企业市场销售量进行预测,结果表明：该方法性能、实用性和通用性好。     

A Proposed Hybrid Recurrent Neural Control System for Two Co-operating Robots

This paper discusses a model refernce adaptive (MRAC) position/force controller using proposed neural networks for two co-operating planar robots. The proposed neural network is a recurrent hybrid network. The recurrent networks have feedback connections and thus an inherent memory for dynamics, which makes them suitable for representing dynamic systems. A feature of the networks adopted is their hybrid hidden layer, which includes both linear and nonlinear neurons. On the other hand, the results of the case of a single robot under position control alone are presented for comparison. The results presented show the superior ability of the proposed neural network based model reference adaptive control scheme at adapting to changes in the dynamics parameters of robots.     

基于外时延反馈人工神经网络的短期负荷预测系统

针对当前人工神经网络学习算法存在的问题,使用变步伐最速下降法和共轭梯度法的混合算法来进行神经网络的训练,并建立了负荷预测的人工神经网络模型。介绍了基于Delphi下的短期电力负荷预测系统。该系统由负荷预测数据查询模块、预测方法模块、结果查询模块和图表输出模块四部分组成。事实说明,混合算法在全局收敛性和收敛速度上要好于传统的算法,所基于此的短期负荷预测系统能达到令人满意的精度。     

基于SAGA-BP神经网络的证券智能分析系统研究

自然界中生物对复杂事物的处理机制在证券智能分析系统中应用,是提高证券预测分析准确性的一种有效途径。系统的运算功能模块分为两个方面:第一,它结合模拟退火算法和遗传算法的特点,有效的提高了处理复杂问题时算法收敛速度和精度;第二,它使用混合算法对神经网络的进行优化,充分发挥了神经网络的优点,弥补了它的缺点。根据需求对系统的功能模块进行分析设计,文章最后简要介绍MATLAB与Visual C++之间如何通信。     

基于网络表征学习的混合缺陷预测模型

针对软件系统模块间具有依赖关系的问题,通过对软件系统网络结构进行分析,构建了基于网络表征学习的混合缺陷预测模型。首先,将软件系统以模块为单位转换成软件网络;然后,使用网络表征技术来无监督学习软件网络中每个模块的系统结构特征;最后,结合系统结构特征和卷积神经网络学习的语义特征构建一个混合缺陷预测模型。实验结果表明：在Apache三个开源软件poi、lucene和synapse上所提混合缺陷预测模型具有更好的缺陷预测效果,其F1指标比最优模型——基于卷积神经网络（CNN）的缺陷预测模型分别提高了3.8%、1.0%、4.1%。软件网络结构特征分析为缺陷预测模型的构建提供了有效的研究思路。