层次双曲函数型网络的整体逼近理论及学习算法

文中首先设计出一类双曲函数型神经网络,提出一种层次双曲函数型网络,分析了其逼近特性,给出了其整体学习算法,使之更适合于具有层次知识结构背景的应用领域。因此,这种网络具有广泛的应用前景。     

新激活函数下前馈型神经网络及其在天气预报中的应用

本文为提高基于ＢＰ算法的人工神经元网络的学习速度，提出新组合激活函数并取得了显著效果的基础上，又应用于天气预报中，并与基于ＢＰ算法的神经网络（标准和带动量项）以及多自适应性单元的神经元网络进行仿真比较，在预报准确纺和学习速度方面获得了令人比较温度的结果，本模拟程序在Ｔｕｒｂｏ－Ｐａｓｃａｌ／６．０环境下编制，在ＩＢＭ ＰＣ３８６和４８６机器上调试通过并运行。     

基于遗传算法的函数型小波网络

针对传统小波神经网络易陷入局部极小等缺陷,采用遗传算法对神经网络进行优化。提出了一种结合实数编码与二进制编码的多值编码遗传算法,上述算法在同一条染色体上同时使用实数编码与二进制编码,有机结合了两者的优点,并把遗传算法用于优化函数型小波网络的结构中,可获得具有更好泛化能力的小波网络。仿真实验结果表明,利用该遗传算法训练小波神经网络,能使网络具有简单的结构形式,较高的逼近精度和较强的泛化能力,并证实了网络的有效性和优越性能。     

基于函数连接型神经网络的热电偶非线性校正

针对目前常用的查表和最小二乘等传统非线性校正方法的不足,提出了解决热电偶非线性校正问题的函数连接型神经网络算法。利用传感器的原始数据,得到输入、输出样本对,训练神经网络得到动态修正模型。实际结果表明:这种智能测温方法比传统的测温方法在系统测量速度和精度方面均有很大提高。该方法可应用于很多系统的非线性校正。     

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。     

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。     

基于Chebyshev函数的T-S模糊神经网络及其快速算法

模糊神经网络有效的利用模糊技术和神经网络两者的优点,但是由于需要调整模糊隶属度函数,使得网络计算量很大,收敛速度变慢。本文利用T-S模糊模型,以Chehyshev函数作为隶属度函数,无需调整其参数,大大减少了计算量,提高了运算速度,仿真结果表明了该模型和算法的有效性和快速性。     

基于函数型连接神经网络的瓦斯传感器非线性校正

通过对载体催化瓦斯传感器检测原理的分析,指出瓦斯体积分数与瓦斯传感器输出电压之间呈非线性关系,提出了应用函数型连接神经网络的强非线性逼近能力,且不依赖确定的数学模型的优点,建立非线性校正模型,消除瓦斯检测中的非线性误差.网络仿真结果与分段线性拟合曲线的比较表明:这种非线性校正模型结构简单、收敛速度快、逼近精度高.     

基于积分型切换函数的自适应神经网络控制

针对一类具有未知函数控制增益的非线性系统,利用RBF神经网络的逼近能力,依据滑模控制原理,提出了一种直接自适应神经网络控制器设计新方案。通过引入积分型切换函数及逼近误差自适应补偿项,监督控制用饱和函数代替符号函数,根据李雅普诺夫稳定性理论,证明了闭环系统是全局稳定的,跟踪误差收敛到零。该算法应用于连续搅拌型化学反应器CSTR（Continuous Stirred Tank Reactor）,仿真结果显示,该算法能很好地使CSTR跟踪给定的温度信号,表明了该控制策略的有效性。     

隶属函数的网络表达及其在声呐信号识别中的应用

根据神经网络具有高度非线性映射能力和并行计算能力，本文提出了一种用神经网络表达隶属函数的方法，得到的隶属函数可以并行计算隶属度，并能适应环境的变化；同时利用这种方法网络输出的隶属度以及模糊集合的代数运算，本文采用了多网络组合结构，应用到声呐回波信号识别中，与单网络结构相比，取得了较好的识别效果     

函数加权网络的一个启发式搜索算法

本文研究函数加权网络的最小代价路径问题,给出启发式搜索算法SE。它是算法SEARCH的改进。我们讨论了算法SE的可采纳性,并证明了它的复杂性是O(N~2),而算法SEARCH的复杂性则是O(2~N),从而明显地提高了算法的效率。     

基于小波模糊网络的非线性函数逼近方法的研究

针对非线性函数逼近问题,提出了一种新的融合策略——小波模糊网络;该网络将模糊模型引入小波网络,采用正交最小二乘法筛选小波,利用推广卡尔曼滤波算法调整网络非线性参数,避免陷入局部最优,提高学习速度,并采用最小二乘法修正权值,在不增加小波基函数的基础上提高网络的逼近精度;通过仿真,该网络的准确性和泛化能力都优于传统的小波神经网络,具有广泛的应用前景。     

基于改进型Volterra 基函数网络的直接自适应逆控制方法

构造一种改进型Volterra基函数网络,其特点是结构简单,容易离线确定最佳网络结构和初始权值。通过利用该网络在线学习非线性系统的逆,构造了一种非线性系统的直接自适应逆控制策略,并从理论上证明了闭环系统跟踪误差一致最终有界。仿真结果表明该方法的鲁棒性能良好。     

逆系统方法的径向基函数网络实现

研究采用径向基函数网络（ＲＢＦＮ）构造系统逆控制器的工程实现问题，同时给出该直接逆动态控制器存在的充分条件。为进一步改善基于ＲＢＦＮ的直接逆动态控制器的动态性能，对该伪逆系统进行ＰＩＤ综合。仿真研究表明，以ＲＢＦＮ拟合对象逆过程的ＰＩＤ综合控制策略不仅能改善系统的动态性能，而且具有良好的参数鲁棒性能。     

基于超文本的面向对象的逻辑型和函数型程序变换

本文在ＡＤＬ和ＤＡＤＬ基础上发展了一种引入抽象数据类型的逻辑型和函数型程序变换语言，阐述了从逻辑型向函数型和从函数型向过程型程序的变换方法，并介绍了基于超文本技术的程序变换支撑系统。     

基于改进损失函数的YOLOv3网络

为了提高卷积神经网络在目标检测的精度,本文提出了一种基于改进损失函数的YOLOv3网络.该网络模型应用一种新的损失函数Tan-Squared Error （TSE）,将原有的平方和损失（Sum Squared Error,SSE）函数进行转化,能更好地计算连续变量的损失;TSE能有效减低Sigmoid函数梯度消失的影响,使模型收敛更加快速.在VOC数据集上的实验结果表明,与原网络模型的表现相比,利用TSE有效提高了检测精度,且收敛更加快速.     

相幅组合的函数型数据特征提取方法研究

当前函数型数据分析更多关注于函数的振幅变化而忽略相位变化,很多场合下,相位变化中含有对统计分析有用的信息.基于偏最小二乘法提出了相幅组合的函数型数据特征提取方法,首先使用函数对齐技术获得刻画相位变化的时间弯曲函数,再将对齐函数和弯曲函数通过分段函数的方式重新组合,最后利用偏最小二乘法提取相幅组合函数的成分特征,并应用在回归和分类模型上.实验结果表明,与主成分分析方法相比,所提方法具有更优越的预测性能.