利用Gaussian型RBF网络进行函数逼近的构造性估计

前馈人工神经网络有着极其广泛的应用，如何估计隐层神经元数及相应的逼近误差，一直是确定前馈网络结构的难点和关键。RBF网络是一种最重要的前馈网络，本文给出了利用Gaussian型RBF网络逼近连续函数或Lebesgue-可积函数时的构造性隐层单元数显式估算式及相应的显式逼近误差估算式。文中的结论也易于推广到离散样本的情形。这些结论对于提高Guassian型RBF在实际应用时的计算精度和减少计算量具有一定的指导意义。     

基于径向基函数神经网络的自由曲面重构

根据径向基函数神经网络（RBFNN）具有很强的非线性逼近能力的优点，本文采用RBF网络模型进行自由曲面重构，建立了适应于曲面重构的径向基函数网络模型，讨论了基函数对重构曲面连续性的影响，并与多自由曲面重构，建立了适应于曲面重构的径向基函数风络模型，讨论了基函数对重构曲面连续性的影响，并与多层感知器神经网络的性能进行对比。理论分析和仿真实验结果表明：常用的几种径向基函数重构的曲面都具有很好的连续性，径向基函数网络用于曲面重构，不论是在拟合精度，还是网络的训练速度都明显优于多层感知器网络，具有一定的实用价值。     

基于多个前向神经网络和遗传算法的边界检测法

本文提出了一种基于前向神经网络和遗传算法的图象边界检测方法，这种方法由多个三层子前向神经网络并置连接加一个ＭＡＸＮＥＴ子神经网络形成，每个前向神经子网络的隐含层神经元个数和所有人权重系数由遗传算法优化确定，实验结果表明，本文提出了这咱边界检测方法抗噪声能力强，检测到的这界位置更为准确。     

一种基于粗糙K-均值的椭球基函数神经网络

改进了一种椭球基函数神经网络,它与经典椭球单元神经网络的结构不同,而与径向基函数神经网络结构类似,即它有一个隐含层,并且隐层单元采用椭球基函数,区别于RBF网络的高斯函数。本文采用粗糙K-均值方法求取椭球函数的中心,并给出了该方法中确定初始阈值的步骤。这种改进方法不但使对输入空间的划分局部作用,而且划分区域封闭有界。因此,改进的神经网络具有较好的函数逼近能力和模式识别能力。仿真实验验证了该椭球基函数神经网络的正确性和有效性。     

一种基于粗糙集理论的粗糙神经网络构造方法

提出在BP神经网络中使用粗糙集理论网络的设计，由于粗糙集理论有强大的数值分析能力,而BP神经网络具有准确的逼近收敛能力和较高的精度，所以通过两者的结合，可以得到一种可理解性好，计算简单，收敛速度快的神经网络模型，这种神经网络的算法的主要过程为：首先利用粗糙集能力去发现给定数据集的一些规则，然后根据这些规则构造神经网络稳含层的神经元个数，最后用BP算法迭代求了网络的各种参数，完成网络的设计，本文最后给出了一个三维非线性函数的实例进一步验证了网络的正确性。     

L-可积函数的逼近定理

通常所说的函数逼近,或者是在C—范数拓扑下连续函数的多项式逼近,或者是在L~p—范数拓扑下L~p函数的多项式逼近,或者是在Sobolev范数(‖·‖_(H~(m,p)(Ω)))拓扑下用C~∞(Ω)(或C~∞(Ω))对于Sobolev空间H~(m,p(Ω))的逼近。而对于有界L—可积函数的多项式a·e(即几乎处处)逼近,至今未见有任何文献。本文则借助于实变函数的性质与连续函数多项式逼近的技巧来处理这一工作,而文中的主要结果(即定理1—3)正反映了这一尚未有过的工作。确切地说,本文首先利用L—可测函数的重要定理,把L—可测函数转化为连续函数,使(用多项式)a·e逼近成为可能;而后,再对连续函数将广义Jackson算子逼近的已知结果与相应技巧应用上去,得到一系列刻划逼近程度(即逼近阶)的渐近估计。     

关于稀疏分布存贮模型中A连接权阵的讨论

Ｋａｎｅｒｖａ的稀疏分布存贮模型由于对寻址地址采用了稀疏编码，对数据采用了分布式存贮，从而解决了大维数向量的输入问题，ＳＤＭ实际上是一个由输入层，中间层和输出层组成的三层前向网络，其中神经元间的互迦权值在输入层与中间层是预置的（用矩阵Ａ表示），中间层与输出层的连接权阵Ｃ由外积法得到，文中假定在相同的学习规则下，就信噪比意义而言，Ａ的均匀预置能使ＳＤＭ获得最优性能，从而为Ａ的预置提供了理论依据。     

基于神经网络的一类非线性系统自适应回馈递推控制

文章针对一类非线性系统,研究了一种基于回馈递推法的自适应神经网络控制方法.首先基于隐函数定理和中值定理推导出模型跟踪误差的动态特性,再利用多层感知器神经网络并设计适当的权值调整规则使其能够自适应的逼近和补偿误差提高系统的鲁棒性.基于Lyapunov方法证明了闭环系统所有信号有界且跟踪误差收敛到一个很小的邻域,所得到的闭环系统是一致稳定的.仿真结果验证了所研究算法的有效性.     

基于小生境遗传自适应RBFN的歼击机故障认定方法

在模式识别领域中,如何实现更高精度的分类一直是个核心问题。本文提出了将自适应RBF神经网络与小生境遗传算法相结合的方法,其中自适应RBF神经网络通过对样本判断,自动实现对RBF网络添加新的隐层节点或者将样本归于已存在的隐层节点所属的类;小生境遗传算法用于寻找最优的网络宽度值。两者相结合最后确定一个隐层节点数与类别数相同的俭省的网络。用歼击机故障数据进行仿真,比较结果表明此方法能实现更高精度的故障认定。     

SOM人工神经网络在客机零部件故障诊断中的应用研究

现代客机在使用过程中不可避免地会发生各种故障，故障诊断对保证飞行安全十分重要，本文将基于概率的数学方法与专家经验相结合对其进行故障诊断。Kohonen的自组织特征映射（Self-organizing map,SOM）人工神经网络在输出上可反映出输入学习样本的概率密度分布，且无需知道样本的概率分布的先验知识，兼具函数逼近功能。本文将SOM引入这一领域，用于计算飞机零部件发生故障的概率，以及实现数学方法计算结果与专家经验的结合，实际应用说明了该方法的可行性。     

基于BP神经网络的含褶皱复合材料强度预测

利用BP(Back propagation)神经网络处理多参数问题具有的非线性映射及泛化能力,构建了具有3层隐藏层的神经网络,对含纤维褶皱复合材料层合板的压缩强度进行预测。基于LaRC失效准则建立三维损伤模型,对含褶皱复合材料的压缩失效进行数值分析。将数值分析结果作为数据样本对神经网络进行训练。采用黄金分割法快速确定最佳隐藏层神经元数量区间范围,并通过分析对比不同数量神经元模型的强度预测结果及评价指标,确定具有高预测精度的隐藏层神经元数量。结果表明,所构建的神经网络预测最大褶皱角为5.6°、9.9°和11.4°的3种层合板失效强度误差分别为3.4%、4.6%和-0.01%。本文所发展的基于BP神经网络对复合材料强度进行预测的方法,为工程应用中复合材料强度评估提供了一种有效的途径。     

一种在线神经网络在补偿飞机模型不确定性误差中的应用

讨论了一种基于神经网络动态逆的直接自适应控制方法，并应用于超机动飞机的飞行控制中。基本控制律采用非线性动态逆方法进行设计，对由于模型不准确导致的逆误差采用单隐层神经网络进行在线补偿。仿真结果表明，神经网络通过补偿由于模型不准确引起的逆误差，弥补了非线性动态逆要求精确数学模型的缺点，提高了整个控制系统的鲁棒性，而且可以大大简化动态逆控制律的设计。     

多孔介质传热传湿过程多层不连续问题的数值分析

提出了一种基于有限体积法预测非线性边界条件下多层多孔介质内的传热传湿过程的数值分析方法。求解过程中考虑了瞬态边界条件，从而避免了通常处理中边界条件设定为常数而给计算带来的误差，对于多层多孔介质每一层物性参数的非连续性，采用了有效的有限差分逼近处理。利用该处理对典型的三层墙体层与层界面处相对湿度的瞬态值进行了预测，计算结果与Liesen R J等的传递函数求解方法符合很好。     

基于神经网络的一类非线性关联大系统鲁棒滑模分散控制

针对一类具有未知界扰动和子系统部分已知的非线性大系统,结合神经网络逼近方法、滑模控制研究了一种新的分散鲁棒自适应控制方法。所设计的分散控制器分为两部分,一是等效控制器,二是滑模控制器。滑模控制器用来减小系统的跟踪误差,起鲁棒控制作用。文中用神经网络逼近非线性未知函数,将网络权值误差引入到网络权值的自适应律中用以改善系统的动态性能。仿真算例证明了所设计的鲁棒分散控制器是有效的。     

动态神经网络的模型检验

讨论了利用仅含一个隐层的前馈多层神经网络来辨识离散时间非线性动态系统时的模型检验问题。从估计理论出发，加上实际应用的考虑，提出了一种检验神经网络模型适用性的综合误差指标（ＳＥＩ）准则，并利用学习速度快、收敛性能好的递推预测误差（ＲＰＥ）学习算法，对两个例子进行了仿真计算。结果表明：综合误差指标准则可用来检验非线性动态系统的神经网络模型。与相关检验法相比，综合误差指标准则具有计算简单、使用方便等优点。最后，指出了今后的研究方向。     

非线性系统的动态神经网络自适应辨识

提出了用双层动态神经网络在线辨识非线性动态系统的方法。神经网络的权重在线学习，不需要离线训练。在无逼近误差和扰动的理想情况下，所提出的在线算法能保证辨识误差趋于零，基函数持续激励条件能保证权重趋于零。在非理想情况下，权重调整律采用ｅ修正权重算法，它是ＢＰ算法的推广，不需要基函数的持续激励条件。基于李雅普诺夫稳定性理论保证了自适应辨识系统的稳定性。仿真算例说明了所提出的动态神经网络自适应辨识的有效性     

基于BP神经网络的复合材料性能预测

针对复合材料性能表征十分复杂、困难的情况,利用人工神经网络的BP算法,建立了复合材料性能预测模型。模型由3层神经元组成,分别为输入层、隐含层和输出层。以碳/陶瓷复合材料性能与成分的关系为研究对象,选取了38组实验数据作为学习样本,模型总误差为0.18,用建立的网络预测未知,并给出预报曲线。和试验值相比较表明,所建立的网络能反映碳/陶瓷复合材料组分与其材料性能之间的关系,为实验设计提供了新的思路,节省了时间和劳力。     

基于Kriging模型的结构耐撞性优化

提出了基于Kriging模型的耐撞性优化方法。首先就Kriging模型的构造方法及其精度评估问题进行了讨论;然后,以薄壁管为研究对象,采用瞬态非线性有限元分析程序作为计算核心,以薄壁圆管的直径和壁厚为优化变量,以最大撞击载荷为目标函数,薄壁管的最大压缩量等作为约束函数,构造了基于Kriging模型的全局近似函数来逼近真实的优化目标函数与约束函数;随后,提出了提高全局近似函数精度的Kriging模型更新方法,改进了优化设计分析流程;最后,在所构造的全局近似函数的基础上,采用遗传算法进行优化分析。算例分析结果表明,该方法构造的最大撞击载荷与最大压缩量的全局近似函数在最优解处与真实解非常吻合,说明了Kriging模型的有效性。