基于蚁群算法的仿生模式识别神经网络构造方法

仿生模式识别神经网络（BPRNN）同传统BP、RBF神经网络相比具有更好的模式识别能力;训练样本库变更后网络的重新训练时间更小,但该网络构造过程中样本覆盖几何体参数的选择对网络识别率和复杂度有很大影响.本文通过引入蚁群算法来构造并优化网络参数,实验证明该算法法能较好的平衡网络性能和复杂度.     

基于神经网络的机车滚动轴承故障诊断研究

针对目前机车滚动轴承故障诊断效率低、速度慢的问题,设计一种基于小波包与粗糙集神经网络的机车走行部滚动轴承故障诊断方法。首先运用小波包分解构造故障特征集,之后运用粗糙集对故障特征集进行降维处理,消除冗余信息,然后将降维后的最小属性集作为Levenberg Marquardt算法改进的BP神经网络的输入,建立相应的神经网络模型实现故障诊断。测试结果表明,相较于普通BP网络模型,该方法降低了神经网络模型构建的复杂度,提高了故障诊断速度与故障诊断准确率。     

云环境下基于多层前向神经网络交叉覆盖算法的数据分类

基于云计算技术的神经网络方法研究为大规模数据的分析处理提供了廉价的、高效的解决方案,交叉覆盖算法可以较好地解决多层前向网络分类器的设计问题,弥补BP神经网络的不足.结合MP神经元的几何概念,基于交叉覆盖算法设计神经网络,以Iris数据集为例,基于云计算环境实现了数据分类,为多层前向神经网络在云环境下进行数据分析提供了一种有意义的研究和实践.     

基于广义回归神经网络(GRNN)的函数逼近

本文利用径向基网络的一种变化形式--广义回归神经网络(GRNN)提出了基于广义回归神经网络的函数逼近方法,利用matlab中的神经网络工具箱设计了GRNN模型,用于对非线性函数的逼近.通过网络的训练、测试达到了预期的效果,并与BP网络、RBF网络对比,说明GRNN网络的优势.     

基于小波变换分析ANN实现的含噪图像数字识别研究

本文研究了基于小波变换平滑降噪,ANN(人工神经网络)实现的含噪图像数字识别。本文从数字识别的主要原理、小波变换图像降噪以及BP神经网络的实现等方面进行了探讨。阐述了BP神经网络的网络的原理,设计BP网络的过程及其实现和改进方案,并附有大量的实验数据。     

基于模糊神经网络的数据挖掘技术的研究

简要叙述数据挖掘的概念及几种主要的数据挖掘方法,提出一种基于模糊神经网络的数据挖掘算法,把模糊理论和神经网络结合起来构造、训练模糊神经网络,弥补神经网络结构复杂、网络训练时间长、结果表示不易理解等不足。     

基于MSP430单片机与BP网络的高精度压力变送器的设计

介绍了以超低功耗单片机MSP430为核心的高精度压力传感器的硬件电路设计,针对压力传感器的温度漂移问题分析了用于温度补偿的BP网络算法,通过单片机对MPM280压力传感器的温度和压力信号采集,构造四层BP神经网络进行离线训练,将训练好的网络模型利用C语言完成编程,研究了单片机软件实现方式.     

基于Matlab的BP神经网络在图像改卷中的应用

BP神经网络模型是一种发展较为成熟的网络模型,近年来在各个领域都得到广泛应用.在介绍神经网络及BP神经网络的基础上,将之用于图像答卷的改卷处理,并在Matlab平台上进行了仿真实验.结果表明,所设计的BP网络具有不错的泛化能力,效果较好.     

基于Bagging算法的水位预测模型

传统的统计分析在小样本预测中的效果不佳,虽然神经网络一定程度上解决了传统方法所遇到的问题,但样本的数量又影响了神经网络的泛化能力,神经网络集成的方法较好地解决了这一问题.在运用智能计算技术建立BP网络的基础上,再利用Bagging算法构造神经网络的集成模型.用珠江三角洲天河水文站的数据进行训练和预测,结果表明,基于Bagging算法的神经网络集成的预测不仅解决了样本数据量少、偏差大、不确定性的问题,而且比单一神经网络具有更强的泛化能力,预测更为可靠.     

模糊神经网络变结构算法优化的研究

随着生产实际情况的不断变化,以及模糊神经网络不断的改进和发展,提出一种改进的构造神经网络的方法,并且提出混合学习算法,结合共扼梯度下降法与递归最小二乘估计来分别辨识网络中的前、后件参数,并对非线性系统进行仿真实验,达到控制要求.     

基于虚拟仪器编程的BP神经网络学习算法仿真

BP神经网络是一种具有广泛应用性的前向人工神经网络。本文运用虚拟仪器图形化编程思想,编写LabVIEW图形化程序,实现BP神经网络学习算法,并通过仿真实例加以验证。     

BP神经网络在数字识别中的应用

神经网络(neuralnetwork)是近年来再度兴起的一个高科技研究领域,数字识别就是其中一项既基本又非常重要的应用性研究领域。BP神经网络(Back-Propagation),又称误差反向传递神经网络,是一种依靠反馈值来不断调整节点之间的连接权值而构建的一种网络模型。BP网络可以看作是对多层感知器网络的扩展,即信息的正向传播及误差数据的反向传递。本文给出了设计用于识别手写数字BP神经网络的过程。     

A new neural network model for the feedback stabilization of nonlinear systems

A new neural network model termed ＇standard neural network model＇ （SNNM） is presented, and a state-feedback control law is then designed for the SNNM to stabilize the closed-loop system. The control design constraints are shown to be a set of linear matrix inequalities （LMIs）, which can be easily solved by the MATLAB LMI Control Toolbox to determine the control law. Most recurrent neural networks （including the chaotic neural network） and nonlinear systems modeled by neural networks or Takagi and Sugeno （T-S） fuzzy models can be transformed into the SNNMs to be stabilization controllers synthesized in the framework of a unified SNNM. Finally, three numerical examples are provided to illustrate the design developed in this paper.     

Nonlinear modelling of a SOFC stack by improved neural networks identification

The solid oxide fuel cell (SOFC) is a nonlinear system that is hard to model by conventional methods. So far,most existing models are based on conversion laws,which are too complicated to be applied to design a control system. To facilitate a valid control strategy design,this paper tries to avoid the internal complexities and presents a modelling study of SOFC per-formance by using a radial basis function (RBF) neural network based on a genetic algorithm (GA). During the process of mod-elling,the GA aims to optimize the parameters of RBF neural networks and the optimum values are regarded as the initial values of the RBF neural network parameters. The validity and accuracy of modelling are tested by simulations,whose results reveal that it is feasible to establish the model of SOFC stack by using RBF neural networks identification based on the GA. Furthermore,it is possible to design an online controller of a SOFC stack based on this GA-RBF neural network identification model.     

Artificial Neural Network Model for Optical Fiber Direction Coupler Design

A new approach to the design of the optical fiber direction coupler by using neural network is proposed. To train the artificial neural network, the coupling length is defined as the input sample, and the coupling ratio is defined as the output sample. Compared with the numerical value calculation of the theoretical formula, the error of the neural network model output is 1% less. Then, through the model, to design a broadband or a single wavelength optical fiber direction coupler becomes easy. The method is proved to be reliable, accurate and time-saving. So it is promising in the field of both investigation and application.     

BP神经网络隐层结构的设计方法

针对神经网络隐层结构设计问题,介绍了几种神经网络隐层层数和各层节点数的设计方法.此方法计算量小,具有很高的实用参考价值.     

神经网络在系统优化设计中的应用

本文首先简介了系统优化问题，然后以Hopfield神经网络在对铺设公路至若干油田的路线进行优化设计中的应用为典型事例，初步探讨了在复杂系统的优化方案设计中运用人工神经网络的可行性，并从中得出拥有并行分布计算优势的神经网络在解决系统组合优化问题时具有优越性这一结论。     

BP神经网络及其应用和其推广能力的分析

针对BP神经网络进行了详细介绍,首先从数学上对网络的原理进行了说明,指出了它的局限性,又给出了很多改进方法.并通过例子介绍了BP神经网络的应用,后来还对网络的推广能力问题进行了分析.文中的例子也说明了,MATLAB工具箱的使用降低了网络的设计难度.     

Interval standard neural network models for nonlinear systems

INTRODUCTION Neural networks have been successfully em- ployed for controlling nonlinear systems since the 1990’s (Narendra and Parthasarathy 1990; Hunt et al., 1992; Suykens et al., 1996). In these nonlinear control systems, neural networks have been used either for modelling the system to be controlled, or for design- ing a controller, or both. Recently, the robustness issue has been an important focus of research in neuro-control circles (Suykens et al., 1996; Wams et al., 1999; Aya…     

快速构建BP神经网络模型

就BP神经网络应用设计中的网络隐含层数、隐含层神经元个数等具体设计问题进行了研究与探讨，提出一种新的构建BP神经网络模型方法。实验表明，使用该方法构建的网络模型训练曲面图形时，得到的网络输出曲面与原样本曲面非常接近，训练误差满足设定要求。