基于BP神经网络在卷烟焦油预测中的应用

提出利用数值优化改进的BP算法建立卷烟焦油的预测模型,以卷烟常规化学成分总糖、总氮、总氯作为神经网络的输入,焦油作为输出,并将这些指标作归一化处理,然后通过教师样本数据对网络进行充分的训练,获得适宜的参数矩阵,最后用训练好的网络对检验样本数据进行预测,预测效果相当显著,相对偏差在-1.81%~1.31%之间。     

协同联想记忆分类器在车牌照检测与识别中的应用

从协同学角度出发，提出了一种协同联想记忆分类器（SAMC）的实现算法，为了验证SAMC算法的有效性，针对汽车车牌图像的识别系统，构建了一个基于SAMC的解决方案，实验结果表明，用SAMC实现算法来识别效果好，适合于对有噪声的车牌图像进行处理，该算法训练简单，联想能力强，对具有背景噪声和视角引起的图像畸变失真具有一定的抗干扰能力，识别结果令人满意。     

基于混合学习算法的径向基函数神经网络设计

隐藏层中心点参数的选择和权值向量的快速计算是径向基函数神经网络设计的关键问题.基于"半月"数据集,论文提出了一种上下半月单独计算聚类中心的K-均值聚类、递归最小二乘算法计算权值向量的混合学习算法.基于三层RBF神经网络结构,以支持向量机作为分类器,开展了K-均值+最小均方算法及K-均值+递归最小二乘算法2种混合模式的对比实验.实验结果表明,"K-均值+RLS"算法相比"K-均值+LMS"算法具有更快的收敛性,在应对线性不可分的情况,上下半月单独作用的K-均值聚类算法表现更优越,综合考虑收敛速度及分类精度两个指标,论文提出的上下半月单独计算中心点的K-均值聚类+RLS的混合学习算法获得较优的性能.     

神经网络的信息系统

模糊显示逻辑ＦＥＬ是神经网络的形式描述，在逻辑推理方面代表了神经网络的能力，信息系统则是处理信息的片断，可以用于构造语义域，本文把网络的结点作为信息片断，构造ＦＥＬ的信息系统     

智能搜索引擎的分析与研究

搜索引擎现存的不足,主要是无法满足联网上信息量的不断增长,用户准确查找信息变得越来越困难,提出了基于神经网络的智能搜索引擎开发模型,该模型能解决用户对信息查全率和查准率的要求,可以弥补现有搜索引擎的不足,并对该模型采用的相关技术进行了阐述。     

一种基于神经网络级联算法的软件可靠性增长预测方法

介绍了一种基于神经网络级联算法的软件可靠性增长预测方法,阐述了该算法的具体步骤.对预测系统进行了定义,提出了预测手段,并对预测进行了度量.测试结果与传统方法比较,该方法的较优越性能.     

Stability analysis of discrete-time BAM neural networks based on standard neural network models

To facilitate stability analysis of discrete-time bidirectional associative memory (BAM) neural networks, they were converted into novel neural network models, termed standard neural network models (SNNMs), which interconnect linear dynamic systems and bounded static nonlinear operators. By combining a number of different Lyapunov functionals with S-procedure, some useful criteria of global asymptotic stability and global exponential stability of the equilibrium points of SNNMs were derived. These stability conditions were formulated as linear matrix inequalities (LMIs). So global stability of the discrete-time BAM neural networks could be analyzed by using the stability results of the SNNMs. Compared to the existing stability analysis methods, the proposed approach is easy to implement, less conservative, and is applicable to other recurrent neural networks.     

基于粒子群算法与循环神经网络的短期电力负荷预测

针对循环神经网络算法在电力负荷预测中存在易陷入局部最小值和全局搜索能力较弱的缺陷,提出了基于粒子群算法和循环神经网络的预测方法|针对标准粒子群算法易因粒子早熟收敛现象而陷于局部最优的缺陷,提出了合理粒距的概念,生成一种改良后的学习方法。采用改良后的粒子群算法对结点权值参数进行寻优,以测量值与预测值的误差作为评价依据,从而实现模型参数的优化选择。最后采用改良后的粒子群算法和循环神经网络预测模型对短期电力负荷进行预测,并与标准粒子群算法循环神经网络预测模型和循环神经网络预测模型对比。实际算例比较表明,这种预测方法具有良好的收敛特性和较高的预测准确度。     

数字式非循环侧抑制网络在联想记忆中的应用

提出了基于侧抑制理论和细胞神经网络(CNN)的数字式非循环侧抑制网络，给出其用于数字图象联想记忆的算法，并给出了仿真结果。     

神经网络在商业银行金融风险评价系统建模中的应用

针对商业银行的金融风险，构造了一套实用的商业银行金融风险评价指标体系，并采用BP神经网络方法建立了金融风险多层次的评价模型，该模型有利于商业银行提高决策和管理水平，采取更加有效的政策措施防范和化解金融风险。