神经网络自动生成器

介绍了神经网络自动生成器的设计思想，即在正交基函数神经网络的基础上，根据性能指标的变化自动修改网络的拓朴结构，仿真实验表明，该方法在训练过程中改善了收敛速度，具有优良的逼近任意非线性映射的特性．

基于Chebyshev神经网络的非线性预测应用研究

将Chebyshev神经网络作为非线性时间序列的辨识模型 ,通过对过去序列样本的学习 ,调整网络的权值 ,然后预测和推断未来的序列 ,仿真结果表明 ,Chebyshev神经网络具有优良的泛化能力和预测功能。

基于混沌控制系统的神经网络异步加密

将Chebyshev神经网络模型作为混沌控制系统辨识器,任选系统初值和非线性、非周期性控制律,通过Chebyshev混沌神经网络产生混沌序列,求出该序列的排序置换及逆置换,对明文置换后即可得密文,密文逆置换即可还原得到明文。理论分析和加密实例表明,该加密算法可异步进行,且只需改变系统初值和控制律,便可获得不同的混沌序列,从而实现"一次一密"加密,具有良好的安全性。

傅立叶神经网络建模研究

基于函数逼近论 ,将一组傅立叶基函数作为三层前向神经网络各隐含神经元的输出特性 ,以其加权和作为网络的非线性输出 ,构成一种新型的傅立叶神经网络 ;从理论上解决了单输入神经网络隐含层数及隐含神经元个数难以确定的问题 .仿真实验表明 ,该网络具有优良的逼近任意非线性特性的能力 .

基于Chebyshev神经网络的衍生算法

根据辨识对象 ,神经网络的输入层和输出层神经元的个数易于确定 ,而隐层数和隐层神经元个数难以确定 .借助于生物的生长发育知识 ,在正交基函数神经网络的基础上提出衍生算法 ,该算法的基本思想是 :先选取较少个数的隐层神经元作为初始发育细胞 ,训练K次后 ,如果目标函数J不再变化且大于给定的ε ,则网络自动衍生 ,以上过程反复进行 ,直至J小于等于ε ,则停止衍生和训练 .仿真实验表明 ,该算法在训练过程中改善了收敛速度 ,并自动调整网络的拓扑结构 ,解决了隐含神经元个数难以确定的问题且具有优良的逼进任意非线性特性的能力 .图 2 ,表 2 ,参 7.

Hermite混沌神经网络异步加密算法

基于最佳均方逼近,采用Hermite正交多项式做为神经网络隐层的激励函数,引入一种新型的Hermite神经网络模型.通过神经网络权值和混沌初值产生性能接近于理论值的混沌序列,从中提取与明文等长的序列进行排序,将排序结果对明文置换后即可得密文.加密与解密信息完全隐藏于神经网络产生的混沌序列中,与混沌初值无显式关系,且只需改变混沌初值,便可实现"一次一密"异步加密,其安全性取决于混沌序列的复杂性和无法预测性.理论分析和加密实例表明,该加密算法简单易行,克服了混沌同步加密的诸多缺陷,具有良好的安全性.

Gauss-Markov加密矩阵构造及图像加密应用

为了解决加密矩阵难以构造的问题,提出一种获得整数矩阵的新算法,利用Gauss-Markov过程生成一个随机序列,将该序列转换为一系列的低阶整数矩阵,从中寻找行列式等于1的整数矩阵,并对这些矩阵进行张量积运算得到高阶加密矩阵,应用于数字图像加密。加密实例和理论分析及对比表明,该算法可自动生成安全性很高的加密矩阵,且加密结果具有良好的随机特性和自相关性,能满足密码学的要求。

Chebyshev神经网络辨识器

基于逼近论，将一组Ｃｈｅｂｙｓｈｅｖ正交多项式取代ＢＰ网络中的Ｓ型函数，构成一种新的神经网络模型。理论分析和仿真实验表明，该网络可逼近任意非线性系统，且建模容易，收敛速度快，学习次数远远少于ＢＰ网络。

正弦基函数神经网络滤波器设计

构造了一种正弦基函数神经网络 ,以此作为Ⅲ型线性相位FIR滤波器振幅响应Hr(ω)的最佳均方逼近 ;根据训练所得的网络权值cn 计算脉冲响应h(n) ,仿真实例表明了该算法的有效性和优良性能 .

复指数Fourier神经元网络隐神经元衍生算法

以平方可积空间上的复指数Fourier级数作为激励函数构造了新型Fourier神经元网络,并推导出采用加号逆表示的网络权值直接确定公式,克服了传统BP神经网络收敛速度慢、易陷于局部极小点、迭代学习易发生振荡等缺陷。并在此基础上构造了隐神经元衍生算法,克服了传统BP神经网络难以确定最优网络拓扑结构的缺点。理论分析及仿真实验表明,该复指数Fourier神经元网络能够一步计算网络最优权值且能自适应调整网络结构,对随机加性噪声具有抑制作用,并能高精度逼近非连续函数。

一种权值直接确定及结构自适应的Chebyshev基函数神经网络

基于函数逼近理论,构造一种Chebyshev基函数神经网络模型。推导出该网络模型的权值直接确定方法,可一步计算出权值,克服了传统BP神经网络学习率选取困难、学习过程冗长和易陷入局部极小等缺点。在此基础上,设计了基于二分搜索的结构自适应算法,根据精度要求自动确定网络最优结构。理论分析及仿真验证均表明,该网络不仅能够快速地完成网络权值确定和结构自适应,且具有优异的学习与逼近能力,而且对随机加性噪声也具有较好的抑制作用。

Hermite前向神经网络隐节点数目自动确定

从函数逼近论出发,构造了一类以Hermite正交基为激励函数的前向神经网络.在保证网络逼近能力的前提下,令其输入层至隐层的权值和各神经元阈值分别为1和0,导出了基于伪逆的隐层至输出层最优权值的直接计算公式.并针对Hermite前向神经网络,提出一种依照学习精度要求而逐次递增型的隐节点数自动、快速、准确的确定算法.对多个目标函数的计算机仿真和预测结果表明,该神经网络权值直接确定方法和隐节点数自动确定算法能很快地找到最优的隐节点数及其对应的最优权值,且网络具有较好的预测能力.

L egender神经网络建模及股票预测

基于多项式逼近理论,将一组Legender正交多项式做为隐含层神经元的传递函数,再以其加权和函数做为神经网络输出,从而构成一种新型的三层多输入Legender神经网络模型;采用BP学习算法,通过对历史观测样本数据的训练,调整该神经网络的权值,建立非线性时间序列辨识模型,以此预测股票价格的变化。仿真实验表明,Legender神经网络具有优良的逼近任意非线性系统的特性,且学习收敛速度很快;深发展A股预测结果为:训练次数200,最大相对误差5.41%;深证成指预测结果为:训练次数120,最大相对误差4.17%。

样条神经网络的权值直接确定法

根据样条逼近理论和神经网络原理构造了一种样条神经网络模型,以一组样条基函数作为隐神经元的激励函数。依据误差回传(BP)思想推导出该网络模型的权值修正迭代公式,利用该公式迭代训练可得到该网络的最优权值。而对于构造的具有特定网络结构的样条神经网络,依据伪逆思想提出了一种直接计算权值的方法,从而避免冗长的迭代训练过程。仿真结果表明该权值直接确定法不仅能一步确定权值从而获得更快的运算速度,而且能达到更高的计算精度。

多项式基函数神经网络模型

从函数逼近理论出发，用一组正交基函数作为三层前向神经网络各隐含单元的输出特性，以其加权和作为网络的非线性输出，构成一种单输入单输出正交基函数神经网络模型．建立了多输入的多项式基函数神经网络，并给出了非线性静态特性拟合，ＸＯＲ特性和动态特性拟合计算机仿真结果．

基于单片机的Chebyshev神经网络硬件设计

介绍了Ｃｈｅｂｙｓｈｅｖ 神经网络简洁的拓扑结构及逼近任意非线性映射的优异特性，

多个执行机构Lurie系统绝对稳定的鲁棒扰动界

讨论了具有多个执行机构的 L urie不确定时滞控制系统的鲁棒稳定性 ,分别给出了 L urie直接控制系统和间接控制系统鲁棒稳定的一些充分条件 ,用这些条件可直接估计系统的鲁棒稳定界 .文末给出了本文结论的示例 .

Chebyshev神经网络电路设计

本文以Chebyshev神经网络为基础,给出了非线性函数的仿真实例,并提出了用模拟电路实现Cheby-shey神经网络的方法。

基于模拟电路的Chebyshev神经网络电路设计

以Chebyshev神经网络为基础，给出了2个非线性函数的仿真实例，并提出了用模拟电路实现Chebyshev神经网络的方法。

反电动势作用时电流闭环的工程设计方法研究

基 于反电 动势影响 时电流闭 环的数 学 模型， 提出 了 电流 闭环 的 工程 设 计策 略，并 给 出了工程设 计算法  实验结果 表明，系 统电流动 态响应 更逼近其 性能指标 要求图 ５ ，参