MFNN的有效训练算法——变尺度方法的优化训练算法

在神经网络中应用最广泛的是一种前馈神经网络 在分析了神经网络原理后 ,针对该网络B P算法收敛速度慢的不足 。

静态环境下移动机器人MFNN全局路径规划算法研究

针对移动机器人的路径规划计算问题,通过对其系统特性的分析,提出一种MFNN全局路径规划计算方法,并从理论上进行建模与推导。仿真结果表明:此方法计算简单,收敛速度快,能显著提高求解移动机器人全局最优化问题的计算效率,并避免了某些局部极值情况。

基于覆盖算法与多层前馈网络的案例库维护

针对运行在电子商务等交互式应用领域中的案例推理系统时,其案例库的规模很容易达到成千上万条且不能削减的特点,提出同时从两方面着手完成案例库维护:一方面用覆盖算法将案例库划分成覆盖领域,实现案例的选择性过滤使用;另一方面应用多层前馈神经网络改进案例匹配,提高检索效率.实验表明,该方法可以用来处理海量的高维数据,保证了系统的可用性.

单体模糊神经网络的学习规则及其收敛性研究

梁久祯教授在不久前研究了单体模糊神经网络 (MFNNs)的函数逼近能力 .在此基础上 ,提出了单体模糊神经网络 (MFNNs)的学习规则并进一步研究了其收敛性 .研究结果表明 ,所提出的学习规则是收敛的 ,这一结论为单体模糊神经网络的应用提供了坚实的理论基础 .

基于单体模糊神经网络的多重模糊推理方法研究

文章基于单体模糊神经网络(MFNN)对多重模糊推理的Mamdani方法进行了推广，得到的广义方法(简称G-Mamdani法)克服了原有方法的若干不足。文章采用了求解模糊关系方程的方法来确定网络的权值，依此新方法，实现了一个模糊推理机，其推理效果较好。这一方法为模糊专家系统和模糊控制系统等提供了一种新的有力的推理工具。

级联前馈多层神经网络在动态信道分配中的应用

传统的动态信道分配方案既复杂又耗时，本文根据前馈多层神经网络的特点，基于有序信道搜索方案提出了一种具体的动态信道分配的实时实现方法。

前馈神经网络泛化性能力的系统分析

通过对多层前馈网络的运行机制的系统分析 ,指出影响前馈网络泛化能力的根本原因是训练网络用的样本 ,包括样本质量、样本数量和样本代表性三个方面 .针对复杂系统给出了一种提高前馈网络泛化能力的途径 ,并通过对仿真算例的计算验证了得出的结论 .

一种大工业过程稳态优化控制方法

催化裂化装置是一个高度非线性、时变和长时延、强耦合、分布参数和不确定性的复杂系统。为解决催化裂化过程的优化控制问题 ,采用多层前馈神经网络进行辨识、建模 ,用周期图检验法对模型检验 ,用改进的 Frank- Wolfe算法进行稳态优化计算 ,并以大港炼油厂实际生产过程的稳态数据进行试验和验证 ,说明神经网络适合于解决非线性复杂生产过程的辨识。