求解带有混合约束的极大极小优化问题的神经网络方法

通过构建神经网络求解极大极小非光滑优化问题.主要利用光滑的熵函数近似非光滑目标函数,将问题转化为光滑优化问题,进而根据KKT条件构建神经网络模型.我们证明了构建的神经网络模型在Lyapunov意义下是稳定的,并收敛到极大极小问题的近似最优解.最后的数值实验证明了方法的有效性.

一般模糊极小极大神经网络的改进研究

针对一般模糊极小极大神经网络在处理重叠超盒和包含超盒时,出现新的类而标识为未知类,进而无法达到聚类预期效果的问题,提出了通过超盒的收缩过程来加入新类或删除一个已存在类的一般模糊极小极大神经网络,它继承了一般模糊极小极大神经网络的优点,并且避免了一般模糊极小极大神经网络在分类时的随意性,弥补了一般模糊极小极大神经网络无法达到聚类预期效果的目的,以及提高了模式分类的准确性和高效性.最后,通过实例验证了方法实用有效.

基于波形记忆和模糊极小—极大神经网络的变压器励磁涌流和内部短路的鉴别

传统的区分变压器励磁涌流和内部短路的各种方法存在原理性缺陷 ,不能满足现代超高压电力系统的要求 ,此文根据内部故障和单纯涌流这两种情况下波形的不同 ,提出了波形记忆的原理并采用了一种模糊神经网络模型——模糊极小—极大神经网络来对这两种波形进行记忆和鉴别。运用EMTP程序对变压器各种内部故障或涌流的情况进行较为全面的仿真以形成网络的训练样本 ,通过学习和测试 ,表明该网络所形成的新算法能够正确鉴别变压器各种运行工况下的励磁涌流和内部短路 ,所需的鉴别时间小于 2 0 m

化合物构效关系的模糊极小极大神经网络识别研究

应用模糊极小极大神经网络研究了化合物复杂结构和性能 (QSAR)之间的关系 ;用该法进行几组化合物致癌的识别 ,结果优于线性回归的方法。

化合物构效关系的模糊极小极大神经网络识别研究

应用模糊极小极大神经网络研究了化合物复杂结构和性能（QSAR）之间的关系。用该法进行几组化合物致癌的识别，结果优化于线性归的方法，对此作出一些分析。

一种无师训练的模糊极小极大人工神经网络

提出了一种无师训练的fuzzymin max人工神经网络,它兼有一般fuzzymin max网与ART2网的优点,既弥补了fuzzymin max网不能自适应在线学习新类的缺陷,又消除了ART2网警戒门限过高的弊病.经模式识别仿真对比,对同样的输入数据,文中提出的网络用较低的警戒门限值即可达到ART2用很高的警戒门限值才能达到的分类效果,且计算量大大减少.得到的结论是:对模式识别而言,文中提出的网络比fuzzymin max网和ART2网更具有实用价值.

化合物致癌模糊极小极大神经网络识别研究

将模糊数学的隶属度概念、模糊聚类的方法和模糊极小极大神经网络的方法相结合，构筑一算法，研究化合物复杂结构和性能（ＱＳＡＲ）之间的关系；用该法进行几组化合物致癌的识别，结果优于线性回归的方法，对此作出一些分析。

基于模糊极小极大神经网络的雷达一维像识别

雷达目标一维距离像是随雷达姿态角变化的 ,但由于目标姿态变化的连续性及目标散射点分布的连续性 ,其一维距离像是一个随视角变化而逐渐演变的过程 ,它们应随姿态角的连续变化在特征空间中形成一条特征轨迹线。本文在基于线性内插神经网络对雷达一维距离像识别的基础上 ,改进了线性内插时特征轨迹线的形成方法。提出了一种基于模糊极小极大神经网络分类器的雷达目标一维距离像目标识别方法 ,利用模糊极小极大神经网络中的超方匣的并集来形成雷达目标特征轨迹线。进行了三类飞机目标的 0～ 180°姿态角范围内一维距离像的分类实验研究 ,结果表明 。

一般模糊极大-极小神经网络的研究与应用

分析一般模糊极大-极小神经网络的基本原理,阐述模糊计算方法在分类中的准确性和高效性。将一般模糊极大-极小神经网络应用于企业资信评估中,实现模糊区间的输入,缩小企业评估指标定量化中的误差范围。资信评估结果表明,该算法能快速、有效地对企业进行分类,为资信评估提供了解决方案。

基于模糊神经网络的双凸极永磁电机非线性建模

双凸极永磁电机的电感、磁链等特性呈严重非线性,常规的线性或准线性模型难以准确反映双凸极永磁电机的实际特性,影响双凸极永磁电机的控制精度和工作性能.为此,本文提出采用自适应模糊神经网络建立双凸极永磁电机模型的新方法.首先在介绍了自适应模糊神经网络结构后,采用改进的递推最小二乘法修改网络参数,同时采用遗传算法对遗忘因子和学习率进行了优化,仿真计算和实测结果表明,该模型有很快的收敛性和很高的精确度,最后给出了利用模型实现双凸极永磁电机优化控制的方法.

解无约束极大极小问题的非对称神经网络算法

本文构造了一种新的非对称神经网络模型，用于求解极大极小无约束优化问题。并证明了非对称线性神经网络和非线性神经网络是整体Ｌｙａｐｕｎｏｖ稳定的，且收敛于对应的Ｌａｇｒａｎｇｅ方程的稳定点．计算机模拟的结果表明此方法是可行的，且具有良好的整体收敛性．

一种带修剪的增量极速学习模糊神经网络

由Huang提出的extreme learning machine(ELM)批量学习算法在获得与其他算法相当的性能的同时显示出了极快的学习速度。为了实现在线增量学习,扩展了ELM方法,提出了一种带修剪的极速学习模糊神经网络。首先随机产生模糊神经网络前件参数和规则数量,然后使用SVD将规则按照重要性能排序,再使用留一法leave-one-out(LOO)选出最佳的模糊规则数,最后分析计算模糊规则的后件参数。在学习过程中无须保存过去的数据,真正实现了增量学习。当新的数据到来时,无须重新训练网络。通过仿真实验对该方法与其他算法进行了验证和比较,结果表明,在获得与其他算法类似的性能的情况下,该算法能够获得更加简洁的结构。

一种基于划分聚类和模糊神经网络的机器学习方法

将基于划分的模糊聚类算法和一般模糊极小极大神经网络分类算法相结合,提出了一种新的机器学习方法,实现了基于类比的案例推理学习模型。具体实现思想是,首先利用基于确定性退火技术的划分聚类算法对已知案例进行聚类标识,由所得结果建立一般模糊极小极大神经网络分类模型,然后用该模型实现新目标问题的案例相似性检索,最后针对目标问题结果案例完成案例学习。通过实例表明,该算法具有较好性能,并在基于案例推理的固体火箭发动机总体设计中成功应用,得到了论域覆盖面大的设计结果集。

一类半无限极大极小问题的神经网络

本文考虑了一类半无限极大极小问题。首先将它等价转化为半无限非线性规划模型,再使用ku-hn-Tuckey条件、射影定理等,提出了求解它的一个神经网络模型。最后严格说明了该模型是Lyapunov稳定的,并收敛到原问题的一个精确解。

基于神经网络的模糊关系方程极小解求解算法

利用神经网络求解有限论域上模糊关系方程的极小解,将未知的模糊关系作为神经网络的权重参数进行学习,并设计了相应的网络训练算法Ⅰ.证明了该训练算法将收敛到模糊关系方程的极小解,并通过2个数值实例来验证算法的有效性.

解一类非线性极大极小问题的神经网络

考虑了一类非线性极大极小问题,通过将其转化为等价非线性凸规划提出了求解它的一个神经网络模型,严格证明了新模型是Lyapunov稳定的,并且在有限时间内收敛到原问题的一个精确解。与已有模型相比,新模型结构简单,更适合硬件实现。数值实验表明,该模型不仅可行而且有效。

一种求解非线性极大极小问题的神经网络方法

神经网络具有大规模并行处理及快速收敛的特性,为优化问题的算法设计提供了一种新的思路。为此,设计了一种求解非线性极大极小问题■,■的神经网络方法:首先将非线性极大极小问题■,■转化为带不等式约束的非线性规划问题■;然后采用Lagrange乘子法构造相应非线性规划的神经网络模型■,并对该神经网络模型的渐近稳定性进行了分析。数值试验结果表明,利用神经网络可以有效地求解极大极小问题。

解一类凸二次极大极小问题的新神经网络

基于问题的结构特点,提出了求解一类凸二次极大极小问题的一个新的神经网络.定义了恰当的能量函数,严格证明了该网络是Lyapunov稳定的,并且大范围渐近收敛于原问题的一个精确解.此外,新模型在适当的条件下是指数稳定的.由于新模型的规模与原问题相同,并且参数易于选择,因此其结构简单,更适合于硬件实现.数值试验表明新模型不仅可行,而且有效.

改进的模糊神经网络学习规则研究

在S Stoeva提出的基于相同样本及网络输出的模糊反向传播算法基础上,通过对基于极大-极小模糊算子的模糊神经元模型的研究,对含有一个隐含层的单输出模糊神经网络,提出了依赖于各模糊神经元输出的调整模糊权值的网络学习算法,该算法具有直观和可操作性强的特点.并以汽轮发电机组的状态监测为例进行仿真,仿真结果表明网络学习效果较好.

基于遗传算法的模糊神经网络控制器在GTAW中的应用

GTAW (钨极气体保护电弧焊 )是一种能够很好控制线能量 ,进行高质量薄板焊接的方法。焊接过程是一个复杂的、多参数耦合的高度的非线性系统 ,在实际焊接过程中难以实现实时、有效的在线控制。模糊控制吸收了人的经验思维的特点 ;神经网络则对信息的处理具有自组织、自学习的特点 ;遗传算法是一种全局优化搜索方法 ,具有简单通用、普遍性强 ,适合并行处理和应用范围广的优点。作者将三者有机地结合起来 ,在模糊神经网络控制器的基础上利用了改进的遗传算法 ,并分析了其网络结构和离线学习的方法 ,协调利用三者的优势设计了一种新型的模糊控制器 ,并使之用于脉冲GTAW仿真中 ,结果证明了该新型模糊神经网络控制器比传统的模糊控制器具有一定的优越性。