局部反馈函数联接网络及其应用

结合时间序列分析方法提出了一种具有局部反馈回路的函数联接网络（ＬＲ－ＦＬＮ）模型，并利用ＬＲＦＬＮ对非线性时间序列进行了建模与预报．对网络扩展函数的选取、初始权集的设定、以及网络结构选择和学习算法进行了研究．同时，通过对模拟数据和机床切削颤振数据的建模与预报，将其与常用的时间序列模型（ＡＲ、ＡＲＭＡ和指数自回归模型）以及ＢＰ网络进行了比较．研究结果表明该方法是可行和有效的．

基于函数联接神经网络的金刚石木工刀具磨削参数的预测研究

建立了金刚石木工刀具电火花磨削工艺参数和表面粗糙度关系的人工神经网络模型,该模型对未知工艺条件下的预测结果最大误差为8.27%,具有较高的预测精度。

函数联接神经网络的实验研究

函数联接神经网络具有结构简单 ,易于实现 ,扩展性和通用性强等许多优点 .利用面向对象方法实现了函数联接神经网络的几种模型 ,探讨了该网络的变结构调整问题 ,并通过实际的例子对网络的不同模型进行了实验研究 。

函数联接神经网络在电力系统短期在线负荷预报中的应用

提出了 2个新的用于实时在线短期负荷预报的函数联接神经网络 (FLN)模型 .2个模型都把负荷与气象参数结合起来构成非线性ARMA过程 ,并应用FLN的函数逼近能力获得了 2个模型的参数 .测试与在线操作表明2个模型的预测效果是令人满意的 ,2 4h向前负荷预报的平均绝对百分误差 (MAPE)对HFLN来说几乎都在 3%以下 ,而对DFLN来说几乎都在 5%以下 .

非线性函数逼近的神经网络方法

针对工程实际中一类典型的非线性函数逼近问题,本文阐述了单层函数型网络及双层网络在应用时各自的特点,并提出了对网络输入节点进行优化选择,可提高网络的逼近精度,简化网络结构.文中给出了具体的选择方法,计算机模拟结果验证了试方法的有效性.

多目标模糊优化问题的神经网络解法

基于函数联接神经网络 ,提出了一种解决工程结构多目标模糊优化问题的新算法。该算法以设计人员对目标函数值的满意程度作学习样本 ,采用神经网络取代传统的隶属度函数 ,从而较好地解决了隶属函数的描述问题。在解决多目标模糊优化问题中 ,该算法较传统算法具有更大的灵活性。

改进PSO算法结合FLANN在传感器动态建模中的应用

将改进的粒子群优化(PSO)算法和函数联接型神经网络(FLANN)相结合,实现传感器的动态线性建模。利用传感器的动态标定实验数据,首先训练FLANN神经网络,网络训练结束后的权值作为粒子群中某个粒子的初始值,而后利用改进的PSO算法继续寻优,得到的全局最优值即为所求的传感器动态模型的系数。实验结果表明,该方法结合了PSO和FLANN两者的优点,建模精度高。

基于FLANN数据融合的木材含水率检测方法

针对木材含水率的检测精度受到多种环境因子(温度、平衡含水率、风速等)的影响,提出了一种基于函数联接型神经网络FLANN的数据融合方法以消除环境温度对木材含水率检测精度的扰动。FLANN能利用函数扩展替代多层感知器(MLP)的隐含层,将输入信号空间维度下的线性不可分类的问题,扩展至较高信号空间维度的超平面上,简化了MLP的架构。与MLP相比,FLANN具有结构简单、收敛速度快和计算量小的特点。仿真结果及实验验证表明:基于FLANN的数据融合方法,能有效消除环境因子的扰动,并可实现木材含水率的稳定、实时、高精度检测。

基于FLANN的称重传感器动态补偿方法

为满足快速称重的要求,结合遗传算法寻优速度快和函数联接型神经网络(FLANN)有较强的函数逼近能力的优点,设计了一种基于遗传算法优化的FLANN补偿器,实现对称重传感器的动态特性补偿。采用遗传算法优化FLANN的连接权值。仿真表明:阶跃响应时间快,且超调量小,有效地提高了称重传感器的动态响应过程,且方法简单,易于工程实现,具有实用价值。