简化前馈网络用于负荷模型参数辨识的研究

负荷的精确建模在电力系统分析中的重要性已被电力工作者所认识到。文中在对自适应的三层前馈网络(ABP)进行修改、简化后,得到简化(或线性)前馈网络(LBP)。并结合现场试验和仿真数据,对用线性前馈网络和辅助变量法对负荷建模的精度进行了比较。把线性前馈网络作为一种算法,对负荷动态模型即差分方程的参数进行了辨识。同时,应用 LBP 对负荷静态模型即幂函数和多项式模型的参数进行了辨识,还提出基于人工神经网络的负荷动静模型同时辨识法。

基于免疫进化规划的多层前馈网络设计

文章用一种免疫进化规划来设计多层前馈神经网络．该免疫进化规划在保留传统进化规划的随机全局搜索能力的基础上，引进生物免疫中抗体通过浓度相互作用的机制和多样性保持机制．免疫进化规划的全局收敛性更优，并且具有很强的自适应环境的能力．实验结果验证了免疫进化规划在设计神经网络时的高效能．

基于先验知识的前馈网络对原油实沸点蒸馏曲线的仿真

将先验知识与神经元网络相结合，可以提高模型的拟合精度和预测能力。本文将针对三层前馈网与单调性先验知识相结合的问题，分析Joerding的惩罚函数法，提出两种新方法：插值点法和有约束优化方法，并成功地应用于原油实沸点蒸馏曲线的仿真，使网络模型在整体和局部上都更贴近于实际对象。

基于前馈网络的岩体爆破效应预测研究

将神经网络理论知识和爆破专业知识有机地结合在一起，提出了一种新的岩体爆破效应预测的前馈网络理论方法。该方法适合于不同的爆破参数和不同的岩体条件，是一种普遍适用的方法，同时也是一种“面向数据”的方法。通过对三峡工程左岸坝区岩体爆破效应预测的研究表明，本文方法与通常的经验公式法、回归分析法以及ＢＰ网络方法相比。

通用前馈网络及排序学习前向掩蔽模型在模式识别中的应用

本文讨论了不分层的通用前馈网络（GFFN），并提出了一种作为模式分类器的排序学习前向掩蔽（SLAM）模型及其算法实验结果表明，这种网络作为模式分类器用时，学习时间远小于各种改进的BP网络而且所需使用的神经元数量也有显著的减少本文还介绍了这种SLAM模型在应用双阈值神经元DTN时进一步减少神经元数量的实验结果及其网络结构和学习算法，以及这种模型的模式分类器所具有的不断扩展与改善的能力论文还介绍了SLAM模型模式分类器在CASSANDRA-I小型神经计算机上实现的实验结果：在256维输入空间1024个随机样本的分类情况，学习时间约3小时20分，判别时间为0．007秒．

广西夏季异常降雨量的前馈网络预报模型

以1957～2001年广西37个基准站的夏季(6～8月)平均降水量为基础,将夏季降水量距平百分率大于等于20%、小于等于-23%作为异常多雨和少雨年,建立广西夏季降水量'0、1'化的异常序列,利用前馈网络的非线性映射技术,构造广西夏季降水异常预报模型.通过对该模型的预报检验分析发现,该预报模型不仅能准确地报出历史样本的异常多雨和异常少雨年,并且对2002～2004年的独立样本预报也全部正确.这为异常降水的短期气候预测业务工作提供了新的思路和方法.

前馈网络的信息泄漏

研究了前馈网络的局部信息泄漏问题,给出了收集泄漏信息的方法,并对该方法进行了成功率的计算及其有效性的理论论证。

滑坡预测的改进前馈网络方法研究

作者提出了滑坡位移预测的一种改进前馈网络方法——目的规划法，与通常的前馈网络方法相比，该方法改进了网络的准则函数，降低了网络的灵敏度，改善了网络的泛化性能，提高了滑坡位移的预测精度。同时它是一种面向数据的方法，适合于不同地区不同条件下滑坡的预测。清江隔河岩库区滑坡和卧龙寺滑坡的实例研究表明了该方法的可行性及有效性。

基于改进共轭梯度法的前馈网络快速监督学习算法

为了提高多层前馈神经网络的权参数的学习效率,通过引入改进的求解大规模线性方程组的共轭梯度法,提出一种新的基于LM的前馈网络学习算法.该算法不仅具有LM优化学习方法的快速收敛特性,而且降低了LM法的计算复杂度,可获得比其它标准算法更好的学习精度和推广预测能力.文中通过仿真结果证明了新算法在函数逼近和时间序列预测等问题环境下的有效性.

多层前馈网络的一种模拟电路实现及仿真研究

本文在有源电力滤波器的多层前馈网络自适应谐波电流检测系统基础之上，通过系统构成和算法公式，首先提出了系统模拟电路的一种构成方法，并给出了电路实现框图。其次，为了利用ＰＳＰＩＣＥ电路仿真软件对所提出的模拟电路进行仿真研究，引入了宏模型概念。最后，对所推出的模拟电路进行了仿真研究。ＰＳＰＩＣＥ

前馈网络控制器的研究

控制器用前馈网络有其特殊性，本文对控制器用前馈网络的结构、神经元特性函数进行了分析，并通过前馈网络控制器闭环实验验证了分析的正确性。确定了不同情况下控制器用前馈网络结构和神经元特性函数，给出了实验结论。研究结果对前馈网络控制系统设计有指导意义。

前馈网络定性集成预报模型的研究和应用

本文采用前馈网络的多输出模型，尝试对多个逐步回归定量长期预报方程作定性的集成预报研究。结果发现，这种定性的集成长期预报模型，在历史样本的拟合效果和独立样本的预报精度方面均有优越性，也符合以统计相关为依据的预报建模思想。

前馈网络的混沌梯度搜索耦合学习算法及应用

针对BP神经网络易陷入局部极小的问题,提出了混沌梯度优化的神经网络的学习算法,其原理是:采用梯度下降进行"粗搜索",混沌搜索进行"细搜索",并建立规则将两者结合起来,以构成BP神经网络的基于规则的混沌梯度耦合学习算法.它有效地利用了梯度下降算法的快速性和混沌寻优的全局性,将该算法应用于某智能决策支持系统模型库中的模型学习,有效地提高了前馈神经网络的学习效率.

抗熵漏前馈网络研究

本文从实际出发减弱了Siegenthaler的“相关免疫”限制条件,实现了在不作出实质性“牺牲”的前提下避免了相关免疫性与线性复杂度之间的折衷(trade-off)。接着将Bent函数引入前馈网络的线性逼近熵漏现象的研究之中,得出了一些新结果。文中的研究方法也与前人不同。

一种基于因素贡献率的自适应前馈网络算法

前馈网络具有很强的信息处理能力,但是实际应用中的样本量有限,训练出来的网络效果不太理想。本文提出一种自适应前馈网络算法,通过调节参数a向量,使网络结构按精确度和推广能力来综合考虑。若训练出来的网络满足先决条件,就认为网络规模是合适的。此算法不仅能删除隐层中的节点也能删掉输入层中若干总贡献率小的节点,从而避免了维数灾难,并给出一种调整剩余权重的算法,避免重新训练。文中讨论了网络结构的重要性,并用该方法进行仿真实验,结果证明了自适应前馈网络算法具有较强的建模能力。

非线性时间序列预测的前馈网络方法及应用

样本构成、网络结构、学习算法是影响前馈网络应用的三大关键问题。本文提出了一种基于门限自回归ＴＡＲ模型的非线性时间序列预测前馈网络方法，该方法利用ＴＡＲ模型的门限值对训练样本进行分群，依据ＴＡＲ模型的阶数、训练样本数等确定前馈网络结构，网络学习算法采用基于梯度法和共轭梯度法相结合的联合梯度算法。应用研究表明该方法有效地改善了网络的泛化性能，提高了预报精度，同时也缩短了网络的训练时间。

多层前馈网络在图象分割中的应用

本文提出用多层前馈网络进行基于边缘信息的图象分割,讨论了学习样本的提取步骤和网络学习的速度改进方法。实验表明,用多层前馈网络进行图象分割能获得良好的结果。

基于多层前馈网络的高速公路意外事件侦测及规律

为了建立基于高速公路交通流参数检测的事件救援系统,运用多层前馈网络(MLF),对其关键的意外事件侦测技术及其检测规律进行了研究。确定了事件检测需要选定的模型,描述了检测的基本原理,提出了模型的结构原型并进行了训练和测试;对输入特征中的单侧与双侧输入、多时阶组合及多因素组合特征进行了性能测试,得到了相对具有良好性能的输入特征。同时,给出了不同因素及因素组合与检测效率之间的基本规律。结果表明,给出的模型较California 8#算法性能显著改善,其检测率提高了187%,误检率降低了46%,平均检测时间缩短了73%。

多层前馈网络的优化算法及其工程应用

针对基于多层前馈网络的误差反向传播算法(Standard Error Backpropagation Algorithm,SEBPA)易使网络陷入局部极小点、网络振荡、收敛速度慢甚至不收敛等缺点,通过引入新的评价函数、在网络权值和阀值迭代式中加入动量因子和可变学习率,改进SEBPA以优化多层前馈网络。本文利用基于改进算法的网络拟合非线性函数进行仿真实验,结果表明算法能大大改善网络性能;而轴承状态分类实验进一步验证了算法是正确的和有实际应用价值的。

一种多层前馈网络计量经济建模方法

介绍了4种敏感性分析方法,给出了多层前馈网络计量经济模型正规化灵敏度的解析计算方法,进而利用灵敏度来进行多层前馈网络结构优化。结果表明了对多层前馈网络计量经济模型进行敏感性分析是一种有效识别敏感因素的方法。