基于GA-Chebyshev神经网络的一类分数阶微分方程的数值解

针对一类分数阶微分方程求数值解的问题,在切比雪夫神经网络的基础上,提出一种利用遗传算法优化切比雪夫神经网络的新方法,并通过2个算例验证了该方法的可行性和有效性。研究结果表明:与现有数值方法相比,采用改进的切比雪夫神经网络方法计算微分方程的数值解与准确解更为接近,误差较小。研究结论为分数阶微分方程中类似问题的求解提供了新思路。

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Chebyshev神经网络的图像复原算法

退化图像的点扩散函数难以准确确定,为此,提出一种基于Chebyshev正交基函数的前向神经网络图像复原算法。该算法以一组Chebyshev正交基为隐层神经元的激励函数,采用BP算法对权值进行修正,达到收敛目标。给出2类Chebyshev神经网络的实现步骤及其相应衍生算法的图像恢复实现步骤。实验结果表明,该算法能较好地实现图像复原。

基于Chebyshev神经网络的非线性动态系统预测

针对非线性动态系统的预测常受到噪声或其他过程的耦合影响,使得规律变得难以发现的问题,提出了以一组Chebyshev正交基函数作为神经网络中各隐神经元的激励函数的新型的Chebyshev基函数神经网络预测模型.将该模型作为非线性动态系统预测模型,并采用基于粒子群和模拟退火组成的文化基因算法优化神经网络的权值,可以达到很高的预测精度和很好的预测结果.Chebyshev神经网络与传统的BP(back propagation)神经网络相比,工作量大大减少,加快了收敛性.文化基因算法用于确定权值的Chebyshev神经网络分别与粒子群和模拟退火优化的Chebyshev神经网络相比具有更好的拟合效果.

基于数据分析和改进Chebyshev神经网络的风速时间序列预测

为提高风速时间序列预测精度,基于风速时间序列的随机性和波动性,提出互补集合经验模态分解(Complete Ensemble Empirical Mode Decomposition,CEEMD)和正交粒子群算法(Orthogonal Particle Swarm Optimization,OPSO)优化Chebyshev基函数神经网络的混合风速时间序列预测模型(CEEMD-OPSO-Chebyshev)。利用CEEMD将原始风速时间序列分解成有限个固有模态分量,避免了传统的分解信号重建中冗余噪声残留问题。同时引入排列熵分析各分量内在特性进行聚类,提出基于OPSO优化算法的Chebyshev神经网络风速预测模型,利用OPSO优化预测网络权值,进一步提高预测精度,通过对实际采样的风电场风速时间序列进行预测分析,结果可得所提出的混合预测模型与传统预测模型相比能得到更高的预测精度。

基于Chebyshev神经网络的汽轮机传感器参数校正

本文提出了用 Chebyshev神经网络进行传感器参数的实时校正的方法 ,依据 Chebyshev神经网络模型编制的程序可以准确的构造传感器的实际热电函数 ,且程序具有实时性 ,实验表明该方案的实时性和精度均能满足实际需要 。

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，

Chebyshev神经网络在ECT图像重建中的研究与应用

针对目前电容层析成像系统图像重建分辨率不高,精确度低的问题,提出了一种新的采用Chebyshev神经网络对电容层析成像系统进行图像重建的方法。该神经网络不仅扩大了网络辨识模型的能力与学习适应性,而且算法简单,学习收敛速度快,有线性、非线性逼近精度高等优异特性。通过对封闭管道的气固两相流进行数据检测,并采用改进后的神经网络算法进行图像重建,实验结果证明该方法能明显改善成像质量,进而证明了该方法的有效性。

复数Chebyshev神经网络在信道均衡中的应用

首次把Chebyshev神经网络成功地应用在通信系统的信道均衡研究中,并且提出了适合于正交幅度调制(QAM)通信系统的复数Chebyshev神经网络均衡算法.计算机仿真表明,该算法在QAM通信系统的信道均衡中表现出了优良的性能.

Chebyshev神经网络的改进及其应用

针对目前Chebyshev神经网络所存在的不足 ,提出一种改进的Chebyshev神经网络 ,它使用多输入多输出神经网络结构与使用改进的Chebyshev正交多项式。因此改进的神经网络不仅扩大了网络辨识模型的能力与学习适应性 ,而且算法简单 ,学习收敛速度快 ,有线性、非线性逼近精度高等优异特性。文中给出两个应用实例 。

Chebyshev神经网络的Levenbers-Marquardt算法

基于函数逼近理论,构建了一种神经网络模型,该神经网络采用正交Chebyshev多项式作为隐层激励函数。在此基础上,推导了Chebyshev神经网络的Levenberg-Marquardt学习算法。理论分析及仿真实验表明,该神经网络能够很好地学习样本数据中的不同模式,具有较快训练速度和较高的计算精度。

Chebyshev神经网络模块在铂电阻温度传感器非线性补偿中的应用

针对铂电阻温度传感器在应用中存在的非线性问题,提出了应用切比雪夫(Chebyshev)神经网络建立非线性补偿模型,并用与之对应的神经网络模块 SN9701实现的铂电阻温度传感器非线性补偿的硬件方法。以 pt100铂电阻温度传感器为例,介绍了非线性补偿的原理和网络的训练方法,给出了非线性补偿模型的数学表达式。结果表明,这种非线性补偿方法精度高、实时性好以及鲁棒性强等优点,对 pt100铂电阻温度传感器补偿后,在0～500℃范围内,可使各测量点非线性误差不大于0.02℃,有很好的应用价值。

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。

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.

Chebyshev神经网络电路设计

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ｓｈｅｖ 神经网络的方法。

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。

基于改进的Chebyshev神经网络的用水量预测

针对目前Chebyshev神经网络存在的不足,从算法和网络结构方面进行了综合改进。改进后的Chebyshev神经网络不仅符合生物神经网络的基本特征,算法简单,收敛速度快,而且网络输入可以是任意值,是一种多输入的多层前向神经网络模型,因而扩大了网络辨识模型的能力与学习适应性,并有逼近任意线性和非线性映射的优异特性。用改进的Chebyshev神经网络对城市的家庭用水需求量进行建模和预测。仿真结果表明,改进的Chebyshev神经网络为预测家庭用水需求量提供了一种有效的方法,它不仅具有优良的预测能力,而且在相同精度的前提下,其收敛速度也优于一般的BP网络。

基于Chebyshev神经网络的非线性Fredholm积分方程数值解法

利用Chebyshev扩展块代替隐层结构,提出一种基于函数逼近的Chebyshev神经网络模型求解非线性Fredholm积分方程的方法,并给出其最佳逼近解及算法的收敛性分析。数值算例验证了算法的可行性和有效性。

Chebyshev神经网络模块SN9701及其应用

ＳＮ９７０１是具有自学习功能的神经网络模块，本文主要介绍其功能、原理及其在控制领域中的应用。