带后续迭代的双极S函数激励的WASD神经网络

结合Levenberg-Marquardt算法以及权值直接确定法这两种用于神经网络学习训练的方法,提出了一种带后续迭代、面向双极S(sigmoid)激励函数神经网络的权值与结构确定(weights-and-structure-determination,WASD)方法。该方法与MATLAB软件神经网络工具箱相结合,可以解决传统神经网络普遍存在的学习时间长、网络结构难以确定、学习能力和泛化能力有待提高等不足,同时具有较好的可行性和可操作性。以非线性函数的数据拟合为例,计算机数值实验和对比结果证实了WASD方法确定出最优隐神经元数和最优权值的优越性,最终得到的WASD神经网络具有更为优异的学习性能和泛化性能。

基于T-S模糊模型的迭代学习初始控制

分析了初始控制量对迭代学习控制(ILC)算法收敛速度及跟踪精度的影响,为保证ILC算法对任意期望轨迹的跟踪性能,提出了一种基于T-S模糊模型的ILC算法初始控制量确定方法。利用模糊系统理论对未知非线性对象进行离线逆建模,实现对象逆模型参数化,根据模糊逆模型求得任意期望轨迹下的初始控制量,将其作为ILC算法的理想初始控制量进行迭代学习。倒立摆系统仿真实验表明,算法能快速跟踪上设定点,与任意选取初始控制量相比能有效减少迭代次数,提高跟踪精度,具有更好的动态性能。

计算广义逆A^(2)_(T,S)的基于函数插值的一族迭代法

建立了计算广义逆A(2)T,S的基于函数插值的一族迭代方法.这族迭代方法适用于常用广义逆矩阵,例如A+,A+MN,A(d),Ad,w,…

广义渐近S-半压缩型映象迭代逼近

在实赋范线性空间中引入并研究一类新的广义渐近S-半压缩型映象,使用新的分析方法,在较弱条件下建立了有限族一致Lipschitz广义渐近S-半压缩型映象不动点具有误差的迭代序列的强收敛定理,我们获得的结果改进和推广了有关文献中的相应结果。

一般Banach空间中多步复合Halpern迭代的强收敛性

通过引入多步复合Halpern迭代新算法,将Qin Xiaolong等3人于2008年获得的新结果从一致光滑空间推广到任意Banach空间,减弱对空间的过高要求,用新的分析方法研究任意Banach空间中含非扩张映射的多步复合Halpern迭代的强收敛性,推广了2008年Qin Xiaolong等3人的相应结果.

解非线性方程的二阶敛速的S迭代法

针对非线性方程给出了一种解非线性方程的S型迭代方法 ,它是李亚普洛夫方法和S函数结合的结果 按此方法进行加速可以得到一种二阶敛速的迭代法 ,这种方法既达到了WU算法的收敛速度 。

有限族增生算子公共解的Halpern迭代

在严格凸的Banach空间中,使用Halpern迭代序列研究了有限族增生算子公共解的强收敛性定理。数列{αn}满足条件:C1).limn→∞αn=0和C2).∞∑n=0αn=+∞是可以充分保证Halpern序列有强收敛性。

复合Halpern迭代逼近可数个增生映像的公共零点

设E是严格凸和自反的实Banach空间且其范数是一致Gateaux可微的,K是E中非空闭凸子集,Ai∶K→E(i∈N)是m-增生映像且公共不动点集非空,u∈K是给定点,x1∈K是任一初始点,{αn}n∞=1、{βn}n∞=1是[0,1]中的实数列且满足如下条件:(i)limn→∞αn=0,∑n∞=1αn=∞,∑n∞=1|αn+1-αn|<∞;(ii)limn→∞βn=0,∑n∞=1|βn+1-βn|<∞。设{xn}n∞=1是由下面复合Halpern格式定义的迭代序列:yn=βnxn+(1-βn)Sxn,n≥0xn+1=αnu+(1-αn)yn≥其中S=∑∞i=1ξi JAi,JAi=(I+Ai)-1(i∈N),那么{xn}n∞=1强收敛于{Ai}i∈N的公共0点。本文的结果改进和推广了Zegeye和Shahzad,Ofoedu以及其他作者的相应结果。

基于T-S模型的离散非线性系统的迭代学习控制

针对离散T-S模糊系统的轨迹跟踪控制问题,提出了基于离散Legendre正交多项式的迭代学习算法.该方法利用离散Legendre正交多项式展开技术及其移位运算矩阵,导出了系统基于离散Legendre多项式展开的近似模型,建立了输入量与输出量之间的代数方程约束关系.在此基础上,用迭代学习的方法可修正输入量的Legendre多项式系数,所得算法可用于具有任意相对阶的离散非线性系统.仿真实例表明了该算法的有效性.

Ishikawa隐迭代序列的弱收敛性

在Hilbert空间中讨论了强连续非扩张半群的Ishikawa隐迭代序列的弱收敛性问题,改进和推广了Ishikawa隐迭代序列弱收敛性的相应结果.

带误差项的广义Halpern-Mann型迭代序列的强收敛定理

为证明Φ-伪压缩映象不动点的迭代收敛性,引进了带误差项的广义Halpern-Mann型迭代算法,并利用此迭代算法和一些分析技巧,证明了Φ-伪压缩映象不动点的一个新的强收敛定理.

修正混合的Halpern三步迭代序列强收敛性

在一致光滑的Banach空间中,引进了一种新的关于非扩张算子T的修正混合Halpern三步迭代序列,并证明了在一定条件下该迭代序列强收敛于T的不动点.所得结果改进和推广了近年来其他一些相关的近似结果.

一致光滑Banach空间中多步复合Halpern迭代算法的收敛性

通过引入远比2008年Qin、Su和Shang引入的复合Halpern迭代更一般的具误差项的p-步复合Halpern新迭代,在一致光滑Banach空间框架下,对迭代参数作适当的假定,证明了此算法强收敛于非扩张映射的不动点,从而将Qin、Su和Shang的2008年结果从无误差项的三步复合Halpern迭代本质地推广到具误差项的多步复合Halpern迭代.

关于非扩张映像的复合Halpern迭代的强收敛性(英文)

在具有G-可微范数的Banach空间中证明非扩张映像的复合Halpern型迭代的强收敛定理.该结论不需要使用连续道路z_t,证明方法更简单,条件比Qin X更弱.

Banach空间中涉及非扩张映象的Halpern迭代算法的几乎T稳定性

在一定条件下,我们利用Liu所得到的不等式,讨论了Xu所研究过的关于非扩张映象的Halpern迭代算法的几乎T稳定性。

渐近非扩张映射不动点与均衡解的公共迭代Halpern型方法

在Hilbert空间中研究了渐近非扩张映射不动点与均衡问题解的公共元的求法,应用Halpern型迭代算法构造了一种新的转型迭代序列,并在较弱的条件下证明了该序列的强收敛性,其结果具有更广泛的适应性,一些近代结果是它的特殊情况.

关于可凸分解算子方程单调Steffensen型迭代法的进一步研究(为庆贺游兆永教授60寿辰而作)

本文是文[6]工作的继续,给出了可凸分解算子的若干实用判别准则。特别,证明了一个算子若其二阶导算子有界,则必是可凸分解算子.本文并给出了可凸分解算子方程Steffensen型迭代的若干具体化算法。

改进的速度迭代弹塑性大变形动力半显式算法

提出了基于速度迭代的弹塑性大变形动力半显式算法 ,并且在此基础上采用拟弯曲膜单元 ,结合有模卸载方式数值模拟了U形弯曲以及S形导轨回弹过程 ,着重比较了动力半显式算法与动力显式算法和实验的回弹结果 .给出了动力半显式算法的迭代格式和收敛标准 .