新型Sigma-Pi泛函网络模型

将泛函神经元结构变形,建立Sigma-Pi泛函网络模型,给出Sigma-Pi泛函网络学习算法。采用数值分析的方法,将Sigma-Pi泛函网络应用于异或问题,结果表明,该网络对于某些问题具有很强的分类能力。该方法的优点在于利用一元函数作为基函数来实现高维函数的逼近,在函数逼近技术上,有着重要的应用价值。

时变时滞奇异复杂动态网络的间歇控制与同步

利用周期性间歇控制策略研究了具有时变时滞的奇异复杂动态网络的指数同步问题.通过构建Lyapunov-Krasovskii泛函,推导出驱动系统和响应系统的指数同步判据;然后运用LMI工具箱求解线性矩阵不等式,得出了控制增益矩阵.最后,利用Runge-Kutta算法求解具有时变时滞微分代数方程,并通过数值仿真验证了结论的有效性.

基于进化泛函网络的云安全访问控制模型研究

基于角色访问控制模型,结合泛函网络和进化算法得到进化泛函网络,通过重组、变异、计算、选择四项操作形成新群体,直至符合终止条件获取最优结果,构建了具有高动态灵活性和可扩展性的云安全访问控制模型.

一类比例时滞神经网络的全局多项式同步性

以一类比例时滞神经网络作为驱动-响应系统,研究该驱动-响应系统的全局多项式同步性.通过选择反馈控制器,构造Lyapunov泛函,运用不等式分析技巧,得到了该系统全局多项式同步性的判定准则.该准则以矩阵不等式的形式给出,易于应用计算机软件验证.最后,通过一个数值算例及仿真验证同步性判定准则的正确性.

带有离散和分布时滞的神经网络系统稳定性分析

为解决带有离散和分布时滞的神经网络系统稳定性问题。文章通过构造合适的李雅普诺夫泛函,结合Wirtinger不等式和Jensen不等式,得到一个新的由线性矩阵不等式表示的时滞相关指数稳定性判别准则,在一定程度上降低现有稳定性判别条件的保守性。使用2个具体的网络模型,验证了稳定性判别准则的优越性与可行性。

基于自由矩阵的线性网络控制系统稳定性分析

本文主要研究了一类线性网络控制系统的稳定性问题。首先,将建立的网络控制系统模型转换为时变时滞系统模型;其次,构造一种新型扩展Lyapunov-Krasovskii泛函(LKF),同时使用广义的基于自由矩阵的积分不等式处理在LKF求导过程中产生的积分项,再基于引入的二次函数负定定理推导出一个具有较小保守性的稳定性准则。最后通过两个数例验证了该准则的有效性,进一步表明了本文所提出方法的可行性和低保守性。

考虑执行器饱和的复杂动态网络鲁棒采样切换控制

随着计算机和网络技术的发展,复杂动态网络鲁棒采样切换控制受到广泛关注。探讨了在执行器饱和情况下不确定切换复杂动态网络的非周期采样控制问题。由于采样间隔上限受到停留时间的限制,采样数据控制器模式和系统模式之间的异步问题可能是由采样间隔内切换的子系统引起的。通过考虑无切换的采样间隔和有切换的采样间隔,分别构建了参数相关的李雅普诺夫闭环泛函。在平均停留时间的定义下,借助所构造的泛函,给出了不确定切换复杂动态网络误差系统的均方指数稳定性判据。此外,基于稳定性准则,针对执行器饱和情况下的不确定切换复杂动态网络,设计了全新的异步非周期采样控制器。根据提出的稳定性条件并采用非周期采样控制器设计方法,保证了不确定切换复杂动态网络与目标节点指数同步。最后,将利用蔡氏电路的算例与其他类似方法进行了对比,验证了所提方法的有效性,同时证明了利用所提方法得到的最大允许采样区间较大。

序列泛函网络模型及其学习算法与应用

通过对泛函网络的分析,提出了一种序列泛函网络模型及学习算法,而网络的泛函参数利用梯度下降法来进行学习.在此基础上,给出了9种典型泛函方程对应的序列泛函网络求解模型以及一种基于序列泛函网络学习算法的求解泛函方程方法.通过算例进行仿真实验,结果表明,该方法十分有效,具有收敛速度快、计算精度高、泛化性能好等特点,解决了传统的数值方法难以求解泛函方程这个问题.该方法可用于一般泛函方程求解问题.

基于泛函网络的多维函数逼近理论及学习算法

提出一种多维函数逼近的泛函网络逼近方法,设计了一类用于函数逼近的可分离泛函网络,给出了基于泛函网络的函数逼近学习算法。而泛函网络的参数通过解方程组得到,它们能逼近给定函数到预定的精度。仿真结果表明,这种逼近方法简单可行,具有较快的收敛速度和良好的逼近性能。

非线性系统辨识的一种泛函网络方法

泛函网络是最近提出的一种对神经网络的有效推广。与神经网络不同 ,它处理的是一般的泛函模型 ,而不仅仅是Sigmoidal函数 ,并且在各个处理单元之间没有权值。提出了一种基于泛函网络的非线性系统的辨识方法 ,而网络参数利用梯度下降方法来进行学习。计算机仿真结果表明 ,这种辨识方法具有较快的收敛速度和良好的性能。

层次泛函网络整体学习算法

文中设计了一类单输入单输出泛函网络与双输入单输出泛函网络作为构造层次泛函网络基本模型,提出了一种层次泛函网络模型,给出了层次泛函网络构造方法和整体学习算法,而层次泛函网络的参数利用解方程组来进行逐层学习.以非线性代数方程组为例,指出人们熟知的一些数学解题方法可以用层次泛函网络来表达,探讨了基于层次泛函网络求解非线性代数方程组学习算法实现的一些技术问题.相对传统方法,层次泛函网络更适合于具有层次结构的应用领域.计算机仿真结果表明,这种层次学习方法具有较快的收敛速度和良好的逼近性能.

Fuzzy插值及其Fuzzy泛函网络构造理论

首先分别介绍了泛函网络概念和Fuzzy插值概念及性质;将泛函网络结构特性和Fuzzy插值映射有机地结合起来,提出了一类新型Fuzzy泛函网络模型,给出其Fuzzy泛函网络构造方法;采用构造性方法从理论上证明了Fuzzy泛函网络能够以任意精度逼近任意定义在有界闭集上的连续函数。这从理论上为Fuzzy泛函网络的使用提供了依据,具有明显的实际应用价值。

基于泛函网络的非线性回归预测模型及学习算法

在非线性回归预测中,预测函数的拟合是其难点和关键,直接影响预测精度。当系统非线性较强时,传统方法不易于处理,拟合和预测结果不理想。泛函网络是最近提出的一种对神经网络的有效推广,在处理非线性问题时有一定的优势。为此提出了基于泛函网络的非线性回归预测模型和相应的学习算法。并分别就一元非线性回归预测和多元非线性回归预测给出了相应的实例。计算机仿真结果表明,泛函网络预测模型拟合度和预测精度都明显高于某些传统的方法,有较好的理论和应用价值。

基于多输入泛函网络的构造和学习策略

泛函网络是类似于人工神经网络的新型网络模型,是泛函方程的网络表达形式。本文针对复杂泛函网络构造和学习中存在的问题,提出了多输入泛函网络模型MIOFN。通过对该模型的分析,提出了简化和学习的方法,并进行了仿真实验。结果表明,本文提出的MIOFN运行是可靠的,在工程应用中是有效可行的。

层次泛函网络学习算法及其在时间序列分析中的应用

设计了一类单输入单输出泛函网络与双输入单输出泛函网络作为构造层次泛函网络基本模型。提出了一种层次泛函网络模型,给出了层次泛函网络构造方法和学习算法,而层次泛函网络的参数利用解方程组来进行逐层学习。以时间序列中典型的Hénon映射为例,通过比较分析看出,层次泛函网络更适合于时间序列分析。计算机仿真结果表明,这种层次学习方法,对时间序列具有收敛速度快和逼近精度高等特点。

层次泛函网络构造理论及其在多重数值积分中的应用

对层次泛函网络的全局逼近理论进行研究,证明了层次泛函网络是一全局逼近器。利用这个特性,将层次泛函网络的构造方法和过程应用于多重数值积分计算。最后,通过6个典型的多重数值积分算例,计算机仿真结果表明,这种方法可行有效,具有较高的计算精度。

泛函网络模型及应用研究综述

回顾了近年来泛函网络模型及应用的研究进展,首先根据泛函网络模型结构的特点,将现有的泛函网络模型归结为两类典型的泛函网络模型;其次,给出一般泛函网络模型的学习过程;然后从时间序列分析、差分方程、CAD、非线性回归、数值优化计算、非线性系统辨识、检测和预测、复杂系统建模8个方面,介绍了泛函网络的应用现状;最后评述了泛函网络今后的研究方向和研究内容。

一种基于泛函网络的多项式Euclidean算法

提出一种基于泛函网络的多项式Euclidean计算新模型,给出一种基于泛函网络的多项式Euclidean新算法。网络的泛函参数利用解线性方程组方法来完成。相对于传统方法,该方法不但能够快速地获得所求多项式问题的精确解,而且可获得所求多项式问题的近似解。计算机仿真结果表明,该算法十分有效、可行,可以看作是对传统的Eu- clidean算法的一种推广。该算法将在计算机数学、代数密码学等方面有着广泛的应用。

泛函连接网络计算软件及其在生物多样性研究中的应用

针对农田生物多样性分析的需要 ,研制出泛函连接网络 (FLANN)计算软件。该软件由 7个Java类和 1个HTML文件组成 ,是一种Internet在线计算工具 ,可运行于多种操作系统和Web浏览器上 ,并在各种类型的PC及工作站上使用 ,可读取多种类型的数据库文件。对水稻田昆虫生物多样性的两组取样调查数据Zmar18和Zapr15 ,用生物多样性工具软件LUMP和非监督分类 -离差平方和聚类法进行统计归纳及分类 ,分别划分为 2 1个和 2 0个功能群 ,各包含 6 0个样本。以FLANN计算软件对昆虫生物多样性进行了模式分类分析。结果表明 ,泛函连接网络的模式分类及预测与实际测查结果吻合良好。泛函连接网络Internet在线计算软件的应用可促进生物多样性数据采集和分析的规范化 ,有利于数据和信息共享 。

基于泛函网络的周期来压预测方法研究

为预测周期来压,构建了基于小波和混沌优化的泛函网络(FN)预测方法。该方法利用小波分解技术将所选的样本集数据分解成不同频率的分量。基于混沌理论对分量相空间进行重构。各重构分量分别使用FN模型进行训练。最后,将各个FN模型得到的预测分量进行小波重组,得到完整的周期来压荷载预测波形。通过在重构时的计算发现,荷载的时序序列有一定的混沌性。通过模拟并与3种其它模型进行比较发现,基于小波和混沌优化FN的预测模型得到的最终周期来压荷载波的精度更高,收敛性也较好,但是,时间成本较大。