球面神经网络的构造与逼近

研究球面神经网络的构造与逼近问题.利用球面广义的de la Vallee Poussin平均、球面求积公式及改进的单变量Cardaliaguet-Euvrard神经网络算子,构造具logistic激活函数的单隐层前向网络,并给出了Jackson型误差估计.     

分段线性神经网络的逼近理论

随着分段线性函数的广泛应用,本文尝试研究浅层和深层的分段线性神经网络的逼近理论.作者将应用于三层感知机模型的万能逼近定理拓展到分段线性神经网络中,并给出与隐藏神经元个数相关的逼近误差估计.利用分段线性函数构造锯齿函数的显式方法,证明解析函数可以通过分段线性神经网络的深度堆叠以指数速率逼近,并辅以相应的数值实验.     

前向网络作为模糊函数泛逼近器的一致性分析

前向神经网络的泛逼近性一直是神经网络的研究热点.本文给出了连续模糊函数的定义,依Hausdorff度量,借助模糊值Bernstein多项式关于连续模糊函数的逼近性质,证明了前向网络作为模糊函数泛逼近器的一致逼近性结果,并通过实例给出了逼近性的具体实现过程.     

前向正则模糊神经网络依K-积分模的泛逼近能力

针对前向正则模糊神经网络引进K-拟可加积分和K-积分模概念,应用积分转换定理研究了该网络在K-积分模意义下对模糊值简单函数类的泛逼近能力,进而在有限K-拟可加测度空间上,借助模糊值简单函数为桥梁获得了前向正则模糊神经网络依K-积分模对(u)-可积有界模糊值函数类仍具有泛逼近性.该结果表明前向正则模糊神经网络对连续模糊系统的逼近能力可以推广为对一般可积系统的逼近能力.     

距离空间中插值神经网络的误差估计

研究距离空间中的神经网络插值与逼近问题.首先引进一类广义的激活函数,用比较简洁的方法讨论距离空间中插值神经网络的存在性,然后给出插值神经网络逼近连续函数的误差估计.     

Cardaliguet-Eurrard型神经网络算子逼近

研究多维Cardaliguet-Eurrard型神经网络算子的逼近问题.分别给出该神经网络算子逼近连续函数与可导函数的速度估计,建立了Jackson型不等式.     

一类RBF模糊神经网络的逼近性研究

本文将RBF神经网络的输入、权值以及径向基函数设为折线模糊数,构造了一类折线RBF模糊神经网络.以三角模糊数为例,讨论了折线RBF模糊神经网络的参数训练方法,通过实例验证了该网络对模糊值函数的逼近性能.     

单隐层神经网络与最佳多项式逼近

研究单隐层神经网络逼近问题．以最佳多项式逼近为度量,用构造性方法估计单隐层神经网络逼近连续函数的速度．所获结果表明:对定义在紧集上的任何连续函数,均可以构造一个单隐层神经网络逼近该函数,并且其逼近速度不超过该函数的最佳多项式逼近的二倍．     

非参数不确定系统的自适应迭代学习控制

针对一类含非参数不确定的受限非线性系统,提出一种新的自适应迭代学习控制算法.该算法利用神经网络(neural network)逼近系统中的非参数不确定性,神经网络的权值通过迭代轴上的自适应算法进行更新.控制器设计补偿项对神经网络逼近误差上界进行估计以此消除其影响.采用一种新的障碍李雅普诺夫函数(barrier Lyapunov functions)并与组合能量函数(composite energy function)方法相结合,当系统中同时存在非参数不确定性,随机初始误差,及非严格重复外部扰动时,能够保证系统同时满足输入和状态受限要求.将所提出的算法应用于高速列车运行控制系统,仿真结果验证了算法的有效性.     

三层前向神经网络的一致逼近性

近年来，前向神经网络泛逼近的一致性分析一直为众多学者所重视。本文系统分析三层前向网络对于拟差值保序函数族的一致逼近性，其中，转换函数σ是广义Sigmoidal函数。并将此一致性结果用于建立一类新的模糊神经网络(FNN)，即折线FNN．研究这类网络对于两个给定的模糊函数的逼近性，相关结论在分析折线FNN的泛逼近性时起关键作用。     

由斜坡函数激发的神经网络算子逼近

首先,引入一种由斜坡函数激发的神经网络算子,建立了其对连续函数逼近的正、逆定理,给出了其本质逼近阶.其次,引入这种神经网络算子的线性组合以提高逼近阶,并且研究了这种组合的同时逼近问题.最后,利用Steklov函数构造了一种新的神经网络算子,建立了其在L~p[a,b]空间逼近的正、逆定理.     

改进Lagrange插值多项式误差上界的系数

当用Lagrange插值多项式逼近函数时,重要的是要了解误差项的性态.本文研究具有等距节点的Lagrange插值多项式,估计了Lagrange插值多项式逼近函数误差项的上界,改进了小于5次Lagrange插值多项式逼近函数误差界的系数.     

基于RBF神经网络的一类非线性时滞系统自适应控制器设计

针对一类带有未知非线性函数的严格反馈非线性时滞系统,设计了一种自适应神经网络控制器.选择径向基函数神经网络逼近未知的非线性函数.所提出的控制方案能保证闭环系统的所有信号是全局一致最终有界的.证明了跟踪误差信号将收敛于一个小紧集内.仿真实例验证了所提出方法的有效性.     

三层前馈型神经网络的最佳逼近研究

本文研究三层前馈型神经网络的最佳逼近能力,我们证明以多项式函数为隐层神经元作用函数的三层前馈型神经网络,当隐层神经元的个数超过某个给定的界限时,网络的输入输出函数张成一有限维线性空间,从而它可以实现对Ｃ（Ｋ）的最佳逼近．并且猜测,对非多项式函数的作用函数,若神经元个数有限,则它不具有最佳逼近性质．     

基于神经网络的时变非线性系统迭代学习辨识

时变神经网络结构可简单地取为常规神经网络连接形式,但连接权却是时变的.如何确定时变权是应用时变神经网络时的难题.迭代学习方法是一种合理的选择,它不同于将时变连接权展成Taylor级数,通过训练多项式系数的处理方法.而且,后者的处理方式不可避免地存在截断误差.对于有限区间连续时变非线性系统的神经网络建模与辨识,借助于重复运行过程,以迭代学习算法调整权值,进行网络训练.不计逼近误差,提出的学习算法能够使得辨识误差在整个区间上渐近收敛于零.为处理非零但有界的逼近误差,采用带死区的迭代学习算法.逼近误差界值已知时,文中证明带死区修正的迭代学习算法使得辨识误差在整个区间上渐近收敛于由死区界定的邻域内.对于逼近误差界值未知的情形也进行了讨论.     

球面光滑核漂移的Lp逼近

将光滑的球面基函数φ嵌入到由一个不充分光滑的球面基函数ψ生成的本性空间Nψ中,并在Lp度量下研究由φ的变换生成的函数在空间Nψ中的逼近性质,得到了该Lp逼近的误差估计.     

高斯型模糊前向神经网络

利用高斯型隶属函数和采样数据得到了三层模糊前向神经网络。该网络模型利用权值直接确定法得到了最优权值,并依据采样数据中的插值样本较好确定了单隐层神经元个数。该网络是近似插值神经网络。仿真实验表明,高斯型模糊前向神经网络具有逼近精度高、网络结构简单、良好的去噪性和实时性高等优点。     

球面光滑核漂移的L~p逼近

将光滑的球面基函数φ嵌入到由一个不充分光滑的球面基函数Ψ生成的本性空间N_Ψ中,并在L~p度量下研究由φ的变换生成的函数在空间N_Ψ中的逼近性质,得到了该L~p逼近的误差估计.     

复变量移动最小二乘近似在Sobolev空间中的误差估计

复变量移动最小二乘近似是形成无网格法形函数的重要方法,为了研究相应的无网格方法的误差估计,需要先分析复变量移动最小二乘近似的逼近误差.首先介绍了复变量移动最小二乘近似,接着在权函数满足一定假设的条件下,详细讨论了复变量移动最小二乘近似逼近函数在Sobolev空间中的误差估计,给出了逼近函数在Hk范数下的误差界,分析结果表明逼近函数的误差随着节点间距的减小而降低.最后给出了一个数值算例来验证理论分析的正确性.     

用样条逼近Sobolev函数类W_p~1(R)的逼近误差

作者研究了定义在全实轴上的Sobolev函数类W_p~1(R)的逼近问题.以一次样条函数作为逼近工具,给出了p=1和p=∞时的逼近误差.