遗传算法BP神经网络的预报研究和应用

针对目前 BP神经网络在实际气象预报应用中 ,网络结构难以确定以及网络极易陷入局部解问题 ,用遗传算法优化神经网络的连接权和网络结构 ,并在遗传进化过程中采取保留最佳个体的方法 ,建立基于遗传算法的 BP网络模型 ,并以广西的月降水量进行实例分析 ,计算结果表明 ,该方法预报精度高、而且稳定 .  

模糊神经网络理论研究综述

本文对于近年来受到普遍重视的前向模糊神经网络及有反馈的模糊神经网络的性质、学习算法及应用等方面的研究进行了较为详尽的综述，分析了所取得的主要成果及其特点，并指出了今后模糊神经网络理论研究中有待解决的许多问题。  

综合评判的神经网络方法

综合评判的方法已经广泛运用到信息，决策，管理和控制等领域，但是它的两大难点－权重和单因素评价矩阵的确定越来越来明显地展现在人们面前，本文试图用神经网络方法来解决这两个难点，并从理论上证明了这种方法的收敛性。  

BP神经网络在铁路客运市场时间序列预测中的应用

铁路客运市场受多个因素的影响，而且这些作用多是非线性的。时间序列预测实质上是实现一个非线性映射。由于具有任意个隐层节点的前馈神经网络可以以任意精度逼近一个连续函数，因此，目前得到普遍应用的是采用BP算法的多层前馈神经网络。本探讨用人工神经网络的反向传播(BP)算法研究铁路客运市场的时间序列预测。数值计算结果表明该方法预测精度较高，方法简单易行，为铁路客运市场预测研究提供了新的途径。  

Hopfield型时滞神经网络的稳定性分析

研究了具有时滞的Hopfield型神经网络模型平衡点的全局渐近稳定性。去掉了有关献中关于fi的R上有界性、可微性的条件，给出了更弱的实用性较弱的判定平衡点的存在唯一性及全局渐近稳定性的条件，增强了模型的适用性。  

人工神经网络BP算法的改进和结构的自调整

本文解决了BP神经网络结构参数和学习速率的选取问题，并对传统的BP算法进行了改进，提出了BP神经网络动态全参数自调整学习算法，又将其编制成计算机程序，使得隐层节点和学习速率的选取全部动态实现，减少了人为因素的干预，改善了学习速率和网络的适应能力。计算结果表明：BP神经网络动态全参数自调整算法较传统的方法优越。训练后的神经网络模型不仅能准确地拟合训练值，而且能较精确地预测未来趋势。  

货运量预测方法的比较

本在对货运量预测理论和程序描述的基础上，介绍并比较了常用预测方法的优缺点，重点研究了三层BP神经网络的基本原理，构思了BP神经网络中长期货运量预测模型，并进行了预测，最后根据预测结果，分析了其用于预测的优缺点。  

具有交互神经传递时滞的神经网络的稳定性

本文研究了具有交互神经传递时滞的神经网络模型ｘ′ｉ（ｔ）＝－ｂｉｘｉ（ｔ）＋∑ｎｊ＝１ωｉｊｆｊ（ｘｊ（ｔ－τｊ））＋ｐｉ（ｔ＞０；ｉ＝１，２，…，ｎ）平衡点的全局渐近稳定性，并获得了若干充分条件·  

BP人工神经网络模型的新改进及其应用

针对 BP网络存在的缺点 ,有多种改进方法 .从算法和网络结构设计方面进行了综合改进 .将新改进的 BP网络用于成都市消费预测 ,取得令人满意的效果  

时滞Hopfield神经网络的全局指数稳定性

利用时滞微分不等式，讨论了时滞Ｈｏｐｆｉｅｌｄ神经网络的全局指数稳定性，获得了几个判定条件。这些结论推广了已知文献中的结果。