反馈网络的反馈系数与负载效应的函数性

给出了四种负反馈电路反馈系数F的精确计算公式和近似计算公式。证明了电压负反馈电路的反馈系数和反馈网络的负载效应,都是负载RL的函数。     

∮3上的一个4元布尔函数生成的M序列及其反馈函数

M序列是目前广泛应用的一种伪随机序列.在本文中,对于F3上的4元布尔函数f(x1,x2,x3,x4)=x1+x2+x3+x4,我们证明了F3上的三元4级移存器SR(f)的状态图G(f)为6个互不相交的圈,进而利用并圈法给出了由6个圈合并的15000个M序列以及相应的15000个M序列反馈函数.     

直积网络及其电路联接后的维数

分析了ｎ个（２＋２）端网络直积、（ｐ＋ｐ）端网络和（ｑ＋ｑ）端网络直积，ｎ相（＋）端网络直积，以及所构成的真积网络的输入、输出变量的子变量之间的关系；给出且证明了它们构成的直积网络独立端维数定量；同时实现了直积网络的电路联接；最后推断了多变量非线性幂级数网络的综合可化多个线性直积网络联接。     

非线性离散系统基于控制Lyapunov函数的反馈镇定

以控制Lyapunov函数为基础,研究了一类具有多个输入的非线性时间离散系统的反馈镇定问题．在假设存在一个二次型控制Lyapunov函数的前提下,明确给出了使得这类系统的零解全局渐近稳定的反馈控制律．根据LaSalle不变性原理．建立了使得闭环系统稳定的充分条件．这一结论推广和改进了具有单个输入的仿射非线性系统的反馈镇定问题．     

F2+vF2上非奇异反馈函数及其自同构函数

文章定义了F2 vF2环上的de Bruijn Good 图Gn的j对偶自同构及反自同构,并给出了在F2 vF2环上移位寄存器非奇异的充要条件,以及非奇异反馈函数与其自同构函数的表达式.     

多维B样条函数网络应用于非线性时间序列预测

本文构造一个用于解决非线性时间序列预测问题的多维输入 B- spline函数网络 ,并进行了计算机实验模似 .     

时间序列自相关函数的局部影响分析

 时间序列模型不同于一般的线性回归模型,其样本点之间存在着一定的相依结构使得常用的探测异常值的方法,如数据删除、单点求导等对时间序列而言效果不佳.为了探测时间序列中的强影响点,文章介绍了局部影响分析方法,研究同时对几个点作微小扰动时自相关函数的局部改变量.最后,用一个例子来比较局部影响方法与单点求导方法在探测强影响点上的优劣性.     

基于径向基函数网络的混沌时间序列分析

给出了基于径向基函数网络的混沌时间序列预测的方法。利用非线性自回归移动平均（ＮＡＲＭＡＸ）模型对非线性时间序列进行辨识并给出基于动态径向基函数（ＲＢＦ）网络的辨识算法。将这一方法应用到Ｈｅｎｏｎ映射的混沌时间序列的嵌入维估计及我国股票市场的混沌现象的实证研究,得到理想的结果。文章最后指出了进一步的研究方向。     

均生函数在水文时间序列回归分析预测中的应用

回归分析已广泛地应用于水文预报工作中,以何标准选定因子的估计值则成为影响预测值的一个相当重要的因素。详细地介绍了均生函数在水文时间序列回归分析预测中的应用,即对水文时间序列作差分变换,计算相应的均生函数,并采用双评分准则（CSC）建立最优回归模型;同时根据周期延拓性确定回归模型中选定因子的估计值,并作多步预测,为中、长期预报作业提供了一种切实、有效的方法和途径。     

基于免疫遗传算法的递归模糊神经网络

为了解决递归网络的梯度信息不易获取而传统遗传算法训练时间过长、易于早熟的问题,提出了一种用于辨识非线性动态系统的递归高木-关野模糊神经网络(T_RFNN:Takagi-Sugeno Recurrent Fuzzy Neural Network).T_RFNN是在高木-关野模糊模型的基础上加入了反馈层,利用免疫遗传算法对T_RFNN的参数进行训练和调整.该网络具有更少的网络参数、更快的收敛速度和更高的精度等特点,能够很好地完成动态非线性系统的映射.与高木-关野模糊神经网络相比,网络参数减少了45%,网络误差减少了65%,而网络的运行时间提高了近68%.T_RFNN仿真实验的辨识结果也表明,该网络在训练次数明显减少的情况下学习性能得到了显著改善.     

油藏系统函数型连接神经网络辨识方法

为实现油田生产管理和决策的现代化,使地层参数估值具有全局最优性,在研究油井井底压力分布的描述和有关地层参数辨识问题的基础上,提出了一种由二阶学习算法与GA(Genetic A lgorithm)构成的新型混合遗传算法,并给出一种新型神经网络。该网络把级数中的函数看成非线性神经元,建立油藏系统的函数型连接人工神经网络模型。由系统辨识理论中的F检验法确定网络模型的结构参数n,用二阶学习算法和新型GA交替辨识网络模型的权系数v和地层参数θ。应用表明,采用上述方法建模精度高,模型的平均相对误差在1%以内,并能求出地层参数的全局最优估值。     

基于递推合成BP网络的多变量时间序列预测模型

提供了一种基于递推合成BP网络的非线性时间序列预测方法,并针对具体实例建立多变量时间序列模型.将其预测结果与灰色预测模型及常规BP网络的多变量时间序列预测模型的结果进行比较,其仿真实验结果表明该网络具有很强的学习特性和泛化能力,适合进行非线性时间序列建模及预测.     

基于动态BP算法的非线性滞后系统辨识

鉴于很多实际问题都可以转化到多示例框架下求解,多示例学习越来越受到机器学习领域内学者们的关注.提出了一个基于Logistic回归模型的多示例学习算法.首先定义了一个新的似然函数来表示每个包的标签与其示例的隐含标签之间的关系,然后利用凝聚函数把该似然函数转化为一个光滑的凹函数,从而使问题可以用常用的无约束优化方法快速求解.在一些标准数据集和一个文本分类问题上的实验结果表明,所提算法要优于其他常用多示例学习算法.     

一种改进的递归神经网络及其仿真研究

针对BP神经网络在学习速度方面的不足,在Jordan和Elman网络结构的基础上,提出了一种带偏差单元的IRN(internally recurrent network)网络模型,根据BP算法推导出了该网络模型的权系数调整规则,并应用该网络模型进行了故障诊断方面的仿真分析.试验结果表明,该网络模型的收敛速度比一般BP网络有了很大提高,具有很好的实用性.     

MATLAB在热工系统辨识中的应用

热工系统的动态特性在许多情况下很难用明确的数学模型来表达,而系统的数学模型在自动控制的分析、设计和综合中又占有重要的地位。首先论述了热工过程系统辨识的一般方法和步骤及其MATLAB实现方式;针对热工过程中普遍存在的非线性环节,更进一步介绍了神经网络在非线性系统中的应用,并给出了相对直观的MATLAB实现方法。     

车削颤振的稳定区搜索控制

提出了车削过程的稳定区搜索控制方法，该方法通过在线建立动态车削力的二阶时序模型，对车削颤振进行预报，并根据预报结果，自动调节主轴转速，搜索车削稳定区，保证车削过程在稳定区内工作，车削试验证明，该方法可用效地抑制车削颤振的发生。     

基于神经网络的时序预测模型研究

将神经网络作为传统的时序线性模型的非线性推广进行了分析,论证了多层前向神经网络与非线性自回归模型及反馈神经网络与非线性自回归移动平均模型的等价意义,提出了一种可作为非线性时序模型的内反馈神经网络．     

线性/非线性时间序列模型一般表达式及其工程应用

提出一种线性/非线性时间序列模型的一般表达式(GNAR),论述其线性和非线性特性.对3种典型的非线性、非平稳时间序列进行试验及应用研究.将样本数据分成训练集和测试集,在训练集上建立GNAR模型,采用最小二乘方法以及结合预测误差的修正AIC准则实现其参数估计和模型定阶.在测试集上进行预测,进而验证模型.结果表明该模型对3组数据跟踪性能良好,预测预报精度优于传统时序模型,因此该模型有良好的适应性和有效性,能应用于工程实际.     

非线性时间序列预测的BP神经网络方法及应用

针对在非线性时间序列的BP神经网络建模预测的基本方法中,存在的建模速度慢,计算较复杂等问题,提出一种改进的BP神经网络动态建模与预测方法,并运用该方法对一非线性时间序列进行了仿真,仿真结果表明此方法的实际应用效果较好。