模糊RBF神经网络在音频零水印中的应用

针对当前零水印不能"嵌入"有意义水印的不足,构建了在小波域中基于神经网络的零水印系统,提出了一种基于模糊RBF神经网络的音频零水印方案,有效解决了音频水印的鲁棒性与透明性之间的矛盾.模糊神经网络模糊系统的隶属度函数和推理规则决定RBF神经网络的结构和学习算法.因为水印方案不改变原始音频数据,所以具有良好的透明性,实验结果表明,方案具有很强的鲁棒性.     

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。     

基于模糊与神经网络技术的复杂非线性跟踪控制

针对一类具有不确定性、多重时延和状态未知的复杂非线性系统,把模糊T-S模型和RBF神经网络结合起来,提出了一种基于观测器的跟踪控制方案.首先,应用模糊T-S模型对非线性系统建模,设计观测器用来观测系统状态,并由线性矩阵不等式得到模糊模型的控制律;其次,构建了自适应RBF神经网络,应用自适应RBF神经网络作为补偿器来补偿建模误差和不确定非线性部分.证明了闭环系统满足期望的跟踪性能.示例仿真结果表明了该方案的有效性.     

基于RN和GN的两种RBF神经网络的工程造价预测模型

建立了调用NEWRB函数的正规化网络RN和基于K-means聚类的广义网络GN的两种RBF‘神经网络的工程造价预测模型,以55个厦门市工程造价案例进行实证分析.结果表明:当调用NEWRB函数构建RBF模型时,其性能主要取决于分布宽度,而基于K-means聚类的RBF神经网络主要取决于重叠系数和隐含层节点数;基于广义网络GN的RBF神经网络模型的训练效果较差,但学习速度更快、预测精度更高.     

择优RBF神经网络下切削率的优化

本文通过择优RBF(径向基函数,Radial Basis Function)神经网络对影响切削加工过程的切削参数进行建模,对切除率进行拟合预测;提出松弛误差作为衡量网络精度的指标,使RBF选择最优的分布密度,从而有效提高RBF神经网络的拟合预测能力;并将择优RBF的拟合和预测结果与BP的相应结果进行了比较,结果显示择优RBF神经网络的拟合和预测精度大大优于BP神经网络.     

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.     

定义在复数上的复模糊值函数

把所有的关于y轴对称的模糊数都定义为零模糊数,则两个相同的模糊数的差为零,利用~ar-+~ar+这样一个数值来描述模糊数的序关系,就可以得到关于纵向对称的模糊数都是等同的.在此基础之上对实模糊数的模糊距离及极限进行了研究.并研究了复模糊数的距离与复模糊数列的极限以及复模糊值函数的极限.将研究的复模糊值函数是定义在复数集C上取值于F(C)(所有的复模糊数的集合)中的复模糊数的函数.在新的序关系意义下讨论复模糊值函数的极限,并讨论复模糊值函数的收敛性质及Cauchy收敛判别法等.     

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.     

基于RBF神经网络的鲁棒因子滑模变结构多自由度机械臂精确跟踪控制研究

针对具有时变干扰的不确定多自由度机械臂,文章设计了基于RBF神经网络的含有鲁棒因子的滑模变结构高精度跟踪控制方法.针对时变干扰,设计鲁棒因子,将其嵌入滑模变结构控制器,克服了时变干扰对系统跟踪性能的影响.将RBF神经网络控制算法结合鲁棒因子滑模变结构控制,估计多自由度机械手臂系统的不确定因素.采用Lyapunov函数方法,证明了系统的稳定性.对比分析了计算力矩法滑模变结构控制方法,仿真结果证明,基于RBF神经网络的鲁棒因子滑模控制,针对具有时变干扰的含有不确定因素的多自由度机械手臂系统,具有较为精确的跟踪性能.     

模糊值函数分析学的结构元方法简介(Ⅰ)——结构元与模糊数运算

简述了模糊值函数分析学在具体工程实践应用中存在的困难和障碍,系统地介绍了模糊结构元方法在模糊值函数分析学中的应用,包括模糊结构元的概念、模糊数的模糊结构元表示形式、基于结构元表达形式的模糊数运算与隶属函数确定.模糊结构元方法将复杂的模糊数运算转化为一类单调有界函数的运算,不仅仅为模糊分析计算的简化提供了工具,同时也为模糊值函数分析学应用的研究开创了一条新的途径.     

模糊数的积分变换

使用模糊数的联合隶属函数定义了模糊数的积分变换和逆积分变换,证明了模糊数在积分变换后的模糊数与原模糊数有相同的支撑与核.另外讨论了在积分变换和逆积分变换下保持不变时积分中基函数满足的充要条件,最后给出积分变换的两个应用.     

精神疾病患者经济负担分析及预测

对某精神疾病的专科医院患者数量及费用进行分析,采用径向基函数(RBF)神经网络模型对精神疾病患者的看病费用进行拟合及预测,并比较该预测模型与BP神经网络的预测效果.将贵州省某精神类疾病的专科医院2015年1月-2016年12月医院HIS系统中的病人处方数据作为训练集,建立BP模型、RBF神经网络模型.分别对2017年1月1日-2017年1月16日病人用以精神类疾病看病费用情况进行预测.RBF神经网络模型均能够较好地拟合和预测精神类疾病患者看病费用,可以为医院管理者了解本院精神病患者看病费用的变化趋势提供依据,为制定精神病患者疾病负担的相关政策提供数据支撑.     

区间直觉模糊数的新得分函数及其在多属性决策中的应用

通过对区间直觉模糊数的犹豫区间进行讨论,提出了区间直觉模糊数的新得分函数和精确函数,并讨论新的得分函数具有的性质,在此基础上给出了区间直觉模糊数的一种新的排序方法.进而,结合区间直觉模糊加权平均算子给出了属性值为区间直觉模糊数的多属性决策方法,并通过算例阐明该方法的可行性和有效性.     

D.C.隶属函数模糊集及其应用(II)——D.C.隶属函数模糊集的万能逼近性

本文是D.C.隶属函数模糊集及其应用系列研究的第二部分。指出在实际问题中普遍选用的三角形、半三角形、梯形、半梯形、高斯型、柯西型、S形、Z形、π形隶属函数模糊集等均为D.C.隶属函数模糊集,建立了D.C.隶属函数模糊集对模糊集的万有逼近性。探讨了D.C.隶属函数模糊集与模糊数之间的关系,给出了用D.C.隶属函数模糊集逼近模糊数的-εC e llina逼近形式,得到模糊数与D.C.函数之间的一个对应算子,指出了用模糊数表示D.C.函数的问题。     

幂模糊数方程和二次模糊方程的结构元求解方法

定义了幂模糊数和幂模糊数方程,基于结构元方法研究了幂模糊数运算和幂模糊数方程的求解,给出了隶属函数的表达式.同时,利用区间[-1,1]上的单调函数将二次模糊方程的求解问题转化为经典参数方程组的求解问题,给出了二次模糊方程解存在的充要条件,并辅以数值例子.     

基于GAAA-RBF神经网络的工程估价方法

利用遗传-蚁群混合算法(GAAA),对RBF神经网络的主要结构参数中心矢量、基宽向量和网络权重进行组合优化,建立了GAAA-RBF神经网络组合算法的工程估价模型.将55个工程造价案例,随机抽取10个作为预测样本,剩下的45个作为训练样本.通过与相同结构的RBF神经网络相比较,结果表明算法克服了RBF神经网络易陷于局部极值、搜索质量差和精度不高的缺点,改善了RBF神经网络的泛化能力,收敛速度快,输出稳定性好,提高了工程造价的预测精度.     

模糊分析中的泛函空间

本文从四个方面简要综述了模糊分析中泛函空间的若干研究工作,包括:(1)在拓扑线性空间和某些模糊赋范线性空间框架下模糊泛函分析的发展;(2)模糊数空间的各种度量及对具有线性结构的相应具体泛函空间的嵌入;(3)模糊连续函数空间与针对不同模糊连续性的多层正则模糊神经网络的逼近;(4)基于单调测度论的可测函数空间和Sugemo可积函数空间.文中也提出今后开展研究的几点建议.吴从炘在1952–1955年期间是东北人民大学数学系的一名本科生,徐利治先生给予了吴长期指导与诸多支持.     

高斯核正则化学习算法的泛化误差

对广义凸损失函数和变高斯核情形下正则化学习算法的泛化性能展开研究.其目标是给出学习算法泛化误差的一个较为满意上界.泛化误差可以利用正则误差和样本误差来测定.基于高斯核的特性,通过构构建一个径向基函数(简记为RBF)神经网络,给出了正则误差的上界估计,通过投影算子和再生高斯核希尔伯特空间的覆盖数给出样本误差的上界估计.所获结果表明,通过适当选取参数σ和λ,可以提高学习算法的泛化性能.     

模糊数排序的一种新方法

给出了模糊数排序的一种新方法,并且详细研究了它的一些性质.该方法不仅可以对隶属函数为三角形、梯形等较特殊形式的模糊数进行排序,而且还可以比较隶属函数为多个分段单调函数的模糊数,同时它也考虑了决策者的风险态度.最后进行了算例分析.     

基于组合神经网络的时间分数阶扩散方程计算方法

该文首次采用一种组合神经网络的方法，求解了一维时间分数阶扩散方程.组合神经网络是由径向基函数（RBF）神经网络与幂激励前向神经网络相结合所构造出的一种新型网络结构.首先，利用该网络结构构造出符合时间分数阶扩散方程条件的数值求解格式，同时设置误差函数，使原问题转化为求解误差函数极小值问题；然后，结合神经网络模型中的梯度下降学习算法进行循环迭代，从而获得神经网络的最优权值以及各项最优参数，最终得到问题的数值解.数值算例验证了该方法的可行性、有效性和数值精度.该文工作为时间分数阶扩散方程的求解开辟了一条新的途径.