Robust adaptive synchronization of chaotic neural networks by slide technique

In this paper, we focus on the robust adaptive synchronization between two coupled chaotic neural networks with all the parameters unknown and time-varying delay. In order to increase the robustness of the two coupled neural networks, the key idea is that a sliding-mode-type controller is employed. Moreover, without the estimate values of the network unknown parameters taken as an updating object, a new updating object is introduced in the constructing of controller. Using the proposed controller, without any requirements for the boundedness, monotonicity and differentiability of activation functions, and symmetry of connections, the two coupled chaotic neural networks can achieve global robust synchronization no matter what their initial states are. Finally, the numerical simulation validates the effectiveness and feasibility of the proposed technique.     

Numeral eddy current sensor modelling based on genetic neural network

This paper presents a method used to the numeral eddy current sensor modelling based on the genetic neural network to settle its nonlinear problem. The principle and algorithms of genetic neural network are introduced. In this method, the nonlinear model parameters of the numeral eddy current sensor are optimized by genetic neural network （GNN） according to measurement data. So the method remains both the global searching ability of genetic algorithm and the good local searching ability of neural network. The nonlinear model has the advantages of strong robustness, on-line modelling and high precision. The maximum nonlinearity error can be reduced to 0.037% by using GNN. However, the maximum nonlinearity error is 0.075% using the least square method.     

涡流检测的数值模拟与缺陷定量分析

随着涡流检测技术的不断发展，不仅要求准确检测出缺陷，且还需对缺陷进行定量、定性评价。涡流检测中阻抗信号变化是进行缺陷检测和定量分析的依据：测量或计算缺陷的阻抗信号，称为涡流检测的正向问题；从阻抗信号推断出缺陷的定量定性特征，则是逆向问题。借助于有限元模拟方法，对涡流检测时的正向问题进行了求解计算；利用傅里叶变换和神经网络方法，对涡流检测时的逆向问题进行了分析。     

解线性不等式的神经网络

本文提出两个解线性不等式的Hopfiedl-Tank型的神经网络。第一个网络模拟同时松弛投影方法，第二个网络是二次规划方法。当线性不等式的解集非空时，这两个方法都给出该线性不等式的解。同时我们还给出了这两个网络的数值模拟。     

人工神经网络用于化学数据解析的研究（I）：逼近规律与过拟合

对多层前传网络的过拟合问题进行了探讨，定义了逼近误差和逼近度作为人工神经网络（ＡＮＮ）的建模评价指标，通过应用于多元非线性校正的数值模拟和实际药物光度分析数据解析，表明该指示明确，便于掌握，且能较好的地定量表述ＡＮＮ逼近规律的程度。     

自动波竞争神经网络及其在单源最短路问题中的应用

将竞争机理引入网络的自动波产生与传播过程中，提出自动波竞争神经网络(ACNN)模型，并成功地应用于求解单源最短路问题，给出了基于ACNN的最短路求解算法. 与其他神经网络最短路算法相比，基于ACNN的最短路算法具有网络所需的神经元数目少、神经元及网络的结构简单、易于软硬件的实现、以及全并行方式计算等特点，可用于求解非对称赋权图的最短路径树问题，且其计算时间(迭代次数)仅正比于最短路径上的跃点数，与赋权图的复杂度、路径总长、边长的精度、通路总数等因素无关. 计算机仿真结果表明该算法的有效性和快速求解能力. 关键词： 单源最短路问题 自动波竞争神经网络 脉冲耦合神经网络     

基于时变阈值过程神经网络的太阳黑子数预测

太阳黑子活动直接影响着外层空间环境的变化，为保证航天飞行任务的安全必须对其进行有效预测.为此，提出了一种基于时变阈值过程神经网络的时间序列预测模型.为简化模型的计算复杂度，开发了一种基于正交基函数展开的学习算法.文中分析了模型的泛函逼近能力，并以Mackey-Glass时间序列预测为例验证了所提模型及其学习算法的有效性.最后，将该预测模型用于太阳活动第23周太阳黑子数平滑月均值预测，取得了满意的结果，应用结果同时表明：所提预测方法与其他传统预测方法相比预测精度有所提高，具有一定的理论和实用价值. 关键词： 太阳黑子数 时变阈值过程神经网络 时间序列预测 泛函逼近     

基于理想方案的BP神经网络土地利用规划方案评价

将神经网络方法引入土地利用规划方案的评价中,并针对没有已知的学习样本可供学习的情况,提出了一种基于"理想方案"的学习和评价方法,并以北京市平谷区王辛庄镇的土地利用规划方案评价为例,进行了实证研究.结果表明:基于理想方案的BP神经网络评价方法实现了定性分析与定量分析的有机结合,较好地保证了评价结果的客观性,是一种有效评价方法.