基于粒子群优化的高维小波神经网络及其应用

本文提出一种粒子群优化小波神经网络的新方法.先采用基于梯度下降的误差反传算法调整小波神经网络参数,再使用粒子群算法修正,从而建立了粒子群优化的高维小波神经网络,并将该方法用于构建热连轧产品质量模型.仿真结果表明,此模型提高了预测精度和收敛速度.     

模糊神经网络的记忆

讨论了一种模糊神经网络实现记忆的条件和记忆的特点,并给出了样本组格子点分布的概念。通过定理,证明了在这种情况下,样本组可被模糊神经网络所记忆;证明了若样本组前n-1个样本和整个样本组的模糊矩阵的秩相等,则权向量不能调整, 否则会使模糊神经网络“丧失记忆”同时,也说明了选择记忆法所采用的选择方法中减少运算量,又可保证网络的记忆。     

基于高维小波神经网络的热连轧板材质量模型研究

热连轧板材的生产要经过多道工序，影响板材质量的因素众多，且与板材质量之间是极其复杂的非线性关系．本文采用LVQ（Learning Vector Quantization，学习矢量量化）神经网络对热连轧板材的生产样本数据聚类，然后按照热连轧板材的生产工序构建基于双输入层高维小波神经网络的热连轧板材质量模型，将板材炼制的输人参数置于网络的第一输入层，将板材轧制参数置于网络的第二输入层．仿真结果表明，改进的模型拟合命中率达到92．3％，测试命中率达到84．5％，可以满足企业生产的需要．     

基于CSCW的校际协作系统设计研究

校际协作是学校间进行资源共享的新途径，但已有的支持系统功能单一，无法有效支持校际协作的多样化工作．本文首先分析了校际协作的特点，指出了现有系统的不足．然后分析了适用于校际协作的CS、CW特点和CSCW技术体系，最后，采用Lotus Domino建立了一种基于CSCW的校际协作系统，并说明了其开发过程．     

最优联想映射噪声衰减因子的计算

在常见的一些多元分布的情况下,对最优联想映射中的随机噪声Ｖ衰减因子作了研究,结果表明,当随机噪声Ｖ的密度函数可交换时噪声衰减因子为√ｍ／ｎ,而Ｋｏｈｏｎｅｎ等人在「１」,「２」中曾用了大量的篇幅所证得的结论仅为本文所得结果的一种特例。本文对非对称多元正态分布及非对称椭球分布情形下噪声衰减因子的研究表明,此时衰减因子不再是√ｍ／ｎ。     

神经网络输出优化在质量控制中的应用

讨论了BP（Back Propagation)神经网络的输出优化问题,并提出了一种新的优化算法。利用这种算法,对于由一组工业生产线产品质量数据所建立的神经网络质量模型,进行10000步迭代,求出了能使神经网络 输出优化的输入向量,其相应的神经网络输出值优于热轧产品质量数据中质量指标的最优值,因此起到了神经网络输出优化的作用。     

基于不确定理论的灾区救援物资配送模型及算法

灾区救援物资配送问题采用传统的中国邮递员问题(CPP)的思想,传统的中国邮递员问题是对确定权重模型的解决,然而在实际应用中,经常会遇到权重不确定的因素,由此本文针对不确定权重的灾区救援物资配送问题,采用不确定理论建立了不确定期望最短路径和α最短路径两种模型,并运用欧拉回路算法分别求解出两种模型的解,使不确定权重灾区救援物资配送问题得到解决.     

两阶段混合算法及其在热轧数据建模中的应用

提出了神经网络两阶段的混合学习算法,将这种算法用于大型多辊热轧产品质量的建模中,经过９０００多个实测数据建模及检验,８５％的样本的检测值与实测值的误差满足了工程实际的要求,应用实例及测试结果表明,这种算法适宜解决高维输入数据的建模问题,对提高建模速度与精度具有良好的效果。     

基于矩形函数系的模糊神经网络及其应用

提出了一种基于矩形函数系的模糊神经网络，其特点是输入空间被划分为许多大小一致且互不相交的超立方体，而每一个超立方体中的模糊神经网络都具有常值输出，只有当一个超立方体内落入样本时，相应的样栈才被编码后作为“规则”记忆下来。因此，这种网络可以自动生成模糊规则，关于静态误差的定理表明，将这种网络用于一类非线笥系统的在线控制中，当输入空间的划分足够小时，可使非线性系统的静态误差任意小，仿真实全怨表明，将这     

推广的感知器学习算法及其在模式识别中的应用

将感知器学习算法作了推广，将权向量和值的调整公式改为W(k 1)=W(k)-αW（k)Zk^TZk,其中α∈（1,2)，证明了这种算法的收敛性，且可用于凸册区域的识别中。