求复多项式全部重零点的Kuhn一球形组合迭代法

本文结合应用球形迭代法的几何估计技巧与Kuhn一算法的整体收敛特性,提出了求复多项式全部重零点的一种组合迭代法.大量数值实验说明,该组合算法较之于Kuhn一算法有更高的计算效率和更少的计算复杂性.     

关于单调Brown方法的进一步研究

本文引入了一类较为广泛的函数类，提出了一种新的单调Ｂｒｏｗｎ方法，讨论了这种方法的收敛性，非平凡地推广了Ｆｒｍｍｅｒ的相应结果。     

基于数据挖掘的复合聚类法

基于数据挖掘的方法,设计和实现了两种复合聚类的算法,并对图像特征库按此算法建立了索引结构,形成了图像的索引库,通过实验,结果显示聚类方法具有很大的应用潜力.     

带有时滞的神经网络的稳定性

在本文中，我们研究了带时滞的神经网络系统，分析了该系统的稳定状态，获得两个稳定性准则，为神经网络的硬件设计提供了理论依据.     

分裂型单调迭代方法在非线性抛物型微分方程组初边值问题的应用

由于物理学,生物学,工程等学科中存在着大量没有解决的非线性问题,这些众多的非线性问题常常归结为各种可以近似求解的方程组。因此,研究非线性方程组解的近似与构造可解性理论已成为目前引起人们重视的课题,例如单调迭代法就是其中最为重要的课题之一,它具有大范围收敛性,迭代过程的每一步单调包含未知解,对方程组解的存在性给出了计算检验等优点。     

基于信息熵优化相空间重构参数的混沌时间序列预测

提出一种混沌时间序列相空间重构参数的信息熵优化方法(IEOP),该方法首先使用条件熵表示信息量,建立时间延迟和嵌入维数在相空间中的信息熵优化模型,然后利用遗传算法同时求解两个重构参数,使重构坐标间既保持了良好的独立性又保留了原系统的动力学特征.通过在Lorenz和Mackey-Glass系统上的数值实验,该方法不仅能够确定合适的嵌入维数和时间延迟,而且能在优化的相空间中获得更多的信息,提高了混沌时间序列的预测精度.     

基于条件熵扩维的多变量混沌时间序列相空间重构

提出一种多变量混沌时间序列相空间重构的条件熵扩维方法.首先使用互信息法求解每个变量的时间延迟,其次按条件熵最大原则逐步扩展相空间的嵌入维数,使得重构坐标从低维到高维的转换保持较强的独立性,最终的重构相空间具有较低的冗余度,为多变量时间序列的预测构造了有效的模型输入向量.通过对几个经典多变量混沌时间序列进行数值实验,结果表明该方法比单变量预测和已有多变量预测方法具有更好的预测效果,说明了该重构方法的有效性. 关键词： 多变量混沌时间序列 相空间重构 条件熵 神经网络预测     

结构化学课件的开发与应用

阐述了多媒体用于结构化学教学的意义与必要性,介绍了用Authorware6.0组装制作的结构化学多媒体教学课件的逻辑结构和特点。探讨了采用计算机三维动画和多媒体技术描述结构化学中部分抽象问题的方法。     

基于模糊边界模块化神经网络的混沌时间序列预测

提出一种模糊边界模块化神经网络（FBMNN）的混沌时间序列预测方法,该方法先对混沌时间序列观测点重构的相空间进行模块化划分,划分点的选取由遗传算法自动寻优.然后定义一个模糊隶属度函数,在划分边界一侧按照一定的模糊隶属度设定模糊边界带,通过模糊化处理,解决了各模块划分点附近预测结果的跳跃问题.最后每一模块,及其模糊边界的样本点都对应一个递归神经网络进行训练,通过预测合成模块输出结果.该方法对三个混沌时间序列基准数据集Mackey-Glass,Lorenz,Henon进行实验,结果表明该方法有效地提高了混沌时间序列预测效果. 关键词： 模糊边界 模块化神经网络 混沌时间序列 预测     

Multi-step-prediction of chaotic time series based on co-evolutionary recurrent neural network

This paper proposes a co-evolutionary recurrent neural network （CERNN） for the multi-step-prediction of chaotic time series, it estimates the proper parameters of phase space reconstruction and optimizes the structure of recurrent neural networks by coevolutionary strategy. The searching space was separated into two subspaces and the individuals are trained in a parallel computational procedure. It can dynamically combine the embedding method with the capability of recurrent neural network to incorporate past experience due to internal recurrence. The effectiveness of CERNN is evaluated by using three benchmark chaotic time series data sets： the Lorenz series, Mackey-Glass series and real-world sun spot series. The simulation results show that CERNN improves the performances of multi-step-prediction of chaotic time series.