模糊反向传播神经网络FBP的函数逼近能力研究

研究了模糊反向传播神经网络FBP(FuzzyBackpropagation)的函数逼近能力.给出了单调连续函数的FBP按序单调特性、连续映射定理以及非函数一致逼近定理,并且说明了FBP虽然能保持连续性映射,但不如原神经网络具有函数逼近能力.     

基于神经网络的态势预测方法研究

为提高安全态势感知精确度和降低其复杂度,加强网络系统的安全防护能力,提出了基于神经网络的态势预测方法,并研究了基于径向基函数和遗传神经网络的态势动态预测方法。神经网络可通过自学习和非线性映射以任意精度逼近函数关系,具有高度灵活可变的拓扑结构及很强的适应能力,对于中、短期预测具有较高的精度。     

基于神经网络的监控数据智能处理方法

针对船用系泊缆绳安全报警系统中的表格试验数据，提出了应用神经网络技术的智能数据处理方法。该方法克服了传统数据处理方法一般难以找到合适的逼近函数，处理过程的弱点，避免了传统数据处理方法上的不便性和局限性，实现了表格数据非线性输入输出的映射。     

基于BP神经网络的主成分分析法在效能评估中的应用

针对侦察效能评估中,指标因素的多样性和因素间的复杂关系,依据主成分分析的评估思路,运用BP神经网络对侦察效能进行评估.结合BP神经网络的逼近非线性函数的映射能力和并行处理的特点,解决数据样本的分类问题.通过对侦察效能的评估,验证了BP神经网络对效能评估的可行性,其方法和成果可供其它武器装备效能评估借鉴和参考.     

层次模糊系统的全局逼近性质及其与多子波神经网络关系研究

讨论了B样条基函数的特性，在此基础上证明了基于B样条隶属函数的层次模糊系统（HBFS）是全局逼近器这一重要结论。同时，根据基于B样条隶属函数的层次模糊系统与多子波神经网络在逼近问题上的等价性，对于多子波神经网络是否为全局逼近器这一问题给出了一种全新的证明方法。     

基于BP神经网络算法及推导的研究

介绍BP神经网络算法原理,就算法推导过程做出重点分析,给出构造BP网络模型的一般步骤以及该算法在曲线曲面函数逼近中的应用实例.实验表明,BP神经网络在曲线曲面函数中具有很好的逼近能力,训练后的模型具有较高的精度.     

基于径向基函数神经网络的舰艇声呐部位自噪声预报

径向基函数神经网络具有学习速度较快,函数逼近能力强的特点.文章分析了影响声呐部位自噪声的各种声源参数,以舰艇声呐部位自噪声作为目标函数,将径向基函数神经网络用于舰艇声纳部位自噪声预报.利用舰艇声呐实测数据进行网络训练,训练好的神经网络可以对舰艇声呐部位自噪声进行精确预报.     

改进的基于TSK模型的模糊对向传播神经网络研究

将模糊C-均值(PCM)算法和模糊对向传播神经网络相结合，解决了模糊对向传播神经网络中模糊隶属度函数的自动生成问题，在此基础上结合卫张(Sugeno Tanaka Kang)模糊模型，提出了改进的模糊对向传播神经网络Improved FCP，并给出了学习算法。对两种典型的非线性模型进行实验研究，实验结果表明Improved FCP网络具有良好的非线性逼近能力。     

层次模糊系统的全局逼近性质及其与多子波神经网络关系研究

讨论了B样条基函数的特性,在此基础上证明了基于B样条隶属函数的层次模糊系统(HBFS)是全局逼近器这一重要结论.同时,根据基于B样条隶属函数的层次模糊系统与多子波神经网络在逼近问题上的等价性,对于多子波神经网络是否为全局逼近器这一问题给出了一种全新的证明方法.     

BP神经网络及其在图像压缩中的应用

BP神经网络是一种采用反向传播算法的多层前馈网络,它具有结构简单、可操作性强、能够逼近任意的非线性映射关系等优点,而且具有很好的泛化能力,在图像处理领域中应用非常广泛.本文简介了BP神经网络的理论、模型及其学习过程,探讨了其在图像压缩中的应用,分析了BP神经网络应用于图像压缩的可行性及其优点.     

基于HGANN的全方位推进器运动学正解研究

针对潜器全方位推进器的调距机构运动学位置正解求解高度非线性、计算速度慢、准确率低的特点，提出了一种改进的混合编码遗传神经网络算法（HGANN）。算法兼具了遗传算法的全局寻优能力和神经网络对于非线性映射的强大逼近能力，同时由于采用了二进制和浮点数混合编码方案及3层的染色体结构对遗传神经网络算法进行了改进，优化了网络结构和权值矢量，解决了遗传神经网络算法计算过程中短基因组实际交叉、变异机会过小的问题，使后代种群具有更好的多样性，结合Solis＆wets算子生成后代的方法丰富了遗传搜索空间，加快了收敛速度。仿真结果表明，HGANN算法有效地加快了遗传算法的收敛速度，提高了调距机构的位姿精度。     

基于优化智能方法的边坡稳定性分析研究

边坡稳定影响因素复杂且具有随机模糊性,给边坡稳定性分析带来了诸多障碍。基于进化BP神经网络的智能方法,充分利用BP人工神经网络对非线性函数强大的映射能力、自学习能力和推广能力,本文建立了基于MATLAB神经网络工具箱的优化智能边坡稳定分析系统,同时采用贝叶斯规则化法对系统进行改善,大幅提高了泛化能力和工程适用性。     

神经网络在目标识别中的应用

神经网络技术作为现代智能信息处理技术的主要方法之一,模拟人的神经元的生理结构模型,可自身完善和发展,在各领域都有其广泛的用途。本文对神经网络在目标识别中的应用进行了介绍。并指出目标识别在某种程度上也是一种函数逼近,并用matlab实现了BP网络的函数逼近。     

基于混合神经网络模型求解优化问题

本文利用混合神经网络模型求解优化问题，首先构造能量函数，能量函数包含优化问题的约束函数和代价函数。该模型包含两个子网络：一个约束网，一个目标网。约束网包含优化问题的约束条件，并计算每个神经元的梯度值、使得能量函数单调收敛并满足优化问题的所有约束条件。     

改进的基于TSK模型的模糊对向传播神经网络研究

将模糊C-均值(FCM)算法和模糊对向传播神经网络相结合,解决了模糊对向传播神经网络中模糊隶属度函数的自动生成问题,在此基础上结合TSK(Sugeno Tanaka Kang)模糊模型,提出了改进的模糊对向传播神经网络Improved FCP,并给出了学习算法.对两种典型的非线性模型进行实验研究,实验结果表明Improved FCP网络具有良好的非线性逼近能力.     

基于神经网络的水深插值研究

提出了利用神经网络技术，对离散的、分布不规则的海图水深数据进行插值处理得到连续水深数值的方法，研究了应用Levenberg-Marquardt反向学习网络进行函数逼近和径向基函数网络进行函数插值二种算法，用函数曲面和实际水域数值对算法进行了测试和误差分析，并对实际应用中区域分块、规一化和等深线数据处理等问题作了说明。     

模糊神经网络系统建模

介绍了基于神经网络的模糊系统Ｍｏｄｕｌａｒ神经网络，提出了改进的学习算法，最后通过建模实例验证，使用本文改建的学习算法进行学习后建立的模糊系统，有着更强的泛化能力和更高的逼近精度。     

基于BP神经网络的磁异常向下延拓方法

舰船、潜艇等水中目标会产生磁异常场,这一物理场中包含丰富的目标固有信息。航空磁测是一种快速高效的磁测方式,通过一定的向下延拓算法,能够准确识别定位目标。但现有的磁异常向下延拓方法延拓深度有限,不能从航磁数据向下延拓至海面。BP神经网络方法具有较强的非线性映射能力,在函数逼近和模式识别等领域具有广泛的应用。本文以BP神经网络方法为基础,建立一种磁异常数据向下延拓方法,经理论模型验证,本方法准确可靠,能够较稳定地进行30倍点距的向下延拓,达到从航磁数据延拓至海面的目的。     

基于RBF神经网络的水面船舶轨迹跟踪控制

针对速度矢量不可测、动态参数不确定以及具有未知扰动和磁滞特性的水面船舶系统,提出一种基于径向基函数神经网络的自适应反馈轨迹跟踪控制方案。根据船舶的状态矢量,利用高增益观测器估计水面船舶系统的不可测速度矢量,并通过一个函数描述间隙类磁滞对系统的影响。利用径向基函数神经网络的逼近能力和反步法设计控制器,基于李雅普诺夫稳定性理论,验证所设计控制器的稳定性,证明系统所有的闭环信号都是半全局一致有界的。通过仿真验证了控制器的有效性。     

基于高阶模糊神经网络及D—S证据理论的数据融合系统

高阶神经网络具有容量大，逼近能力强，容错范围广的特点，模糊系统具有较高的模糊语言处理能力，D－S证据理论具有不需要先验概率的优点，故将高阶神经网络，模糊系统，D－S证据理论运用于数据融合系统，可以使得该系统具有较强的系统自学习能力和对外界环境的适应能力。