模糊逻辑与神经网络技术协作系统的研究

分析了模糊系统与神经网络系统的相同及相异性。在此基础上研究了模糊逻辑与神经网络技术协作系统的结构和实现技术，并着重研究了模糊控制器的神经网络实现技术及改善神经网络学习特性的模糊控制技术。     

广义Hopfield神经网络的绝对指数稳定性

研究了一类广义神经网络系统平衡点的存在性、唯一性和绝对指数稳定性.这类神经网络包含Hopfield神经网络和细胞型神经网络,不要求激活函数可微和有界.应用拓扑理论,得到了广义Hopfield神经网络平衡点的存在性和唯一性的充分必要条件;利用矩阵的性质,通过构造Lurie型Liapunov函数,得到了广义Hopfield神经网络绝对指数稳定的充分条件以及几类特殊神经网络绝对指数稳定的充分必要条件.     

基于模糊神经网络模式分类的数据挖掘算法

提出了一种基于模糊神经网络模式分类的数据挖掘算法--把模糊理论和神经网络结合起来,构造及训练模糊神经网络.给出了基于模糊神经网络的学习算法,通过仿真验证了该算法的正确性.     

神经网络结合遗传算法用于航迹预测

研究利用遗传算法对BP神经网络进行优化设计,建立了基于遗传算法的BP神经网络机动目标航迹预测模型。该模型克服了普通神经网络算法在训练过程中容易陷入局部最优点的缺陷,得到了更高的学习精度和更快的收敛速度。最后,用实测数据进行了验证分析,结果表明,基于遗传算法的神经网络的预测模型比单神经网络预测模型预测精度高,可用于航迹的预测。     

基于遗传-神经网络的字符识别

设计并实现了一种基于遗传一神经网络的字符识别系统．遗传一神经网络算法综合了遗传算法的全局优化和神经网络的并行计算等特点，可克服遗传算法最终进化至最优解较慢和神经网络易陷入局部解的缺陷，具有较好的全局性和收敛速度．     

基于优化PSO-BP算法的耦合时空特征下地铁客流预测

为提高地铁客流预测的准确性,以西安地铁1号线为例,分析了地铁客流的耦合时空特征,提取了影响地铁客流变化的5个主要因素,包括节日、非节日、时间段、站点和天气,构建了反向传播(BP)神经网络,预测了地铁客流;利用引入自适应变异与均衡惯性权重的粒子群优化(PSO)算法,优化了BP神经网络,形成了考虑复杂因素影响的地铁客流预测系统;选取了换乘站、非换乘站的首站与中间站,引入天气、节日、非节日因素,对比了不同时间段下的BP神经网络模型,优化了PSO-BP神经网络模型的预测误差。研究结果表明:考虑天气、节日、非节日因素,换乘站点分时段优化PSO-BP神经网络模型预测的平均绝对误差、均方根误差和平均绝对百分比误差,较不分时段的优化PSO-BP神经网络模型分别平均下降了40.13%、31.46%和23.89%,较分时段的BP神经网络模型分别平均下降了17.50%、17.86%和17.32%;非换乘站点分时段优化PSO-BP神经网络模型预测的平均绝对误差、均方根误差和平均绝对百分比误差,较不分时段的优化PSO-BP神经网络模型分别平均下降了16.50%、20.99%和32.59%,较分时段的BP神经网络模型分别平均下降了11.48%、12.10%和17.73%;各站点分时段优化PSO-BP神经网络模型预测的平均绝对误差、均方根误差、平均绝对百分比误差,较不分时段的优化PSO-BP神经网络模型分别平均下降了24.37%、24.48%和29.69%,较分时段的BP神经网络模型分别平均下降了13.49%、14.02%和17.59%,因此,利用考虑多影响因素的优化PSO-BP神经网络模型能提高地铁客流预测的准确性。      

基于小波神经网络的非线性系统预测控制研究

文章在介绍小波神经网络优点的基础上,提出了将小波神经网络优异的逼近能力应用于非线性系统预测控制的方案,并建立了预测控制系统的数学模型,通过仿真实验比较小波神经网络和同等规模BP神经网络的性能,对于非线性系统的预测控制具有一定的参考价值。     

BP神经网络用于传感器故障诊断的仿真研究

介绍了ＢＰ神经网络的一些基本概念和传感器故障诊断的有关问题。对用神经网络进行传感器故障诊断的原理加以分析。在ＭＡＴＬＡＢ语言环境下利用Ｓｉｍｕｌｉｎｋ仿真工具和神经网络工具箱对凝汽式汽轮机调速系统的中的转速传感器进行了传感器故障诊断研究。给出了仿真实现结果,并对结果加以分析,结果显示,利用神经网络进行传感器的故障诊断具有可行性。     

一种神经网络自适应PID控制器

采用神经网络与模糊逻辑相结合的方式，构造了一种自适应ＰＩＤ控制器。该控制器用具有改进学习算法的神经网络作ＰＩＤ参数调节器，用模糊神经网络对被控对象进行模型辨识，综合了神经网络，模糊控制和ＰＩＤ控制的优点。结构简单，易于实现，且适应环境能力强。     

神经网络在车辆半主动控制中的应用

针对车辆半主动悬挂模型的非线性特性，研究了采用神经网络的自适应控制在车辆悬挂半主动控制中的应用，设计了采用前馈神经网络的辩识器和控制器，对控制器网络采用的学习规则进行了分析。仿真计算表明，采用神经网络自适应控制方法能有效改善车辆的平稳性，采用的神经网络辩识器和控制器的改进BP算法是有效的。     

一类神经网络的全局稳定性分析

研究一类Hopfield型神经网络的平衡点的存在性，唯一性和全局稳定性，在放弃神经网络激活函数的有界性，单调递增性和可微性条件下，得到了神经网络平衡点的存在性和唯一性条件；利用M矩阵理论，通过构造适当的Liapunov函数，得到神经网络全局稳定性条件，这些条件适用于神经网络中关联矩阵为对称或非对称，激活函数为非单调的情况。     

BP神经网络在防城港货物吞吐量预测中的应用

使用基于时间序列的BP神经网络模型对防城港货物吞吐量进行预测,详细介绍了BP神经网络建模原理和预测实施方法,对预测结果进行了分析。提出了使用基于时间序列的BP神经网络模型时的注意事项。     

基于神经网络的发动机故障诊断技术研究

分析了神经网络在电子控制汽油机诊断中的应用;简要介绍了BP神经网络模型和学习训练过程,以及一种电子控制发动机诊断数据读取方法;简要说明了利用神经网络进行电控发动机诊断的过程。     

基于灰色神经网络的港口集装箱吞吐量预测模型研究

为降低港口集装箱吞吐量的预测误差,提高预测精度,在分析传统的灰色预测模型和BP神经网络预测模型的优缺点的基础上,构建了灰色神经网络港口集装箱吞吐量预测模型,该模型充分发挥了灰色模型所需初始数据少和BP神经网络非线性拟合能力强的特点。以实际数值作为初始数据,各种灰色模型的预测值为神经网络的输入值,神经网络的输出值为组合预测结果。通过实例分析,结果表明:灰色神经网络预测模型提高了预测精度,预测结果比较理想,优于单一预测模型,因此,该模型用于港口集装箱吞吐量预测是可行的、有效的。     

高速公路动态交通流Elman神经网络模型

为了提高高速公路交通流建模的精度,分析了离散的高速公路动态交通流数学模型,基于Elman网络原理,建立了回归神经网络交通流模型。回归神经网络的输入层、上下文层、隐含层和输出层的节点数目分别选为8、30、30和2,采用Levenberg-Marquardt算法对回归神经网络进行训练,并对一条5路段的高速公路进行仿真。结果表明:回归神经网络平均相对误差为8.683 7×10-5,最大相对误差为4.237 1×10-4,与BP神经网络和RBF神经网络相比较,Elman回归神经网络能更好地逼近交通流数学模型,真实地描述交通流基本特性,能准确地建立动态交通流模型,适应交通状况的变化。     

神经网络和专家系统相结合的综合决策系统结构

通过神经网络知识获取模型,将神经网络的自适应学习能力和专家系统的解释能力综合在一起,提出一种将神经网络和专家系统结合在一起的综合决策系统.一方面,该综合决策系统应用神经网络的自适应学习功能解决了专家系统在知识获取方面存在的"瓶颈"问题;另一方面,运用专家系统的解释能力解决了神经网络的"黑箱"问题.     

神经网络在路面使用性能评估中的应用

应用神经网络BP算法原理，建立评估路面状况指数PCI的模型。通过平整度和路面破损率数据的学习，预测了路面破埙指标PCI，并把神经网络模型和回归模型进行了比较，证明了神经网络模型在路面使用性能评估中有更好的应用前景。     

随机时滞Recurrent神经网络的指数稳定性

研究了随机时滞Recurrent神经网络的稳定性，利用Lyapunov函数和Itδ公式，结合矩阵分析技巧，给出了系统均方指数稳定的充分条件，并由此推得随机时滞Hopfield神经网络和随机时滞细胞神经网络的稳定性条件．     

随机时滞Recurrent神经网络的指数稳定性

研究了随机时滞Recurrent神经网络的稳定性,利用Lyapunov函数和It公式,结合矩阵分析技巧,给出了系统均方指数稳定的充分条件,并由此推得随机时滞Hopfield神经网络和随机时滞细胞神经网络的稳定性条件.     

前馈神经网络的特性分析与应用

分析了神经网络的特性，比较研究了前馈神经网络隐层神经元个数对神经网络的学习速度与效果的影响，探讨了隐层神经元个数与输入层变量个数之间的关系。提出了提高神经网络仿真效果的一种方法。