摘要：为提高移动机器人的工位定位精度,通过实验分析了超声波传感器的测量距离d和入射角α对测量精度的影响。基于代数神经网络能实现样本空间的精确映射并具有较好非线性逼近能力,设计了一种移动机器人侧向定位融合模型。经实验比较,该定位融合模型具有较高的精度,使得位置误差小于0.9957mm,角度误差小于0.2966°。将该定位融合模型应用于自主研发的移动机器人的定位实验中,定位位置精度可达到±2.5mm,姿态角精度可达到±0.42°,满足定位要求。

摘要：文中从首一无平方多项式Ｆ（ｘ，ｙ）有根ｘ＝φｉ（ｙ）（ｉ＝１，２，…，ｄｅｇｘ（Ｆ）），其中φｉ（ｙ）＝Ｃｉ，０＋Ｃｉ，１ｙ＋Ｃｉ，２ｙ２＋…，入手，设计了一类二元多项式求根及近似因式分解的神经网络模型，它们分别是双输入单输出４层前向网络与单输入多输出３层前向网络，给出了神经网络学习算法，这种学习算法在ｐ－ａｄｉｃ意义下，通过选定隐层与输出层的待求权值Ｃｉ，ｊ完成学习，可确定出其不可约因式及不可约因式个数ｒ，通过算例表明，该算法十分有效．

摘要：定义了代数神经元、代数神经网络，讨论了不确定数据知识获取的数学机理，设计出一类单输入，单输出的三层前向网络来获取知识的代数神经网络模型，给出一种基于代数神经网络知识获取的方法。通过该网络的学习，能确定任意一组给定数据的目标函数的逼近式．

摘要：把感知器作为数学模型 ,充分利用神经元的运算特性 ,以二元多项式近似求根神经网络模型为基础 ,设计一类多元多项式不可约判定的神经网络模型 ,它是单输入多输出三层前向神经网络 ,给出神经网络学习算法 ,这种学习算法在 p- adic意义下 ,通过调整隐层与输出层的权值 Ci,j完成学习 ,直到 e≥ degy(F ) +1步 ,可确定出多元多项式不可约 ,通过算例表明 ,该算法有效 ,相比传统的判定算法 。

摘要：首先对MP神经元进行推广 ,给出了一元多项式代数神经元、一元多项式代数神经网络 ,设计出一类用于一元多项式二元运算的神经元模型 ,它是单输入单输出的 3层多项式神经网络 ,给出了两种用于判定一多项式为分圆多项式的神经网络模型及学习算法 ,把判定一多项式为分圆多项式转化成线性方程组求解问题 ,通过算例说明了该方法的有效性。