摘要：为解决过程神经元网络不能直接输入离散样本的问题,提出基于样条插值函数的离散过程神经网络训练算法。首先,将离散过程样本按采样点分段,在采样区间内分别构造样本和权值的分段样条函数;然后,计算样本函数和权函数的乘积在采样区间上的积分,并将此积分值提交给网络的隐层过程神经元;最后,在输出层计算网络输出。分别采用一次、二次、三次样条函数,设计了三种不同的算法。实验结果表明:一次样条计算效率高,逼近能力差;三次样条计算效率低,但逼近能力好;二次样条在计算效率和逼近能力两方面都比较理想。因此,二次样条函数是离散过程神经网络的较好选择。

摘要：过程神经元网络的提出为大样本识别问题开辟了新途径,但其训练方法目前主要基于权函数正交基展开。这种方法基函数个数选取目前尚无理论依据。提出了基于三次样条函数拟合的过程神经元网络训练方法。首先将样本函数、过程神经元权函数的离散化数据拟合成分段表示的三次样条函数,然后计算样本样条函数与权值样条函数乘积在给定采样区间上的积分,并将此积分值提交给网络的过程隐层神经元,输出层由普通神经元组成。三次样条函数具有很好的光滑性、可积性、阶数低、参数少等优点,有效地简化了网络的时空聚合运算。实验表明该方法是可行的。

摘要：为解决过程神经元网络训练涉及的时域聚合运算问题,提出了过程神经元网络的一种学习算法。对网络的过程式输入函数及时变的权函数,实施连续沃尔什变换,用变换后的数据训练网络。经过这种变换,能使网络输入的时域聚合运算大为简化,有效地避免了复杂的积分过程,使过程神经元网络的训练等同于普通网络的训练。

摘要："基地化、网络化、实用化"是当前军事训练的总体目标,为适应信息化条件下装备指挥专业训练和考核方式的变革,采用Client/Server架构及先进的答题技术、多线程技术、多层服务器技术以及故障恢复技术设计,并实现了装备指挥专业网络训练考核系统,系统具有题(卷)库管理、网络训练、网络考核、考务管理、人员管理等功能,为改革创新信息化条件下装备指挥专业训练考核方式提供了有效手段。应用和实践表明,系统能够有效提高装备指挥专业训练考核的智能化和高效化。

摘要：针对FeO含量控制复杂与难度大的实际情况,开发了神经网路预报系统。采用改进后的4层前向神经网络,进行多因素输入建模,输出采用主因线性相关与次因非线性相关叠加,预报现场烧结矿FeO含量。网络结构设计精度高、泛化能力强。训练方差为0.015 088 46,用训练样本集测试FeO含量输出,检验的绝对平均误差为0.135 665,命中率为97.78%。采用训练后网络预报,绝对平均误差为0.189 226,命中率为91.14%。

摘要：针对温、湿度需要同时进行控制的这种复杂的非线性系统,采用神经网络辨识的方法,从工程实用角度出发,考虑辨识精度和辨识学习时间,确定出合理简单的网络结构及网络训练参数。考虑影响温湿度控制的各种因素,用不同测试条件下得到的检测样本对训练后的网络进行检测,均能满足一定的精度要求。在网络训练中实行训练和测试间隔进行,最终确定出网络参数,这样训练出来的神经网络有较好的泛化能力,能在较宽的范围内正确映射控制系统的输入输出,为对温、湿度控制系统进行进一步的研究,进而为神经网络控制器的设计打下可靠的基础。

摘要：基于BP人工神经网络,以建筑结构的抗震设防类别、设防烈度、场地类别、地震分组、高宽比、长宽比、刚度,质量和面积为主要影响因子,以隔震后结构的最大层剪力比和支座最大位移作为输出结果,建立一个隔震初步设计系统。经25个训练样本对该网络进行训练后,利用15个测试样本对网络进行了测试。通过测试结果与实际设计结果的对比,网络的平均准确率达到96%,说明基于BP神经网络的隔震初步设计系统对隔震结构的减震效果分析具有高效性和准确性。

摘要：利用已有隔震工程设计资料,以BP网络建立了隔震初步设计系统对隔震初步设计结果进行预测。其中BP网络是在前人所做工作基础上进行了改进,主要是输入部分增加了总高度和是否有地下室,输出部分变成直接求出水平向减震系数和隔震支座最大位移。经过改进的BP网络预测结果和实际设计结果的对比分析表明,预测结果的误差控制在一定的范围内可用于实际工程应用。所以该神经网络模型可为隔震设计人员提供一种快速、有效的隔震初步设计方法。

摘要：传统诊断系统结构简单,无法处理多元化故障下的激光冲击强化诊断系统,导致诊断准确率低。设计多元化故障下的激光冲击强化诊断系统。根据激光冲击基本原理和冲击过程确定诊断状态;通过学习参数确定、加权系数初始化、计算训练误差等过程,训练多层前馈神经网络,在正常节点和故障节点两两组合形成的三种多元化故障中,分别设计网络的输入层、隐含层与输出层的神经元数量,再经过诊断推理,构建完整的神经网络诊断模型;结合系统结构的传感器、发射器等硬件组成,设计软件部分的数据采集、储存、显示等功能。实验结果表明,所设计的激光冲击强化诊断系统能够对多元化故障能做出精准诊断,且诊断耗时短,应用性能较好。

摘要：针对过程神经元网络模型学习参数较多,正交基展开后的BP算法计算复杂、不易收敛等问题,提出了一种基于双链结构的量子粒子群学习算法.该算法用量子比特构成染色体,对于给定过程神经元网络模型,按权值参数的个数确定量子染色体的基因数并完成种群编码,通过量子旋转门和量子非门完成个体的更新与变异.算法中每条染色体携带两条基因链,提高了获得最优解的概率,扩展了对解空间的遍历,从而加速过程神经元网络的优化进程.将经过量子粒子群算法训练的过程神经元网络应用于Mackey-Glass混沌时间序列和太阳黑子预测,仿真结果表明该学习算法不仅收敛速度快,而且寻优能力强.