分布时滞Hopfield神经网络稳定性

针对分布时滞的Hopfield型神经网络构造了李雅普诺夫能量函数,证明了该网络的稳定性问题。证明过程中运用了引理的结论,充分利用了所取李雅普诺夫函数的特殊性,较多地运用了不等式分析方法及不等式放缩技巧。同时由于时滞的存在,证明过程中还涉及李雅普诺夫泛函问题。最后利用引理的结论得出了该网络全局一致渐近稳定的结论。     

能源安全预警研究

本文突破传统的风险预警模式,运用改进的BP神经网络方法建立中国能源安全预警模型,同时对中国2010年的能源安全状态进行了尝试性预警分析,得出初步结论中国的未来能源安全形势比较严峻,必须积极应对,及早采取措施.     

柔性机器人的模糊神经网络控制研究

对具有未知或变化动力学特性的两连杆柔性机器人的轨迹跟踪问题进行了研究。采用Lagrange-Euler 方程建立了柔性机器人的动力学方程。鉴于柔性机器人的高度非线性和复杂性,用智能控制策略对系统进行控制,其中在系统的反馈控制回路上设计了模糊逻辑控制器,在前馈回路上设计了动态回归神经网络控制器。在三组不同阶跃输入条件下,对模糊逻辑及智能控制器进行了仿真研究。结果证明该方案可使系统性能得到极大的改善。     

智能控制的主要方法与研究热点

智能控制作为一门不断发展的综合学科,在人类的生产生活中扮演着越来越重要的角色.专家控制、模糊控制、神经网络控制、分级递阶智能控制、学习控制是智能控制的主要方法.就目前而言,智能控制还有许多问题有待解决.     

非线性系统的复合正交神经网络自适应控制

提出非线性系统的复合正交神经网络自适应控制方法.在非线性系统控制中,这种网络自适应控制不需要辨识系统模型与Jacobian矩阵信息,网络学习算法与被控对象模型无关.仿真结果表明,复合正交神经网络实现的非线性系统控制具有较强的自适应控制能力,证明了控制系统具有良好的跟踪控制性能,为解决非线性系统的控制问题提供了一种方法.     

基于模糊神经网络的可控串补控制策略

目前已运行的可控串补(TCSC)工程都是采用常规的控制策略,采用各种先进控制策略比如非线性控制策略、智能控制策略能使TCSC的作用得到最大限度的利用.设计的TCSC模糊神经网络控制系统采用TCSC当地测量的频率增量及功率增量作为模糊控制的输入,用一种神经网络模拟模糊推理机的知识模型和推理模型,采取误差反传的方法依据输入量的值和系统当前的状态来设计调整神经网络的连接权值以及隶属度函数的参数,从而调整模糊控制规则和量化因子.通过对系统处于不同运行点受到不同干扰下的仿真,表明所设计的TCSC模糊神经网络控制系统具有良好的鲁棒性.     

基于深度强化学习的自适应股指预测研究

基于股指成分股基本面和技术面数据构建了时序股票关联网络，然后利用深度图神经网络学习股票关联网络层次化表征，以端到端的方式获得候选预测信号.在此基础上，提出了一种考虑动作评估反馈的深度强化学习方法(Action Evaluation Feedback based Deep Q-Learning, AEF-DQN),旨在将不同的候选预测信号融入智能体的动作空间，并基于股票关联网络层次化表征、股票市场整体运行状态和历史动作评估反馈学习环境状态；借鉴前景理论中的参照依赖特性估计奖励值函数，从而建立状态、动作与奖励值之间的映射关系.最后，采用沪深300指数、标普500指数、英国富时100指数和日经225指数的成分股历史数据，构造了股指期货交易模拟器，在投资胜率、最大回撤率、阿尔法比率和夏普比率4个回测指标上对股指预测模型展开实证分析.研究结果表明：1)通过层次化聚合股票关联网络的节点属性信息可以动态捕捉不同行业对股指价格波动的影响，进而可提升预测方法的准确率；2)考虑动作评估反馈的深度强化学习结构可智能化选择适用于当前股票市场环境的最优模型结构，进而可提升预测方法的鲁棒性.     

神经网络—维布局算法

研究并提出了一种基于神经计算的集成电路一堆布局的并行优化算法。文中首先将布局问题的限制条件和目标函数映射为一个二次函数,并以该函数为能量函数构造相应的神经网络,然后利用神经网络的并行计算特性求出一堆布局问题的优化解。     

基于商品房销售预测的灰色Bp神经网络方法

应用灰色理论与BP神经网络理论,提出了一种基于灰色BP神经网络(GBPNN)的商品房销售预测方法,并建立了相应的GBPNN模型和求解。结果表明该方法不仅能优化预测精度,而且是一种很好的预测问题的有效方法。     

一类神经网络系统的渐近行为

研究了一类微分方程系统解的渐近行为和零解的稳定性问题;讨论了利用特征值的符号及运用解对初值的连续依赖性和一些变换算法,该算法优点是不需求出解的解析表达式,就能判断方程解的渐近行为和零解的稳定性态,其推理过程较清晰严密并有一定的参考价值。