基于神经网络和模糊逻辑的信用评价模型

在对Z评分模型以及KMV模型、J.P.摩根的Credit-Metrics模型、瑞士信贷银行的Credit-Risk模型、麦肯锡的信用组合模型等信用风险模型进行分析的基础上,提出在多元综合回归分析的基础上建立企业财务状况指数测算公式,再使用模糊聚类方法进行信用等级评价、使用模糊神经网络进行风险预测的信用评价的新方案。     

改进的模糊聚类算法

隐节点中心的选取一直是各种RBF神经网络学习算法面临的主要问题之一,主要针对隐节点中心的选择问题,在研究减法聚类和模糊C-均值聚类算法优缺点的基础上,提出了改进的模糊聚类算法.仿真实验表明,改进的算法增强了网络对离群点的鲁棒性,同时缩短了网络的训练时间.     

离散递归神经网络平衡点控制及稳定性分析

通过将离散递归神经网络的状态空间分割为若干个子区域,控制其输出反馈权值、输入项及阈值等,分析在每一个子区域上平衡点的存在、唯一性问题,给出了其判定条件.并进一步讨论了平衡点渐近稳定、指数稳定性.通过举例说明给定的结果简明又容易验证.     

离散递归神经网络平衡点控制及稳定性分析

通过将离散递归神经网络的状态空间分割为若干个子区域,控制其输出反馈权值、输入项及阈值等,分析在每一个子区域上平衡点的存在、唯一性问题,给出了其判定条件.并进一步讨论了平衡点渐近稳定、指数稳定性.通过举例说明给定的结果简明又容易验证.     

遗传模糊C-均值聚类算法应用于MRI分割

通过分析知经典的将图像分割成C类的常用的模糊C-均值聚类算法(FCMA)依赖于初始聚类中心的选择,通常得到的是局部最优解而并非全局最优解,又由于遗传算法能搜索到全局最优解,因此将遗传算法(GA)与FCMA相结合,对MRI直接进行聚类,利用遗传算法搜索全局最优解,从而有效地避免了模糊C-均值聚类算法收敛到局部最优的问题,并在此基础上实现了对MRI的分割,得到了比较满意的效果。     

基于支持向量机的模糊小波神经网络

针对高维输入小波网络的初始参数和网络结构非常复杂且计算量大的问题,提出用支持向量机(SVM)确定小波网络的初始参数和网络结构的方法。首先,使用有监督模糊聚类算法从聚类中抽取模糊规则,然后对每一个规则的后件使用支持向量机方法确定小波网络的结构和初始参数,最后采用梯度下降方法调节模糊小波网络中的参数,使得模糊小波网络输出与期望输出之间的误差较小。仿真结果表明:该算法与传统的模糊神经网络(FNN)相比显著提高了分类精度。     

离散大系统的多级控制

本文使用反馈控制和广义逆矩阵研究离散大系统的多级控制问题,即在局部控制器上加所谓“校正”控制器,达到中性关联作用,使整个系统的性能指标为极小,且得到较小的性能指标偏差的上界。     

一种基于最大模糊熵的高斯聚类算法

介绍了一种新的模糊聚类方法，定义了模糊熵，提出了基于最大模糊熵的模糊聚类的方法，得到了一种新的聚类算法——GCM算法。该算法的物理意义清晰，有明确的数学含义，相对于传统的FCM聚类算法，其聚类效果更好。     

基于减法聚类产生具有优化规则的模糊神经网络及其软测量建模

提出了一种通过调整减法聚类半径优选模糊规则的软测量建模方法。首先用减法聚类建立T-S模糊模型,然后通过调整聚类半径优选模糊规则数,以取得具有良好泛化性能的模型,之后利用梯度下降混合最小二乘算法精调参数。最后用该方法对初馏塔石脑油干点进行软测量建模,结果表明能较快确定优化模型,并能满足软测量建模精度要求。     

基于RBF神经网络的人脸识别方法

计算机模式识别是视觉领域中的研究热点之一,是指用生物特征比如人脸信息来识别和辨认某个人类个体.提出了一种基于RBF神经网络的人脸识别方法：采用主成分分析技术把样本维数降低,同时利用模糊聚类算法进行粗分,然后用ORL标准人脸数据库进行实验.实验结果表明,该方法大幅度提高了人脸识别的效果.     

用遗传算法优化神经网络权值

神经网络模拟大脑的生理机制,通过大量简单神经元的互连,实现信息的智能自动化处理,但是神经网络权值与结构的设计往往依靠经验获得.遗传算法具有全局搜索问题解的特性,用遗传算法优化神经网络权值,为神经网络的设计和训练提供了新的途径。实验表明,该方法是可行的、有效的.     

改进的模糊C-均值聚类方法

该文针对模糊C-均值算法容易收敛于局部极小点的缺陷,将遗传算法应用于模糊C-均值算法(FCM)的优化计算中,其中对传统遗传算法的编码方案、遗传算子约束条件及适应值函数等方面进行改进,提出了一种基于改进遗传算法的模糊聚类方法。实验表明,将改进的遗传算法与FCM算法结合起来进行聚类分析,可以在一定程度上避免FCM算法对初始值敏感和容易陷入局部最优解的缺陷,使聚类更合理,比单一使用FCM算法进行聚类分析的效果要好。     

一类神经网络算法的渐近行为

研究了一类连续型全反馈人工神经网络的稳定性,通过求解简单的一维微分方程,给出了这类神经网络系统的解的解析表达式,利用解的解析表达式证明了当A的特征值0l,至少有一个特征值为负时,网络的一切从Rn中的单位超球内出发的解收敛于原点或单位超球内的一点.     

一类具有时滞的神经网络的稳定性分析

对具有广泛应用价值的时滞Ｈｏｐｆｉｅｌｄ神经网络系统,建立了系统平衡点存在唯一的充要条件,利用常数交易法并结合不等式分析技巧讨论了神经网络模型的全局指数稳定性,获得了系统的平衡点全局指数稳定的充分条件。     

Hopfield神经网络k－全局稳定性

研究了Ｈｏｐｆｉｅｌｄ神经网络的ｋ－全局稳定性，利用常数变易法和不等式分析技巧，给出了Ｈｏｐｆｉｅｌｄ神经网络的ｋ－全局指数稳定的充分条件。     

时变时滞细胞神网络的稳定性分析

本文研究了一类具有时变时滞的细胞神经网络的稳定性问题,利用新的Layapunov Krasovskii函数,给出了系统全局渐近稳定的时滞相关稳定性条件。其结果以线性矩阵不等式的形式给出,通过对矩阵特征值的应用,得到了一个新的LMI的应用形式,改善了LMI的应用。最后,数值算例说明了本文结果的优越性。     

时滞BAM神经网络的p-类全局指数稳定性分析

首先给出了P-类全局指数稳定的概念,在激励函数满足全局Lipschitz连续的条件下,利用不等式和分析技巧获得了具有时滞的BAM神经网络P-类全局指数稳定的充分条件,给出了指数收敛速率指标所满足的代数方程,仿真实例说明了方法的有效性．     

一类神经网络的L~2-增益稳定性

运用研究控制系统有限增益稳定的方法,讨论了神经网络关于扰动的Hopfield型神经网络扰动的L_2-增益稳定性问题。对该网络模型研究的一个重要应用在于优化计算和联想记忆。利用常数变易法和李雅谱洛夫函数法,结合不等式分析技巧,给出了一些在内外部存在扰动的情况下,保证网络L_2-增益稳定的充分条件,这些条件简洁,易于在应用中检验。     

变时滞神经网络鲁棒稳定的一个新判据

研究了一类变时滞区间细胞神经网络的全局渐近鲁棒稳定性。基于非负矩阵理论和Lyapunov-Razumikhin分析方法,得到了变时滞区间细胞神经网络全局渐近鲁棒稳定的一个充分条件,该条件与时滞参数无关且易于验证。理论分析和数值例子表明所得条件推广了已有文献中得到的两个相应的结果,是对区间神经网络鲁棒稳定性研究的有效补充。数值例子和相应的计算机仿真验证了所得结果的有效性。