1) dynamic recurrent neural network
动态递归神经网络
1.
Immune PSO-based dynamic recurrent neural network for identifying and controlling nonlinear systems;
基于免疫粒子群优化的一种动态递归神经网络辨识与控制非线性系统
2.
Investigation of nonlinear system based on adaptive control with dynamic recurrent neural network;
基于动态递归神经网络的自适应控制非线性系统研究
3.
Application of simple dynamic recurrent neural network in non-linear system identification
简单动态递归神经网络在非线性系统辨识中的应用
2) dynamic recurrent neural networks
动态递归神经网络
1.
Static mapping neural networks and dynamic recurrent neural networks are two kinds of important neural networks.
静态映射神经网络和动态递归神经网络是两种重要的神经网络,前者在系统辨识和控制中得到了广泛的研究和应用;后者能够逼近系统的动态过程,具有良好的稳定性和收敛性,文中针对一类非线性系统,采用动态递归神经网络,结合Lyapunov稳定性理论,综合了稳定的自适应控制器,同时给出了神经网络的自学习律。
2.
A nonlinear dynamic process is reconstructed by using dynamic recurrent neural networks (DRNN).
给出了利用动态递归神经网络 (DRNN)重构一个非线性动态过程的方法 ,对权值调整算法进行了推导。
3.
To solve these problems,pH modeling fermentation process based on improved dynamic recurrent neural networks is studied.
针对这些问题,将改进的动态递归神经网络应用于pH值的辩识研究。
3) dynamic feedback neural network
动态递归神经网络
1.
In this approach, the mode! of MWD in polymerization process is built utilizing a complex neural network, which is combined with B-spline neural network and dynamic feedback neural network.
本文介绍了利用B样条和动态递归神经网络相结合组成的复合神经网络建立聚合物分子量分布(MWD)模型的方法和拓扑结构,并在此基础上,提出了基于模型预估的控制MWD的新方法。
4) Dynamical recurrent neural networks
动态递归神经网络
1.
A new dynamical recurrent-intuitionistic fuzzy neural network is presented through studying on intuitionistic fuzzy sets and dynamical recurrent neural networks, and its modified dynamic back propagation learning algorithm is formulated based on its mathematical model.
通过对直觉模糊集理论和动态递归神经网络理论的研究,提出了一种新型的动态递归-直觉模糊神经网络,并根据动态递归-直觉模糊神经网络的数学模型推导其改进的动态反向传播学习算法。
5) dynamic recurrent fuzzy neural network
动态递归模糊神经网络
1.
A novel dynamic recurrent fuzzy neural network is presented in this paper, and its dynamic back propagation algorithm is formulated according its mathematic models.
提出了一种新型的动态递归模糊神经网络,并根据动态递归神经网络的数学模型推导出其动态反向传播学习算法,仿真结果表明对于动态系统的辨识,动态递归模糊神经网络较传统模糊神经网络在辨识精度和稳定性方面具有更好的效果。
补充资料:Hopfield神经网络模型
Hopfield神经网络模型
Hopfield neural network model
收敛于稳定状态或Han加Ing距离小于2的极限环。 上述结论保证了神经网络并行计算的收敛性。 连续氏pfield神经网络中,各个神经元状态取值是连续的,由于离散H6pfield神经网络中的神经元与生物神经元的主要差异是:①生物神经元的I/O关系是连续的;②生物神经元由于存在时延,因此其动力学行为必须由非线性微分方程来描述。为此,在1984年J.J.H叩fi酗提出了连续氏pfield神经网络,它可用图1所示的电路实现,其动态方程┌───┐│·T叮 │└───┘图1连续F砧pfield神经网络 (a)Sigmoid非线性;(b)神经元模型可由下述微分方程式描述: 、,产 门J /r、l、1.。瓮一客、一佘Ii认=f(u£)£=l,2,…,n式中f(·)为连续可微的Sign101d函数;T,j=兀、i,j=1,2,“’,n几=0]=i1~.吞~·‘八文一Q*+,戮T,j‘一‘,2,”一”连续时间氏pfield神经网络式的计算能量函数定义为:一告客客几从砚 石l「Vi_1,、,合,,, +乞古!‘厂‘(x)dx一乙I,从(4) ’月R‘Jo“‘、一’一月一,” 对于式(3),若f一‘为单调增且连续,C>0,T,j=几(i,j=1,2,一,n),则沿系统的运动轨道有dE一。-丁丁足之Uat当且仅当贷一。时 箭一。式(3)的稳定平衡点就是能量函数E〔式(4)」的极小点,反之亦然。同时,连续氏pfield神经网络式(3)以大规模非线性连续时间并行方式处理信息。网络的稳定平衡点对应于其计算能量函数E的极小点,网络的计算时间就是它到达稳定的时间,网络的计算在系统趋于稳态的过程中也就完成了。这也是式(3)用于神经计算及联想记忆的基本原理,也即神经计算机的基本原理。HoPfield shenling wangluo moxingHopfield神经网络模型(Hopfieldne,Ine幻即0比m侧触l)一种单层全反馈的人工神经网络模型(后称之为氏p玉idd模型),它对推动人工神经网络研究的复苏起了很重要的作用。 且,lield对人工神经网络研究的贡献主要有: (l)把有反馈的神经网络看作一个非线性动力系统,提出了系统的全局Lyap阴lov函数(或称能量函数)的概念,用于系统稳定性的分析; (2)利用上述分析方法解决人工智能中的组合优化问题,如15护;(3)给出了利用模拟电子线路实现的连续Hopfidd网络的电路模型,为进一步研究神经计算机创造了条件。
说明:补充资料仅用于学习参考,请勿用于其它任何用途。
参考词条