1) cascade variable structure neural network (CVSNN)
串级变结构神经网络
1.
According to the cascade variable structure neural network (CVSNN), a non linear compensation control strategy was proposed.
讨论了机器人动力学模型的特殊性，指出模型中结构和非结构不确定性因素；研究了一种新型串级变结构神经网络（ＣＶＳＮＮ）；提出了一种基于新型ＣＶＳＮＮ的机器人控制策略。
2) variable structure neural network
变结构神经网络
1.
An optimized algorithm of variable structure neural network based on fuzzy distance was proposed, and applied to the pattern recognition of shape signal.
提出了基于模糊距离的变结构神经网络优化算法 ,并将其用于板形信号的模式识别过程 ,有效地解决了板宽变化时神经网络拓扑结构不变的问题 ,提高了识别速度和精度 ,从而成为一种新的智能板形信号识别方
2.
For the daily electric power load with uncertainty influence factors,we first put forward the load forecasting model of the variable structure neural network based on the fuzzy classification rules.
对于受不确定因素影响的日电力负荷 ,首次提出了基于模糊分类规则的变结构神经网络负荷预测模型 ,考虑从两方面改进预测精度 ,一个方面是通过模糊分类规则 ,使过去的负荷数据分为不同气候特征 ,选用同类特征数据进行预测 ,另一个方面是通过神经网络变结构优化 ,确定最优网络和最优拟合逼近 ,从而得到最优的预测结果。
3) cascading neural network architecture
级联神经网络结构
4) variable structure manual neural net
变结构人工神经网络
1.
Aiming to solve the problem in metallogenic prognosis structure model of manual neural net, the authors discussed a sort of arithmetic for the dynamic creation of manual neural net to adjust the structure dynamically in the course of model building and introduced a variable structure manual neural net model for metallogenic prognosis by means of VC++ development.
针对人工神经网络成矿预测模型结构难以确定的问题,详细阐述了一种在模型训练中进行隐层数目及隐层单元数目动态调整的人工神经网络算法,并以VC++为开发工具实现了变结构人工神经网络成矿预测模型,经用华南26个岩体检验,回忆率及预测率均高达100％。
5) variable structure fuzzy neural network
变结构模糊神经网络
1.
The application of variable structure fuzzy neural network in AC decoupling variable system restrains the system quiver as well as enhances the system ability of self learning and self adjusting fuzzy rules.
在感应电动机的控制中采用解耦变结构控制，有效地简化了控制器的设计，并提高了控制器的抗干扰性和鲁棒性，交流解耦变结构系统中应用变结构模糊神经网络，一方面使系统原来存在的抖振得以抑制，另一方面又使系统具有自学习和自调整模糊规则的能力，提高了控制系统的智能，改善了控制系统的性
2.
A model of variable structure fuzzy neural network and its variable structure learning algorithm are proposed in this paper.
提出变结构模糊神经网络控制及其学习算法，并对变结构模糊神经网络学习规律进行研究，变结构模糊神经网络中的模糊化神经网络（ＦＦＮＮ）、模糊推理神经网络（ＥＦＮＮ）和模糊决策神经网络（ＤＦＮＮ）都是结构可变的，可分开进行模糊隶属函数及模糊推理的学习，其学习过程符合人脑由粗到精的认识规律，学习收敛速度比一般模糊神经网络快，具有很好的适应性。
3.
First, variable structure fuzzy neural network control is adopted to design the outside controller of temperature, so it could provide the current instruction signal for the inside controller of three-phase electrode.
首先采用变结构模糊神经网络控制来设计温度外环控制器,给三相电极电流平衡内环提供电流指令信号,然后在内环控制中综合各种优化目标,构造优化目标函数,运用多目标模糊优化决策来实现整个系统的平衡。
6) Variable-structure BP wavelet neural networks
变结构BP小波神经网络
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