1) Fourier neurons
傅立叶神经元
1.
The concepts of Fourier neurons and Fourier neural networks and firstly proposed.
定义了傅立叶神经元与傅立叶神经网络,将一组傅立叶基三角函数作为神经网络各隐层单元的激合函数,设计出一类单输入单输出三层前向傅立叶神经网络与双输入单输出四层前向傅立叶神经网络,以及奇、偶傅立叶神经网络,基于三角函数逼近论,讨论了前向傅立叶神经网络的三角插值机理及系统逼近理论,且有严格的数学理论基础,给出了前向傅立叶神经网络学习算法,通过学习,它们分别能逼近于给定的傅立叶函数到预定的精度。
2) Fourier neural network
傅立叶神经网络
1.
A method which combines rough set and Fourier neural network was presented in this paper.
提出了粗糙集和傅立叶神经网络相结合的方法,进行粗糙集布尔逻辑离散化,并在此基础上求取初始隶属函数,以提高隶属函数准确性;再使用傅立叶神经网络进行诊断网络训练。
2.
Friction at low velocity influence the control accuracy of servo system,a friction observer based on Fourier neural network that can estimate friction torque well is presented,and the friction compensation for the position loop of the angular table is carried out.
针对角振动台在低速运行时摩擦对控制精度的影响,给出一种傅立叶神经网络观测器,实现了对摩擦转矩的精确估计,并在此基础上对角振动台位置单闭环系统进行摩擦补偿,仿真结果表明,这种基于傅立叶神经网络观测器的补偿器可以大大改善角振动台加速度波形。
3) Fourier neural networks
傅立叶神经网络
1.
Using BP neural networks and the Fourier neural networks which was proposed in this paper,the fermentation time model and the optimization fermentation temperature model is proposed.
以提高间歇式微生物发酵的产品得率为目标 ,利用BP神经网络和本文提出的傅立叶神经网络 ,提出发酵过程的发酵时间模型和最优发酵温度模型 ;在此基础上 ,提出了针对不同生产批次采用不同的最优发酵温度的新方法 ,此方法使不同生产批次的发酵过程都可以在适合其自身的最优的发酵温度下进行发酵 ,从而提高发酵生产的得率。
2.
The concepts of Fourier neurons and Fourier neural networks and firstly proposed.
定义了傅立叶神经元与傅立叶神经网络,将一组傅立叶基三角函数作为神经网络各隐层单元的激合函数,设计出一类单输入单输出三层前向傅立叶神经网络与双输入单输出四层前向傅立叶神经网络,以及奇、偶傅立叶神经网络,基于三角函数逼近论,讨论了前向傅立叶神经网络的三角插值机理及系统逼近理论,且有严格的数学理论基础,给出了前向傅立叶神经网络学习算法,通过学习,它们分别能逼近于给定的傅立叶函数到预定的精度。
4) Fourier component neural network
傅立叶组件神经网络
5) neural network with Fourier basis functions
傅立叶基函数神经网络
补充资料：傅里叶级数与傅里叶积分
傅里叶级数与傅里叶积分
Fourier series and integrals
傅里叶级数与傅里叶积分(F ourierse-ries and integrals) 傅里叶级数与傅里叶积分是研究周期现象的数学工具，它在波(例如光波和声波)的运动、振动力学系统(例如振动的弦)和天体轨道理论中是必不可少的。傅里叶级数及下面将要讨论的有关论题，在其他数学分支中有着重要的应用，其中特别值得提出的是概率论和偏微分方程。这个课题本身所促成的一些学科在纯数学的研究中也占有突出的位置。 单实变量函数f有周斯T，如果对每个t，有f(t+T)一f(t)。具有给定周期T的函数的最简单例子是简谐函数，即形如f(t)=aneosn叫+占。sin明的函数，其中。2二T一’是基频，a。，b。是常数。傅里叶级数的应用，其基本思想是:任意满足相当宽的条件且周期为T的函数f能够表为如下式所示的一些纯简谐函数的叠加: f(‘)一艺(a。eosn。:+。。sinn。‘)，(1)或者利用复指数表为如f(‘)一艺c。e一(2)所示更为方便的形式。 假定式(2)逐项积分是合法的，则通过简单的计算表明，式‘一T一‘}f(t)。一‘”“dt(3)(积分区间可以是长为T的任意区间)成立。由此可诱导出傅里叶级数的正式定义。假设f是使得积分睽一f(‘’1“‘(4)存在且为有限的周期T的函数，由式(3)定义的系数{‘)是f的傅里叶系数，而式(2)中的级数是f的傅里叶级数。这些系数唯一地确定函数.即若对每一n有‘二一。，则f本质上是零函数。此外，还可以证明，许多对于函数的形式运算，施加到级数逐项进行仍是正确的。由此立即引出两个重要的问题。设s、(，)一名e，了一(5)是f的傅里叶级数的第N个部分和，第一个问题是当N趋于co时:斌t)是否收敛于f(t)?第二个问题是给定了一个序列(c。}，它是否为某一函数的傅里叶系数序列? 一个连续函数的傅里叶级数不一定处处收敛。如果t0是一给定点，sN(t。)趋于f(t。)的收敛性依赖于f(t)在t。的邻域内关于t的性态。然而，如果我们取平均的部分和a、一(N+1)一，习s，，(6)则对于连续的f，将一致地有如“f。仅仅知道傅里叶级数的普通收敛性，在应用上并不重要。由于计算上的目的.必须知道一些有关收敛速度的知识。下面的论述这个问题的定理的例子:假设}df/dt}(M处处成立，则有}，(，)一(‘)，、六M(N+1)一。 黎曼一勒贝格引理断言，若{c。}是一个可积函数的傅里叶系数序列，则当n~士二~时伽~。。但逆命题不真，即并非系数趋于零的所有三角级数艺二‘““(7)都是傅里叶级数。
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