简介:讨论了一类递归神经网络算法的稳定性问题。给出了增广的Lyapunov-Krasovskii泛函,考虑了更多激活函数的信息。在Lyapunov-Krasovskii导函数中引入了自由权矩阵,降低了保守性,同时结合凸组合理论,处理了时变时滞,得到了以线性矩阵不等式形式的稳定性判定准则,此判定准则易于验证和推广。数值例子和仿真验证了文中方法的可行性。
简介:古人云“以史为鉴”,说的是吸取历史的经验教训,对未来的情况做出预判或者改变。生活中,亦是存在相似的利用历史数据对未来变化趋势进行预测分析的时间序列问题。本文就时间序列一类的问题进行研究,探讨如何更好地根据历史统计数据,对未来的变化趋势进行预测分析。本文基于神经网络,以气象观测历史数据作为研究的对象,建立了气温变化时序预测模型。本模型利用大数据相关技术对数据进行特征处理,通过深度神经网络,学习特征数据和标签数据之间复杂的非线性关系,从而实现对气温变化的趋势预测。实验结果表明,相较其他模型,本文的模型能够更好地进行时序预测,同时也证明了神经网络用于气象预测的可行性。
简介:研究了Hammerstein模型的辨识问题,并考虑了多输入多输出(MIMO)情况.提出一种混合神经网络辨识模型,该模型由一个多层前馈神经网络(MFNN)与一个线性神经网络(LNN)串联而成.给出了一个反向传播(BP)算法同步训练该混合神经网络的权值和阈值.仿真结果表明了该方法的有效性.