针对传统神经网络优化算法易陷入局部最优值的问题,在标准粒子群算法的基础上,对粒子速度与位置更新策略进行改进,提出一种基于改进粒子群优化算法的BP神经网络建模方法.使用sinc函数、波士顿住房数据及某钢厂带钢热镀锌生产的实际数据进行验证.结果表明,与标准的反向传播神经网络和支持向量机相比,基于改进粒子群优化的神经网络模型可以有效提高预测精度

第一节 神经网络概述 第二节 人工神经网络的基本概念 第三节 感知器 第四节 BP神经网络 第五节 神经网络控制

Ø 中枢神经元的联络方式 Ø 神经元的电活动 Ø 神经信号的突触传递机制 Ø 神经递质与受体 Ø 脑电活动

神经元 突触 神经胶质 神经纤维 神经末梢

第一节 神经元 第二节 突触 第三节 神经胶质细胞 第四节 神经纤维 第五节 神经末梢

14.1 生物神经元 14.2 人工神经元模型 14.3 多层感知器神经网络 15.1 神经网络的学习能力 15.2 误差回传算法

讨论一种动态神经网络——Elman回归神经网络的结构和算法.基于这一网络结构提出了非线性时变工业对象——直流电弧的神经网络建模方法,并与用其他方法为对象建立的模型进行了比较,结果证明回归网络模型能够很好地适配该工业对象,显示了动态神经网络在工业对象建模中的良好应用前景

第一节 神经元与神经胶质细胞的一般功能 第二节 突触和接头传递

➢ 神经细胞的发生、增殖过程； ➢ 神经细胞的迁移过程； ➢ 神经细胞的分化； ➢ 神经系统功能的建立

实现了神经元在线参数自学习功能,利用神经元控制器及滞环比较器、智能功率模块实现了基于神经元控制器的交流伺服系统。由仿真和实验结果,可以看出神经元控制器具有较强的自适应性及鲁棒性