（1）高维空间几何求解复杂神经网络行为的理论方法

提出了高维空间点分布的几何分析法和仿生形象分析理论，通过高维空间点分布的几何概念与精确数字计算相结合，为最具有计算复杂度的高维信息处理问题提供了新方法，使复杂神经网络行为的分析、研究变得直观清晰，在生物特征鉴别、数据特征提取、矢量维数压缩等类脑神经网络技术研究方面都有很好的实际成果。

（2）优先度排序神经网络（PONN）结构

在PONN结构中，各神经元有不同的优先度，按优先度高低来确定对网络输出的决定权。PONN结构大大简化了神经网络的学习算法，使神经网络学习时间比国际上传统使用的BP算法缩短2个数量级，而且完全克服了学习过程中可能出现的不收敛问题，使人工神经网络从以往的“黑盒子”似的概念，走向一般工程技术的“可设计”方向。

（3）“多权值”神经元模型

使单个神经元具备多个神经元功能，能够实现多维空间的非线性映射，解空间更加丰富，在解决相同复杂性问题时，可大幅度减少所需神经元数量，为恶劣环境下的物理信息感知提供了一种有效地解决途径，特别适合工业生产、自动化控制中的海量、含错、非完整、不精确类数据处理问题。

成果转化合作联系方式

电话：010-82304555