基于概念联想网络的网页预取模型

提出一种基于概念联想网络的网页预取模型，挖掘用户访问模式中蕴含的概念间联想模式，结合在线学习和离线挖掘两种方式，建立面向用户的概念联想网络，并基于概念联想网络实现网页预取评价。模型对网页进行概念层次的分析，提高了预取的准确性，实现了基于语义的客户端网页预取。     

基于协同神经网络人脸信息联想记忆算法

根据序化动力系统模型(ODSM),通过KPCA分析实现数据降维和增加人脸模式的可分性,给出了一种基于协同神经网络和KPCA的人脸图像视觉信息联想记忆(VIAM)算法。实验结果表明本文给出的方案可以针对输入特征激励完成对输入模式的联想。     

一类学习联想神经网络的动态特性研究

本文讨论了一类联想神经网络在学习新的模式过程中，结构变化引起网络平衡点状态变化的动态特性；分析了联想过程中输入激励在噪声干扰情况下网络的抗噪性能，得到一些对于研究联想神经网络学习性质有用的结论。     

联想神经网络的风速序列预测分析

为了提高风速序列预测的可靠性,针对具有混沌特性的风速序列,构造了一种用于风速序列预测的联想网络。以风速序列的波动性作为相似性测度准则,构造联想网络的存储样本模式,根据存储模式中蕴含的关联信息完成网络的无监督学习,从而完成具有自相似性的风速序列的一步或多步预测分析。与传统前向型神经网络相比,该网络预测机理明确,预测结果唯一,且可一次给出多步预测结果。仿真实验结果表明,该网络的具有良好预测性能,适用于风速序列的动态预测。     

一种混合模糊联想记忆网络

本文改进了Ｋｏｓｋｏ．Ｂ提出的最大最小联想记忆网络的模糊Ｈｅｂｂ关系编码规则,给出了一种新的学习算法,新算法克服了Ｋｏｓｋｏ．Ｂ算法的缺陷,在一定条件下,本文的学习算法能将模式对完整地联想出来．另外,本文在分析网络的容错性及稳定性的基础上,提出了一种五层混合模糊联想记忆网络,五层混合网络具有良好的联想容错能力．实验结果表明,本文的学习算法及混合网络是有效的．     

基于海马CA3区的序列联想记忆模型及应用

通过对人脑海马CA3区联想记忆功能的分析,提出了一种联合使用自联想网络和异联想网络的方法,并设计了具有类海马CA3区生理功能的序列联想记忆模型(SAM).针对所建模型,进行了两类测试实验,测试结果表明该序列联想记忆模型不仅可对不完整记忆模式进行修复,并且可实现不同记忆模式相互转化的动态联想记忆过程.序列联想记忆模型为研究特定过程中个体不同记忆模式的序列化和动态转化过程提供了建模支持.     

基于小波和非线性含输入自回归模型的系统辨识算法

提出了一种结合小波理论和非线性含输入自回归(NARX)模型的系统辨识新算法．该算法利用小波函数有效的逼近能力避免了应用NARX模型系统辨识时确定模型结构的复杂过程，消除了通常小波网络辨识算法由于输入变量之间可能存在巨大差别而引入的严重失真，构成了一个通用、有效、不依赖于系统先验信息的非线性辨识框架．两则数据仿真表明，对于高度非线性系统，该算法可使系统估计的均方误差减少60％以上．     

基于匹配滤波模型神经网络在数控机床故障诊断中的应用

为了改善双向联想记忆(BAM)神经网络的性能,提出了一种修正模型.该模型能增强神经网络的记忆容量和容错联想能力,具有渐进稳定的特征,并且改进了网络平衡状态的稳定性和吸引性能.理论分析和实验结果证明,这种修正模型不仅能正确完成数控(CNC)机床的故障诊断,而且对于存在干扰的输入信号序列具有很好的容错联想能力.     

基于启发式退火拓扑择优机制的稀疏联想记忆实现

借鉴统计物理学中的“退火”概念，针对已有稀疏互联联想记忆模型中只考虑网络连接随机稀疏方式，缺乏面向特定模式存储任务的确定性操作，使用非平衡态统计分析方法，讨论了有限代谢能量资源约束下的网络结构最优稀疏原则，给出了相应的理论推导.在此基础上，研究了面向特定学习任务的网络稀疏结构自适应方法，构建了基于启发式退火拓扑择优机制的稀疏联想记忆模型.实验表明，该模型既具有一定的生物学基础，维持了网络结构广泛稀疏互联的特性，又能在网络资源受限条件下达到最优联想记忆性能，符合神经生物系统本身自组织、自学习的特点.     

汽轮机在线性能分析BP神经网络模型

为了提高汽轮机在线性能分析系统的健壮性、精确性和抗干扰能力，对BP网络算法进行拓展，增强其网络功能。使之能够分析网络输入参数偏差对输出参数的影响，建立了一种新的汽机在线性能分析模型．与常规在线分析模型相比，该模型只需常规模型输入参数个数的1/5，大大减小了测量设备损坏对在线系统的影响；而且该模型分析结果精确、可靠，测定的热耗结果与常规分析结果误差不超过1％．另外，该模型容错性能良好，参数在2％内波动对分析结果无太大影响．     

延时FitzHugh-Nagumo神经网络的时空编码

为更接近真实神经系统,考虑具有延时的FitzHugh—Nagumo神经元组成的神经元网络,发现其并不是单个发放而是簇状发放,有利于模式的时间分割．给定一个输入模式,它是几种模式的叠加,网络能够以一部分神经元同步簇放电的形式一个接一个地分割出每一种模式．如果输入的模式是缺损的,系统能够按记忆的模式恢复,即网络具有联想记忆功能．     

基于多任务学习的行人重识别特征表示方法

作为一种跨摄像头的检索任务,行人重识别会受到不同相机视角造成的图像样式变化的影响。近年来,许多算法通过神经网络直接从原始输入图片中学习相应特征,虽然这些特征能够很好地描述全局行人,但忽略了许多局部细节信息,在复杂的场景下容易出现误识别。针对此问题,研究了一种基于多任务学习的新的特征表示方法,采用成对输入的孪生网络结构,将局部最大出现特征(local maximal occurrence,LOMO)和深层特征一起送入网络并映射到单一的特征空间中进行训练,形成一种新的网络模型TDFN(traditional and deep features fusion network)。利用神经网络自我学习特性,联合多个任务的损失函数更新网络,使得深层特征学习到更多与手工局部特征互补的细节信息。实验表明,新特征的平均精度mAP和Rank-1精度都优于直接从孪生网络提取的全局描述子。     

Chinese word segmentation with local and global context representation learning

A local and global context representation learning model for Chinese characters is designed and a Chinese word segmentation method based on character representations is proposed in this paper.First,the proposed Chinese character learning model uses the semantics of local context and global context to learn the representation of Chinese characters.Then,Chinese word segmentation model is built by a neural network,while the segmentation model is trained with the character representations as its input features.Finally,experimental results show that Chinese character representations can effectively learn the semantic information.Characters with similar semantics cluster together in the visualize space.Moreover,the proposed Chinese word segmentation model also achieves a pretty good improvement on precision,recall and f-measure.     

市场环境下发电公司的动态学习与市场猜测均衡

提出了基于猜测供给函数模型的发电公司动态学习模型，用于分析和预测重复博弈的不完全信息电力市场环境下发电公司潜在的市场力．各发电公司根据公布的前阶段市场运行数据动态地调整其微增响应猜测，使之能够准确反映所有竞争对手相应于市场结清电价单位变化时所愿意引起的出力变化，从而动态调整提交的供给函数以获得短期最大利润．算例分析表明，发电公司动态学习有利可图；经过各发电公司动态学习并不断调整优化猜测供给函数将引导市场最终达到一猜测均衡结果．     

藏文编码输入及其规范研究

研究科学、合理的藏文输入方案,使输入法易学、易用、快速和规范是至关重要的.文章强调藏文不“编码”的编码输入表明一种思想:我们不能孤立地讨论编码.藏文拉丁字母转写是一种自然的编码方式,拉丁字母转写转换为藏文的输入不仅在易学、易记、快打、规范以及四者的统一方面有潜力可挖,而且对信息时代的语言规范性研究也有重要意义.     

基于递归长短期记忆网络和镜头序列注意网络的视频摘要生成

为解决基于长短期记忆网络LSTM的视频摘要生成方法当输入序列过长时LSTM网络中的记忆单元不能集中在长时间序列的跨度上。通过深度学习的方法研究了一种基于递归长短期记忆网络(ReLSTM)和序列注意(SSA)的视频摘要生成模型用以提高深度学习网络学习时序特征的能力。该模型使用ReLSTM网络提取时间特征。同时,利用SSA动态调整每个视频序列输入到ReLSTM网络中的特征权重。结果表明：在数据集TVSum上F1-score平均提高2.5%,最高提高0.2%。在数据集SumMe上F1-score平均提高7.8%,最高提高3.4%。可见该方法能有效地学习镜头之间的时序特征。     

人工神经网络在ATM链路容量控制中的应用

研究人工神经网络（ＡＮＮ）在异步转移模式（ＡＴＭ）链路容量分配中的应用，设计了神经网络预测器以解决ＡＴＭ链路容量分配中的困难。与其它方法相比较，该方法不需对网络进行复杂的数学分析，借助足够的学习样本，即可自动学习输入和输出之间的关系，预测网络性能。文中分别采用呼损率和链路利用率两种优化目标进行计算机模拟，结果表明该方法能正确完成容量分配，并且易于实现和推广。     

量子神经网络在心电图分类中的应用

将量子叠加的概念引入前向神经网络,提出了量子神经网络的计算模型.量子神经网络分类器是将量子迁移(量子间隔)概念引入前向神经网络,在隐含层和输出层借鉴量子理论中的量子迁移(量子间隔)思想,神经元采用多个激励函数的叠加,形成对特征空间的多级划分,在训练过程中,量子神经元能够根据需要伸展或坍塌.当输入模糊信息时,该算法可以学习数据集中的不精确性或不确定性,具有较高的分类精度.将该算法应用于心电图诊断中,结果表明具有较好的分类效果和较快的训练速度.     

利用系统调用序列检测入侵的一种新方法

提出了一种使用系统调用序列检测入侵的新算法．算法利用了一种称为权值树的数据结构，首先使用正常权值树序列生成权值树森林，为了学习新的模式和消除杂质，权值树还可以被定期修剪．然后扫描异常调用序列，通过权值树得到对应的权值序列，这些权值序列能够显示是否出现了异常．实验取得了理想的结果．     

基于专家系统的变电站监控信号智能处理系统

为了减轻变电站运行人员的工作负担,辅助故障快速判断,提高运行人员技术水平,在深入总结变电站异常和故障类型的基础上,构建了一个多层次的故障推理模型,结合网络拓扑技术,实现了一个基于专家系统的变电站监控信号智能处理系统.系统的监控信号分析处理功能全面,快速定位机制确保值班员能迅速确定故障信息所在间隔,能准确报告变电站主要故障,并结合专家知识库出具故障报告,提供故障处理指导.系统具备故障模拟及培训功能.该系统在变电站实际应用中取得了良好的效果.