JPSTH两种修正方法的比较与分析

联合刺激后时间直方图（JPSTH）能够反映神经元之间相关性的动态改变,是神经元信号处理中常用的处理方法。原始联合刺激后直方图（rawJPSTH）只是简单描述了两个锋电位序列之间的相关性。归一化联合刺激后直方图（Normalized JPSTH）和移位修正后联合刺激后直方图是对原始JPSTH的修正。本文用多电极记录海马神经元网络信号,对JPSTH的两种修正方法进行了较为深入的比较和分析。     

岩体力学参数预测的新方法

提出了利用人工神经元网络预测岩石工程数值分析中所需的岩体力学参数的方法,其优点是神经元网络可以把岩体较多的非定量的地质描述,经过换算后作为初始参数参与运算．通过对岩体抗压强度和弹性模量的预测验证表明,预测结果与实测结果吻合较一致．     

基于高阶动态贝叶斯网络嵌入的路面异常检测算法

路面异常会给驾驶员与行人带来不便,更可能引发交通事故。提出了一种通过传感器时序信号数据进行路面异常检测的算法。针对行驶过程中采集的不同传感信号之间具有较强的高阶时序相关性的问题,通过构建高阶动态贝叶斯网络分类器来实现异常检测。首先,通过相关性分析和Granger因果分析分别构建初始时刻网络和转移网络的初始网络;然后,将传感信号进行小波分解,通过卷积神经元网络实现网络嵌入学习;最后,利用网络嵌入进行链路预测,结合MDL评分实现网络修正学习算法。实验结果表明,该检测算法相对于传统的时间序列分类方法,在分析时序相关性较大的信号数据时,具有更低的误检率和漏检率、更高的F1值,并且更加鲁棒。     

基于多聚合过程神经元网络的剩余油分布模型的研究

传统的建模方法中,无论是确定性建模方法还是随机建模方法都不能表达地质模型在时间维上的预测.建立基于多聚合过程神经元网络的时空维地质模型,能够描述储层参数在四维空间上特征和空间展布,能够有效地预测剩余油分布情况,对于油气开采具有十分重要的意义.     

基于投资者信念及神经元网络的指数预测

分析了金融学的新发展对短期定量预测技术的理论支持，基于用神经元网络预测选择变量困难的问题，提出了在价格和交易量趋势中挖掘投资者信念作为预测依据的新思路，并用上证30指数进行了预测检验，结果显示挖掘投资者信念和神经元网络结合能够产生预测能力。     

神经元网络在预测边坡地震稳定性中的应用

边坡的地震稳定性预测是一个较为复杂的问题,边坡的岩土特性、地形、地震强度、地震地质条件及降雨量的大小等因素都对其起作用。本文 试图用神经元网络的方法建立这些因素与地震稳定性的关系,并利用此关系对边坡地震稳定性进行预测。对滑坡 实例的分析表明,这种方法是有效的。     

一种基于人工神经元网络的条件分支预测算法

针对人工神经元网络学习速度较慢的缺点,提出了改进学习算法的基于人工神经元网络的条件分支预测算法.基于SimpleScalar模拟器,用SPEC95基准程序对改进的方案进行了性能评估.模拟测试表明,在学习初期,相比传统人工神经元网络预测算法,改进的分支预测算法能使预测失效率降低1%~2%,而在稳定期,可获得同等的预测精度.     

一类描述五分Cantor集的拟移位映射

在单边符号空间上构造了一类拟移位映射,证明了它与通常的移位映射σ拓扑半共轭,得到这类映射具有连续性和在Li-Yorke意义下的混沌性,并用拟移位映射描述了五分Cantor集的混沌映射.     

结合模型自学习的BP神经元网络的轧制力预报

为了改善传统轧制力模型的预报精度,首次将传统轧制力模型的自学习过程引入神经元网络用于轧制力预报·分析国内宝山钢铁集团(公司)2050热连轧机组上的精轧轧制力模型及其自学习方法,可知通过自学习后的预测轧制力具有较高的精度,为此将自学习后的模型预测轧制力作为BP神经元网络的一个输入项进行网络的训练,通过大量在线数据分析,可知这种方法对轧制力的预报精度有很大改善,而且神经元网络的结构也得到很大简化·这种方法为人工智能预测轧制力的研究提供一个新的思路·     

加权N移位算子的谱

A.D.Thatte和A.D.Joshi在[1]中对直和形式的多重加权移位算子的概念做了推广,提出了加权N移位算子的概念,本文对这种算子的谱给出了具体的构造。     

基于集成学习的交通流短时特性分析与神经网络预测方法

为揭示交通流的内在动态特性,利用分析法对交通流分形特性进行研究,表明该城市交通流序列具有长程相关性;为达到更精准的短期交通预测效果,同时提出一种基于思维进化算法(MEC)对神经网络最优初始参数的定向搜索,解决神经网络易陷入局部最优的问题;并用自适应增强算法(adaptive enhancement algorithm,Adaboost)对优化过的神经网络集成,弥补神经网络对新样本集的泛化性能差缺陷,在此基础上通过预测误差平方和倒数准则重新调整Adaboost算法对弱预测器权值分布,使每个预测器最大程度提高网络预测精度.验证结果表明,改进MEC-BP_Adaboost模型与BP模型相比,均方误差和平均绝对误差分别下降78.2％和46.4％,证明本文改进方法对交通流预测具有合理性,对不同的交通流状态具有较好的适应性.     

基于GA-BP-Adaboost模型的信用卡逾期还款风险评估研究

针对信用卡逾期还款问题,在第1阶段对持卡人是否会逾期还款进行分类的基础上,又在第2阶段对持卡人逾期时间进行了预测.考虑到单个BP神经网络模型运行结果受初始权值影响大,稳定性不好.以Adaboost方法训练若干个弱分类器和弱预测器,结合成一个强分类器和一个强预测器,完成了第1阶段对客户是否会逾期还款的评估,以及第2阶段对客户逾期还款时间的预测.最后用该方法对某银行的持卡人还款情况进行了数值实验,结果显示提出的逾期还款风险两阶段评估模型具有很高的预测精度.     

模糊神经网络的自动变速汽车换挡规律分析

在分析目前汽车自动变速器换挡规律制定方法优缺点的基础上,提出了基于模糊神经网络的最佳挡位判断方法,研究了基于Takagi-Sugeno模型的神经网络结构及其算法。根据熟练驾驶员的经验和专家知识制定了汽车自动变速器换挡规律的两参数模糊逻辑推理规则和隶属度函数,利用人工神经网络的学习训练机制并按照试验样本修正了模糊系统的隶属度函数和模糊控制规则,进行了模糊神经网络的训练和仿真,仿真结果表明该基于Takagi-Sugeno模型的模糊神经网络的汽车自动变速器换挡规律制定方法的正确性和可行性。     

增强型步长值预测器研究

研究了增强型步长值预测器.通过对传统步长值预测器的改进,可对部分重复型非等步长数据序列作出正确预测,提升性能.文中讨论了增强型步长值预测器的诸设计因素,如信心系统机制和公共子数据存储等.模拟结果表明,增强型步长值预测器能够对绝大部分适于值预测的数据序列作出正确预测.     

不等式约束增长曲线模型中线性预测的可容许性

根据线性预测可容许性的定义,利用矩阵的有关性质,得到了齐次线性预测(非齐次线性预测)在齐次线性预测类(非齐次线性预测类)中是可容许性预测的充分必要条件,推广了以往文献的有关结论.     

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。     

增长曲线模型中线性预测的泛容许性

在二次损失情况下,研究一般增长曲线模型中未来观察值线性预测的泛容许性.根据线性可预测变量泛容许预测的定义,得到了齐次线性预测和非齐次线性预测在对应的线性预测类中是泛容许预测时的充分必要条件.     

基于图论算法的脊髓损伤后大脑皮层运动区神经元网络分析

 脊髓损伤(SCI)后大脑皮层运动区神经元的功能重组对机体功能康复的影响仍然不为人知。脊髓损伤前后,对一只在跑步机上直立行走的恒河猴的大脑皮层运动区神经元信号进行记录,利用不同神经元动作电位序列间的相关系数建立神经元网络图。为了研究神经元活动模式的变化与功能康复之间的联系,利用图论算法计算了神经元网络图的全局效能指标和神经元脆弱性指标。结果显示,不同时期神经元活动模式的显著变化意味着运动区神经元的功能重组(神经可塑性)与脊髓损伤后猴子的功能康复状态紧密相关,且这种神经功能重组对于猴子步行功能的康复起了非常重要的积极作用。     

基于扰动跟踪的Smith预估器

在讨论了Smith预估器优缺点的基础上,提出了一种修正的Smith预估器．该预估器引入闭环反馈控制,结构简单,且能跟踪扰动．对含有积分环节的对象,进行了仿真．仿真结果表明,模型匹配时具有同Smith预估器同样的效果：当模型不完全匹配时通过校正,使得系统的工作更加稳定．     

多水平多维IRT模型在学业质量监测中的应用

用多水平多维IRT(ML-MIRT)模型对学生学业情况进行分析,进而拓宽该模型的适用范围.首先采用不包含任何预测变量的零模型对项目参数和学生参数进行分析,然后使用包含学生预测变量的ML-MIRT模型分析2个预测变量对学生学业能力的影响.研究结果表明:试题的难度基本上贯穿了整个能力量尺,试题也具有较好的区分度,3个能力维度的跨级相关系数均达到了显著性水平,父亲的受教育程度对学生的3个能力维度均有显著影响,而母亲的受教育程度无显著影响.因此,编制的测验较为合理,ML-MIRT模型适用于监测学生学业水平,父亲的受教育程度对学生学业水平有着重要影响.