基于深度学习的心血管血流动力学参数反演

考虑现有血流动力学参数反演方法在实际应用中存在计算量大、迭代易发散等问题,提出一种新的基于深度学习的心血管血流动力学参数反演方法.首先建立一维-零维耦合的多尺度血流动力学模型;随后基于卷积神经网络和全连接神经网络提出一种用于参数反演的混合多源输入深度网络模型;针对测量波形中的噪声干扰问题,提出一种同时利用多个深度网络的...     

一种新的基于梯度动力学的协同神经网络学习算法

在研究协同神经网络梯度动力学过程的基础上，针对学习过程收敛速度缓慢的缺点，介绍了一种改进的基于梯度动力学的协同神经网络学习算法。该算法分析了非平衡注意参数对学习过程的影响，简化了初始伴随向量的选取；并引入最优化理论，将该问题归结为求解非线性最优化问题，提出了适时地用共轭梯度法代替梯度下降法的算法，加快了学习过程的收敛。通过对标准人脸图像库的图像识别实验表明该算法较之其他学习算法有较高的识别率，并能较快地收敛到极小值。     

基于过程神经网络与气动热力参数的航空发动机状态监视

采用前馈过程神经网络方法预测发动机排气温度，讨论了网络输入输出参数的选择问题，基于正交基函数简化了前馈过程神经网络的聚合运算，提出了从前馈过程神经网络向传统前馈神经网络网络模型的转化方法，基于传统前馈神经网络先验知识给出了学习算法，进行了网络训练及仿真，取得了满意的结果。     

新的组合激活函数BP网络模型研究

作者提出了一种新的BP神经网络模型，其隐层激活函数采用中心参数可调的Gaussian函数，输出层采用斜度可调的Sigmoid函数，从而神经元具有了更强的信息存储、处理能力。由于采用组合函数，将Gaussian函数良好的局部性和Sigmoid函数良好的全局性相结合，提高了神经网络的收敛速度。几个典型实验的结果表明，与传统BP网络模型相比，新网络模型在学习能力和泛化推广能力方面都有明显提高。     

基于神经网络的复杂工业过程参数设定值计算

针对目前复杂工业过程参数设定值计算模型存在的问题，研究了神经网络与传统数学模型相结合的组合建模方法，重点讨论了该方法在带钢热连轧生产过程参数设定值计算中的实际应用。3年来的生产实际运行结果表明，神经网络的成功应用为热连轧厂进一步提高产品质量和自动化水平创造了有利的条件。     

基于自构建RBF神经网络的内模控制

针对复杂的非线性被控过程,本文提出一种基于自构建RBF神经网络的内模控制方法。该方法中,神经网络的自构建学习算法包括结构学习和参数学习。结构学习采用最近邻聚类法使网络能够自适应地在线增加和删减神经元以达到理想的网络结构。神经网络的参数学习采用梯度下降法。将该神经网络用于内模控制,使得辨识被控远程内部模型和控制器模型的神经网络的神经元个数可以根据激励强度动态改变,进而改善了控制系统的动态性能和鲁棒性。仿真结果表明了所提方法的有效性。     

基于超闭球小脑模型的系统建模及其校正

为了克服神经网络建模在工程应用中的不足，利用超闭球小脑模型（HCMAC）神经网络所具有的结构简单、学习收敛速度快、泛化能力强等优势，提出了基于HCMAC的非线性动态系统建模原理。分析了建模误差产生的原因，给出了基于误差校正率的神经网络模型多步在线校正策略，采用通过实时扩展模型学习样本空间和基于模型误差可信度的模型参数修正方法训练模型，以跟踪实际动态过程。仿真实验证明：上述方法可有效地减小由于样本精度不高和在模型输入空间中的分布不均匀所带来的初始模型误差，同时可实时适应非线性动态过程工况的变化。     

基于自构建小波神经网络的内模控制

针对非线性被控过程,提出了一种自构建小波神经网络内模控制方法,自构建神经网络算法包括结构学习和参数学习。结构学习过程中,采用相似性度量法来确定是否需要增加新的小波基以满足辨识需求,根据小波基对网络输出的影响程度判断是否需要删除该小波基,参数学习采用自适应调节步长的梯度下降法以提高学习速率。将该神经网络与内模控制相结合,使得辨识被控过程内部模型和控制器模型的神经网络能够动态决定小波基的个数,进而改善了控制系统的动态性能和鲁棒性,仿真结果表明了所提方法的有效性。     

基于聚类分析和神经网络的高炉焦比预测模型

为降低高炉生产焦炭的消耗,对高炉操作参数和燃料比指标进行关联性分析,提出了一种组合聚类分析与神经网络进行高炉焦比指标预测的方法。聚类分析将数据集聚划分为几类,数据的相似度比较高,分类训练相应的神经网络模型,实现高炉焦比指标的预测。结合聚类分析构建的神经网络模型,用某高炉生产数据进行仿真学习,并跟传统的神经网络模型进行比较。结果表明,加入聚类分析的神经网络模型平均绝对误差降低3.13 kg/t,平均相对误差降低5.19%。     

基于聚类分析和神经网络的高炉焦比预测模型

为降低高炉生产焦炭的消耗,对高炉操作参数和燃料比指标进行关联性分析,提出了一种组合聚类分析与神经网络进行高炉焦比指标预测的方法.聚类分析将数据集聚划分为几类,数据的相似度比较高,分类训练相应的神经网络模型,实现高炉焦比指标的预测.结合聚类分析构建的神经网络模型,用某高炉生产数据进行仿真学习,并跟传统的神经网络模型进行比较.结果表明,加入聚类分析的神经网络模型平均绝对误差降低3.13 kg/t,平均相对误差降低5.19%.     

机器人动力学模型的BMAC多网络模拟

采用多个高阶脑模型控制器ＣＭＡＣ，即多个ＢＭＡＣ网络模拟机器人动力学模型；重点讨论了网络结构及其参数Ｍ１和Ｇ的确定，学习样本的产生方法；并在此基础上，研制了计算机仿真软件，对实例进行了成功的仿真实验。     

自适应神经网络及其在刀具智能监控中的应用

讨论了神经网络的拓扑结构的学习和神经元激活函数等问题,提出了自构形神经网络的概念和算法,较好地解决了隐节点数目选取问题.将自适应神经网络用于刀具加工状态智能监控的信号融合之中,取得了满意的结果.     

神经网络紧凑集成模式

在分析现有神经网络集成构造过程的基础上，提出了一种神经网络紧凑集成模式，集成中成员网络的训练和网络组合权重的优化在同一个学习过程中进行，各参数的调整以提高集成泛化性能为目的．与现有神经网络集成模式相比，集成构造过程更加紧凑，它将个体网络生成阶段与结论合成阶段合二为一，并且网络之间的信息交互建立在实时动态的集成结构基础上，保证了成员网络训练与结论合成之间信息传递的始终一致性．为验证该模式的有效性及优越性，采用4种典型的分类数据集对神经网络紧凑集成模式与CNNE、Bagging、Boosting等现有的集成模式在泛化性能上进行了比较，结果表明神经网络集成模式在测试数据集上的错误率降低了8％～16％．     

基于组合神经网络的教师评价模型研究

本文提出的基于组合神经网络的教师评价模型,可以弥补以往基于神经网络的教师评价模型的不足,不但可以给出教师的综合得分或所属类别,还可以给出教师在每个方面的得分.所使用的组合神经网络,由多个结构相同的BP神经网络组成;用构建的组合神经网络和传统BP神经网络分别进行实验.仿真实验表明,该模型相对误差较小,可以满足评价需求.     

深度学习在图像识别中的应用

深度学习通过建立深层神经网络来模拟人脑进行分析、学习和解释数据,被广泛用于图像识别领域.首先,简述了深度学习在图像识别中的研究现状;其次,介绍了卷积神经网络、深度置信网络、循环神经网络和生成对抗网络等几种常用于图像识别领域的深度学习网络模型;然后,从人脸识别、动作识别、跌倒检测等方面,论述了深度学习在图像识别领域的典型应用;最后,探讨了该领域的研究难点及发展前景.深度学习可以从不同的图像中自动提取相似的特征并进行分类,识别率高,鲁棒性强,推动了人工智能背景下图像识别的发展.无监督学习、对抗网络等将成为深度学习领域的热点.     

非线性系统定阶的神经网络方法

前馈型神经网应用于非线性系统辨识的一个问题是确定系统阶次。采用前馈神经网进行非线性系统定阶与神经网的推广性问题密切相关。ＯＬＳ算法是构筑径向基神经网的一种学习算法，但是采用ＯＬＳ算法构筑神经网存在推广性问题。ＲＯＬＳ算法将ＯＬＳ算法与正则化（ｒｅｇｕｌａｒｉｚａｔｉｏｎ）方法相结合，以提高算法的推广能力。本文将基于径向基网的ＲＯＬＳ算法应用于非线性系统定阶。本文对提出的方法进行了仿真研究，结果验证了方法的有效性。     

混凝土三轴循环本构关系的神经网络模拟

利用BP神经网络的模拟能力代替传统的力学方法，对混凝土材料的循环本构关系进行了模拟研究．首先回顾了此类模型的研究进展和构造方法。然后直接从试验数据出发，建立了混凝土三轴受压循环比例加栽条件下的本构模型．试验结果和模拟结果的比较说明，该模型具有较高的精度和良好的泛化能力．本研究结果进一步说明神经网络模型适合于描述多影响因素的非线性复杂因果规律，为研究材料本构特性提供了一条新的途径．     

基于神经网络的机器人运动模型辨识及实验验证

为提高机器人模型辨识时神经网络的学习速度，改进得到一种新的神经网络拓扑结构——状态延迟输入动态递归神经网络．以德国PowerCubeTM模块化机器人为研究对象，将机器人关节位置信息和OPTOTRAK 3020三维运动测量系统测得的机器人末端位置信息作为神经网络的学习样本，对包含各种影响因素的机器人运动模型进行了辨识．并以此模型为基础，输入验证样本进行验证，所得结果及误差分析说明了该神经网络在学习能力上的优越性及辨识模型的有效性．     

模糊反向传播算法及其收敛性

针对S.Stoeva提出的基于相同样本及网络输出的模糊神经网络模型,通过对基于极大-极小模糊算子的模糊神经网络模型的研究,证明了其与S.Stoeva提出的网络模型的等价性.在此基础上提出了依赖于模糊逻辑神经元输出的调整模糊权值的模糊反向传播学习算法,并进一步研究了其收敛性.最后以汽轮发电机组的状态监测为例进行仿真分析.结果表明:在网络输入神经元满足样本输出介于样本输入的极大与极小之间时,所提出的模糊反向传播学习算法是收敛的.     

基于Volterra基函数网络的自适应逆控制方法

提出了一种基于Ｖｏｌｔｅｒｒａ基函数（ＶＰＢＦ）网络的非线性系统自适应逆控制方法。对象和逆控制器各用一个ＶＰＢＦ网络表示,应用正交最小二乘算法进行离线网络结构确定和权值初始化,构造了一种动态归一化非线性最小均方（ＤＮＮＬＭＳ）权值更新算法,以进行网络权值的在线学习。仿真结果表明,该方法具有算法简单、学习速度快、鲁棒性能好等优点。