Job-shop的实时调度

利用神经网络和启发式分派规则设计了一种Job—shop的实时调度算法，该算法首先在离线时用遗传算法训练神经网络得到调度的启发规则，在加工开始时根据一些动态特性对要执行的工件操作进行模糊分类，然后再根据启发规则对分类后的操作进行在线调度．基于这种算法，用模糊神经网络设计了一个Job—shop实时调度器，最后结合实时调度和重调度问题进行了仿真．通过与FIFO与LR(Lagrangian Relax)的比较，证明提出的算法是高效和可行的．     

多种连接模型的忆阻神经网络学习

忆阻器以其独特的非易失性、天然的记忆功能以及纳米级尺寸,在人工神经网络、信号处理和模式识别等方面展现了巨大的应用前景。采用了基于STDP学习规则的忆阻神经网络,运用了网络自适应突变以及网络拓扑结构变化的基因算法,其中包括隐藏层神经元个数,连接权重以及神经网络突触模型的变化。比较了基于HP线性忆阻器模型,非线性忆阻器模型以及阈值模型这3种不同忆阻器模型的忆阻神经网络,并提出了学习效果更好的混合型忆阻神经网络。     

一种气体传感器阵列检测模式识别新方法

针对气体传感器阵列检测模式识别方法中BP神经网络收敛速度慢且易陷入局部极小值的问题,构建了一种免疫神经网络:采用免疫算法对BP神经网络的权值进行全局搜索优化,再用BP算法进行局部搜索,并将其用于传感器阵列信号模式识别中。采用正交试验法设计神经网络的学习样本,在保证神经网络学习精度的同时减少了样本的数量。结果表明,该模式识别方法能有效解决气体传感器的交叉敏感问题,克服了传统BP神经网络存在的不足,提高了网络的训练速度和气体的检测精度。     

过程神经网络的训练及其应用

研究过程神经网络的学习算法及其在过程模式识别中的应用。针对权值基展开的过程神经网络讨论了权值基的选取规则和对采样曲线的标准化处理问题,给出了含一个隐层的过程神经网络的误差反传播学习算法。以聚合化学反应和渗流实验两个具体实例验证了算法的有效性,也说明了过程神经网络的广泛应用前景。     

基于HHO-CNN的轴承故障诊断方法研究

轴承是传动系统重要的支撑部件，也是整个系统的薄弱环节，卷积神经网络(convolutional neural network, CNN)强大的特征提取和学习能力为轴承运行状态模式识别提供了可能性.针对CNN处理多分类模式识别过程中，由超参数问题引起的准确率低、收敛速度慢等问题，提出了一种基于哈里斯鹰优化(Harris hawks optimization, HHO)算法优化的CNN分类模型.首先，对不同故障类型和故障程度轴承故障数据集进行划分，初始化CNN模型参数；然后，使用HHO算法对CNN模型的超参数空间进行优化，计算适应度值并获取全连接层的单元数量和迭代次数；最后，利用优化后的CNN模型对轴承数据集进行模式识别.通过不同故障类型和故障程度轴承实验数据验证，表明HHO-CNN模型可以使得全连接层的单元数量和迭代次数迅速收敛，及时准确调整CNN的网络参数，提升分类器的性能，提高了故障模式识别准确性，增强了模型的稳定性.     

基于联想记忆的Hopfield神经网络的设计与实现

介绍了反馈型神经网络Hopfield网络的定义、原理、模型和基本学习规则,并构造了一个用于联想记忆的Hopfield神经网络模型.对实验结果进行分析、比较,实验结果表明:Hopfield神经网络用于数字识别是可行、有效的;该方法较传统神经网络能提高网络的记忆能力和数字识别的正确率;该方法有别于以往的BP神经网络的模式识别,结合一些优化算法,如遗传算法,能对Hopfield神经网络的联想记忆稳态进行优化,增强神经网络的联想记忆能力.     

基于AdamOptimizer自编码的手写数字识别研究

介绍自编码神经网络的基本原理,并将自编码神经网络应用于手写数字识别中。实验中采用手写体数字库MNIST作为数据源,通过实验结果表明自编码神经网络在手写数字识别中能达到很好的识别效果。经过优化器为AdamOptimizer与RMSProp Optimizer比较发现不同优化器所获得的识别效果不同,优化器为AdamOptimizer的识别效果比优化器为RMSProp Optimizer的识别效果更好一些。由于隐藏层为3层出现的过拟合情形,带来了识别效果不如隐藏层为2层的神经网络。通过调节参数可以使得cost值继续减小,效果达到更优。     

一种物联网中元策略学习传输模式识别技术研究

分析了一种物联网中元策略学习传输模式识别方法 .采用阶段式元学习（ML）神经网络构成元学习器,利用数据增强（DA）技术对图像进行预处理,决策验证等多个模块被用于协作识别,能够有效地抵抗恶劣环境对信号造成的影响.理论分析和仿真结果证明了该调制模式识别方法的有效性.     

基于卷积脉冲神经网络的故障诊断方法研究

深度学习为轴承故障诊断的智能化发展提供了新思路。本文从类脑计算角度出发，设计一种对轴承数据敏感的脉冲神经网络来完成故障数据分类任务。首先采用信号分解的方式提高原始信号特征提取效果，然后对故障信号进行脉冲编码，并采用多分量混合输入方式填充时间步作为神经网络的输入，最后采用卷积脉冲神经网络(SCNN)进行故障分类。为了验证该模型的分类效果，采用西储大学轴承数据集进行验证，分类准确率达到了99.78%。结果表明该轴承数据编码方案可以充分发挥脉冲神经网络时空动力学特征，且该脉冲神经网络模型在轴承故障诊断问题上具有高精度、高效率的特性。本研究有利于促进脉冲神经网络在故障诊断领域的研究和应用。     

一种基于粗糙集和遗传神经网络的数据分类器模型

为了实现对无线传感器网络监测得到的高维冗余且不确定的数据进行分类识别,提出一种由遗传算法和粗糙集进行优化的BP神经网络数据分类器模型,并形成了数据挖掘分类算法。该模型通过粗糙集理论的属性约简算法删除训练样本的冗余属性,利用遗传算法对神经网络的权值和阈值进行优化,并进行神经网络学习。数据挖掘分类算法学习速度快,能够有效提高无线传感器网络中数据的分类效率。     

基于Apriori算法的购物篮关联规则分析

数据挖掘是适应信息社会从海量的数据库中提取信息的需要而产生的新学科。它是统计学、机器学习、数据库、模式识别、人工智能等学科的交叉。IT就业市场竞争已经相当激烈,而数据处理的核心技术——数据挖掘更是得到了前所未有的重视。关联规则一般用以发现交易数据库中不同商品(项)之间的联系,用这些规则找出顾客的购买行为模式,比如购买了某一种商品对购买其他商品的影响,这种规则可以应用于超市商品货架设计、货物摆放以及根据购买模式对用户进行分类等。通过发现这个关联的规则,可以更好地了解和掌握事物的发展、动向等。在市场营销、企业投资中具有重要的作用。     

地理元胞自动机及空间动态转换规则的获取

 以东莞市黄江等镇城市发展为例,利用逐步逻辑回归方法,获取分区的元胞自动机动态规则,用分区的动态规则CA模拟了研究区1988-2004年的城市扩张,采用逐点对比法和Moran I指数对模拟结果进行了评价。结果表明,分区的空间动态转换规则比统一的静态转换规则能获得更高的模拟精度,动态转换规则克服了传统静态转换规则无法反映区域内部城市发展差异的缺陷。     

采用模糊Petri网的形式化推理算法及其应用

以模糊Petri网为工具，研究了多种约束条件下的人类知识和推理过程的表示方法．在此基础上，将模糊Petri网与矩阵运算相结合，给出了模糊推理过程的形式化推理算法．算法考虑了推理过程中的众多约束条件，包括命题在规则中的权重、变迁触发的阈值、规则的可信度以及多结论规则等，将复杂的推理过程采用矩阵运算实现，充分利用了模糊Petri网的并行处理能力，使模糊推理过程更加简单、快速和易于实现。     

基于模糊神经网络的数据挖掘算法

提出一种基于模糊神经网络进行数据挖掘的新方法。构成模糊神经网络的模糊化层采用高斯函数计算5个模糊隶属度,高斯函数需要的均值、方差以及隶属度的中心值都可通过预先计算采集到的数据得到。模糊推理层采用取小取大运算代替常用的积和运算,加快了网络的推理速度。在模糊神经网络训练阶段,首先利用重心法对模糊化层输出进行反模糊化,再采用BP思想,利用梯度法求误差值并进行反传调整隶属度函数的参数值。为提高网络推理精度和速度,通过设立相应的规则对网络进行裁剪,剪掉多余的节点和权值,最后依据一定的思想对产生的模糊规则进行简化和提取。以工业锻造中的智能温度控制系统的控制数据为例进行仿真,结果表明,该网络具有较高的精度和较好的鲁棒性。     

智能故障诊断的粗糙决策模型

为了提高故障诊断的精度和降低误报率,提出了粗糙决策智能故障诊断模型·该模型可以对决策表进行无教师的规则提取;通过自学习,用较少的样本即可对故障进行分类·将复杂系统的原始样本集转化成了决策表,利用粗糙集具有较强的处理不确定和不完备信息的能力,对原始样本集的条件属性进行了约简处理;同时,利用决策树具有快速学习及分类的优势对约简后的决策表进行规则提取,提高了故障诊断的鲁棒性·给出了基于该模型的故障诊断步骤·以实例介绍了利用该模型进行故障诊断的全过程·     

边坡稳定性评价的多层模糊模式识别方法

鉴于边坡稳定性分析中存在影响因素权重确定困难的问题，在多层模糊优选理论与模型的基础上，提出了多层模糊模式识别评价模型。整个评价系统分为三层，第一层由各影响因素组成，为输入层：第二层由若干子系统组成，每个子系统包括若干影响因素；第三层为输出层，由一个子系统构成。通过比较子系统内各因素的重要性和各子系统的重要性可分别确定子系统内各因素的权重和各子系统的权重，采用这种方式定权比直接对所有影响因素进行比较定权相对容易、合理。第一层和第二层的输出采用二级模糊模式识别模型计算，第三层的输出采用多级模糊模式识别模型计算。实例分析表明，应用该模型进行边坡稳定性评价能取得较好的效果。     

一种基于有色Petri网的知识库验证方法

以有色Petri网为基础,在经过了必要的功能扩充后,针对知识验证的主要内容,建立了有色Petri网的知识表示模型,提出了一种简洁有效的、基于有色Petri网的知识库验证方法,并给出了相应的判定准则,最后给出了一个说明知识表示模型和知识验证准则的实例。     

用人工神经网络识别汉字的探讨

本文在分析人工神经网络原理以及汉字识别原理的基础上,提出了一种用于汉字识别的神经网络,旨在综合汉字识别过程中的噪声去除、特征抽取和识别判决,用例子训练神经网络,取代以前人们用规则对汉字识别系统的训练.     

基于GA-PID神经网络的板形模式识别方法

针对传统板形模式识别方法存在抗干扰能力差和识别精度有限等缺点,提出了基于遗传算法(GA)优化的PID神经网络板形模式识别方法.PID神经网络不仅具备传统多层前向网络的特点,而且其隐含层具有动态特性,可以直接用于动态系统辨识.GA具备良好的并行设计结构,具有全局优化的特点,利用GA对网络权值进行优化,克服了传统BP算法易陷于局部极小的不足.仿真结果表明:GA-PID神经网络的板形模式识别方法能够识别出常见的板形缺陷,提高了板形模式识别精度,可以满足板带轧机高精度的板形控制要求.     

典型网络接口控制器分析与中断服务程序设置

介绍网络接口控制器(NIC)的基本原理和直接对网卡进行编程的特点,从中断技术角度分析有关中断服务程序的设置与编程.