具有外部干扰的耦合时滞神经网络固定时间二分同步

针对结构平衡图与结构非平衡图的网络拓扑,考虑了一类具有外部干扰的耦合时滞神经网络模型,分别设计了其固定时间同步控制协议.借助固定时间稳定性理论与不等式技巧,获得了耦合网络在固定时间内达到同步的充分性判据,给出了具体的收敛时间上界,并验证了固定时间同步网络的鲁棒性与抗干扰性.为了扩大网络模型的适用性,考虑的神经网络激活函数为非连续的函数,可借助微分包含与集值李导数理论解释非连续微分方程的动力学行为.最后,分别在结构平衡图和非平衡图下对耦合神经网络的固定时间二分同步进行了数值仿真,验证了控制算法的有效性及理论结果的正确性.     

一类中立型Cohen-Grossberg神经网络的概周期解

研究一类具有混合时滞的中立型Cohen-Grossberg神经网络。通过建立线性辅助方程， 得到该神经网络存在唯一的概周期解的新结果，同时也给出此概周期解的存在范围。     

基于熵评价模态分解的雷达信号双谱特征识别

针对在低信噪比下雷达信号调制识别准确率低、抗噪性差的问题, 提出一种基于熵评价模态分解和双谱特征提取的识别方法。利用双谱可以抑制高斯噪声的特点, 分析了在低信噪比下进行信号调制识别的可行性并引入了噪声项。由于噪声项的干扰, 双谱在0 dB以下时, 噪声抑制效果变差, 提出了基于信息熵评价的经验模态化分解对信号进行预处理, 提高信噪比。最后, 设计了卷积神经网络分类器, 实现对不同调制类型信号的识别。仿真实验结果表明, 本文方法相比传统方法具有良好的抗噪性, 能够在低信噪比下对不同类型信号进行有效识别。     

考虑多种损坏构成特征的沥青路面预防性养护决策方法

由于沥青路面损坏构成的多样性, 相同的路面状况指数(pavement condition index, PCI)可能代表不同的损坏组合. 当多种损坏并存且损坏程度接近时, 用PCI和主导损坏(最严重、扣分最多的路面损坏)难以得到具有针对性的养护对策. 因此, 通过对PCI的深入分析, 明确了主导损坏代表性不足的路段, 以现行预防性养护决策方法为基础, 补充了一种考虑损坏构成特征、更具针对性的决策方法. 以上海城市道路近5年的检测、养护数据为分析基础, 首先利用有序聚类算法将路段按PCI水平分组, 分析了不同阶段路面损坏构成和差异水平; 然后, 针对多种损坏并存且损坏差异不显著的路段, 根据预防性养护的实施效果筛选了能够反映正确预防性养护经验的有效养护路段; 最后, 基于有效养护路段建立并对比分析了2个基于BP(back propagation)神经网络的养护决策模型. 结果表明: 当PCI水平介于优良(84.4~93.0分)时, 不同损坏程度接近, 主导损坏代表性不足; 考虑多种损坏构成特征的BP神经网络模型表现出更高的决策精度, 测试集决策正确率达86.20%, 优于仅考虑主导损坏的模型(58.50%). BP神经网络与传统决策树法结合能够优化沥青路面决策过程, 提高养护对策选取的针对性.     

超高功率超短脉冲发展的现状及相关科学问题

超高功率超短脉冲激光系统在其聚焦焦点附近可以实现高达1022-24 W/cm2的峰值功率输出,为强场物理实验研究,以及实验室内模拟极端环境下的天体物理条件提供了直接的实现方案.自从国际上首次提出了建造EW激光的概念,即输出总功率达到1018 W的大型激光系统后,国际上很多国家都在设计和建造大规模的超高功率超短脉冲激光系统.本文简要介绍了国际上这种规模激光系统的发展状况,并结合国内超高功率高能超短脉冲激光的发展,对超高功率超短脉冲激光系统发展中相关技术问题进行阐述.     

一类具有毒素和状态依赖时滞的离散种群模型的持久性

研究一类具有毒素和状态依赖时滞的离散种群模型,运用一些引理,得到了保证系统永久持续生存的充分条件。最后通过举例子验证了所得结论的可行性。     

基于混合BP神经网络农业旱灾脆弱性评估模型初探

根据区域灾害脆弱性理论，农业旱灾是致灾因子干旱与农业旱灾脆弱性共同作用的结果，脆弱性的存在是农业旱灾发生的主要原因和重要因素.从自然环境和社会经济分析农业旱灾脆弱性的影响因素.提出混合BP神经网络算法，运用MATLAB实现农业旱灾脆弱性快速模拟评估，建立基于混合BP神经网络农业旱灾脆弱性评估模型.     

一类二阶泛函微分方程正解的存在性

研究了Banach空间中二阶泛函微分方程四点边值问题正解的存在性。在-1<ω≤0及-r<ω≤0两种情形下,通过在Banach空间中构造一个合适的锥,并在锥中定义一个正算子,利用锥上的不动点定理,证明了该问题正解的存在性。最后,作为主要结果的应用,建立了两个具体的泛函微分方程多重正解的存在性结果。     

基于神经网络的医疗诊断研究

主要工作集中在医疗数据的预处理和神经网络模型的训练.首先结合数据挖掘和自然语言处理技术,在保留医疗数据语义基础上对分词工具语料库进行补充,将中文数据分词,同时对其中大量冗余信息进行清洗,将中文数据转换成计算机可识别的编码,其次利用多种经典热门的神经网络模型来训练医疗数据,同时对比基于传统决策树模型的GBDT模型的训练结果,最后实验结果证明,对于多种疾病诊断,神经网络模型的效果要优于其他模型,诊断准确率接近90%.