神经网络模型的动态特征及优化计算理论

项目系统深入地研究了神经网络模型的动态特征及优化计算理论，主要成果包括2个方面： 1、建立了若干动态参数范围大、动力学行为更丰富的神经网络新模型，并研究其动态特征，得到了若干易于验证的全新判据，推广和改进了若干早期的工作，这些成果对神经网络的设计和应用有重要指导意义。     

基于离群值去除的卷积神经网络模型训练后量化预处理方法

为了提高训练后量化模型的性能, 提出一种基于离群值去除的模型训练后量化预处理方法。该方法仅通过排序、比较等简易的操作, 实现权重、激活值的离群值去除, 使模型在量化时仅损失少量的信息, 从而提升量化模型的精度。实验结果表明, 在使用不同的量化方法前, 采用所提方法进行预处理, 可显著地提升性能。     

BP神经网络的模型优化研究及应用

随着神经网络在数据分析、预测及生产控制中的应用,神经网络的优化学习成为研究的一个重要课题。通过探讨BP神经网络模型的建立过程,针对BP神经网络的模型优化问题进行了详细研究。并通过对银行客户分类的仿真实验证明,优化模型能够有效地提高BP神经网络的收敛速度及预测精度。     

工程造价估算模型种类及神经网络法应用

介绍了目前工程造价估算的一些主要模型方法和各自的特点。神经网络估算法具有自学习和白完善特征,以市政工程为倒进行了应用分析。采用科学的,简便的而又准确的遗价估算模型具有重要的工程意义,以确保工程投资及控制目标的顺利完成。     

神经网络多模型软测量技术及应用

基于多模型思想，采用模糊聚类的方法对软测量数据进行了分类，对每类数据基于神经网络(NN)建模，采用RBF神经网络构造了每个数据样本的隶属度，将各模型输出的数据进行隶属度加权求和得到最终的软测量输出，并对某催化重整生产装置催化剂再生器氧含量进行了建模研究，获得了满意的结果。     

基于SM-PEPA可生存系统认知模型及量化分析

为解决可生存系统的自主管理和维护问题以保持关键服务的持续提供,提出一种基于SM-PEPA的系统认知形式化模型及量化分析方法.首先建立了具有分层认知能力的可生存系统认知模型,即服务认知子层、网络认知子层和接入认知子层,然后提出了一种由策略库发起驱动基于认知环MDE的认知单元自管理模型,并通过可生存系统的生存状态转换图,构建了可生存系统认知性能分析框架.在此基础上,结合对可生存系统认知能力的形式化描述,将其转化为一个半马尔可夫过程,对模型进行了量化分析.仿真试验分析了不同参数变化对系统可生存性的影响,试验结果验证了所提方法的有效性和合理性.     

化学中神经网络反传模型的应用研究及及现状

业己将神经网络反传模型ＢＰＮＮ及其改进算法用于分析校正、多元分析、模式识别、构效关系、有机合成、定量预测等方面，本文简述其应用研究情况。     

天然食用色素的多元线性模型和神经网络模型的配色效果比较

天然食用色素应用广泛,三原色色素依其浓度可调配各种不同色调,传统配色方法高度依赖配色经验,生产效率低,误差大,产品质量稳定性差。基于吸收光谱匹配法,利用天然食用色素在混合时特征吸收峰保持不变的特性,在色素质量浓度和特征吸收峰的吸光度之间建立了多元线性和神经网络配色模型,通过误差对比分析,选择较优模型并进行试验验证。结果表明:神经网络模型的预测精度、稳定性均优于多元线性回归模型,其预测配方和原配方的色差在3以内,肉眼无法区分两者的差别,神经网络模型能更好地满足染色配色的要求。希望研究结果为天然食用色素的智能配色工艺提供理论依据。     

河网水情预报的神经网络模型及应用

传统BP网络模型在模式识别、电力负荷预报、水现象的模拟及预报等领域得到了广泛的应用．但传统BP网络模型存在隐含层结构难以确定和网络结构物理概念不明确等问题．本利用水量守恒及槽蓄关系,建立了能够反映水流运动基本特征的神经网络模型(MCR—ANN)并用于河网水情的模拟及预测．应用结果表明：该网络物理概念清晰,避免了传统BP网络在隐含层结构难以确定和河网结构物理概念不明确等的不足,模拟效果较好。     

化学中神经网络反传模型的应用研究及现状

业已将神经网络友传模型BPNN及其改进算法用于分析校正、多元分析、模式识别、构效关系、有机会成、定量预测等方面，本文简述其应用研究情况。     

关于恒流状态下膜堵塞定律与神经网络模型的比较研究

虽然膜堵塞定律和人工神经网络模型被广泛应用于膜过滤系统的模拟及预测中,然而这些模型在恒定流系统中的应用却很少,目前关于膜阻塞定律模型与神经网络模型的比较性研究几乎空白.在对膜堵塞定律与神经网络模型的模拟性能进行评价的基础上,通过模型对实验特定阶段的拟合揭示了膜污染的机理.     

一种采用振荡神经网络的CASA计算模型语音分离算法

基于听觉现象分析（CASA）模型的基本原理,在仅有单通道输入混合语音信号时,采用振荡器神经网络,提出了一种CASA改进模型语音分离算法结构,文中利用一个实例说明了新算法的具体实现步骤,讨论了新算法机构中语音听觉外围处理部分和分割神经网络处理部分,通过上述两个部分的处理可以将输入混合语音信号在时频域上分割为若干有听觉感知意义的语音听觉感知成分分段Segments,以便于新算法后续处理分部中语音Segments的聚为和分离重构输出处理,最终完成语音分离任务。     

基于自回归动态神经网络的逆模型辨识及在线控制

研究了自回归动态神经网络及其学习算法。提出了应用于动态逆模型识的结构，并与ＰＩＤ控制相结合形成了非线性动态对象的在线自适应控制系统。仿真结果表明此方案简单可行，克服了静态网络的一些局限性。     

卷积神经网络声学模型的结构优化和加速计算

将卷积神经网络(convolutional neural networks,CNN)声学模型应用于中文大词表连续电话语音识别任务中,分析了卷积层数、滤波器参数等变量对CNN模型性能的影响,最终在中文电话语音识别测试中,CNN模型相比传统的全连接神经网络模型取得了识别字错误率1.2％的下降.由于卷积结构的复杂性,常规的神经网络加速方法如定点量化和SSE指令加速等方法对卷积运算的加速效率较低.针对这种情况,对卷积结构进行了优化,提出了2种卷积矢量化方法:权值矩阵矢量化和输入矩阵矢量化对卷积运算进行改善.结果表明,输入矩阵矢量化方法的加速效率更高,结合激活函数后移的策略,使得卷积运算速度提升了8.9倍.     

非线性神经网络模型及在粮食生产预测中的应用

本利用非线性神经网络BP模型，对我国粮食生产进行了实证预测研究。结果表明，用该网络建立的模型经过训练后，可得到影响粮食产出与各因子及其之间的非线性关系，网络模型新颖，具有较好的预测精度及较好的预测效果。可广泛应用于各种预测研究，有较高的应用推广价值。     

基于GMS的地层三维结构可视化模型及神经网络预测

 通过收集到的长春市及周边地区各类钻孔资料,运用软件GMS建立了长春及周边地区的三维地层结构可视化模型,与实际地质(地形)情况较为吻合,清晰地反映出长春地区地层结构情况,通过软件还可观察地层任意位置的剖面情况。将神经网络引入其中,当输入钻孔坐标(x,y,z)、地层厚度及地层深度时,能够较为准确地预测出对应地层的地质时代和岩性,采用结构为5-13-5的BP神经网络(单隐含层)预测结果的平均相对误差为11.12%,其最小误差为7.50%、最大误差为15.71%;采用改进后的结构为5-11-7-5的BP神经网络(双隐含层),预测结果的平均相对误差为4.64%,其最小误差为3.63%、最大误差为6.59%,完全满足预测精度要求。     

动物物理学：动物的躯干形状、动作及物理限制的量化模型

物理与化学原理潜藏在动物的生命功能与驱干结构的里面。基因、细胞动态特性、新陈代谢、光合作用以及其他细胞活动与微观法结构问题是在生物物理学的传统领域中研究的，而在较大的具有生命的结构中存在着更多的、不同性质的物理学。     

海堤渗压神经网络分布模型的建立及规律分析

为有效揭示海堤渗压的分布特征,掌握其在临海工作环境下的特殊规律,在利用神经网络建模优点的同时,采用多测点渗压监控信息,并将测点坐标因素加入到输入层,综合前期潮位因子、积分型降雨因子、时效因子,形成海堤渗压神经网络安全监控分布模型结构,以实测信息进行建模训练计算;在获得合理训练结果基础上,根据输入层因子补充插入坐标样本,获得不同位置的渗压模型值及渗压分布曲线.文中以广义回归神经网络为例,结合浦东海堤实测资料,以实例说明以上述方法在神经网络不提供显式的情况下,建立可获得分布曲线的监控模型,并以此对海堤渗压分布规律特色加以分析.     

优劣方案及规格化公式选取对模糊优选模型评价结果影响研究

优劣方案及规格化公式的选取是模糊优选多目标决策模型中的关键问题,直接影响到分析评价的结果.在归纳总结各种规格化公式计算方法的基础上,建立了目标特征值及权重离散程度评价指标值,并结合算例对常用的优劣方案及规格化公式进行了对比分析.研究结果显示,相对优劣方案与绝对优劣方案的评价结果排序一致,但前者评价值分散性更大.当方案指标特征值相差较大时,两组优劣方案均可选取;当方案指标特征值相差较小时,应采用绝对优劣方案的评价结果值,但可同时参考相对优劣方案的评价结果排序.对于规格化公式,在不同的优劣方案下,可根据离散程度量化指标值的近似标准适当选取.     

Resilient back propagation神经网络模型与autoregression型在径流预报中的比较研究

本文以黄河利津站和浙江省白溪水库的月径流水文序列为例,在自相关分析的基础上,建立自回归autoregression模型,并参照其结构建立了相应的resilient back propagation神经网络预报模型．比较结果显示：（1）resilient back propagation模型的模拟预报结果与序列的自相关性有密切关系;（2）当序列有较好的自相关性时,可参照autoregression模型建立相应的resilient back propagation模型;（3）与传统autoregression模型相比,resilient back propagation模型能取得更高的预报精度;且随着预报步长增加,resilient back propagation模型的优势更加明显．