莜麦播种方式决策的BP神经网络模型

阐述了BP神经网络基本原理,并在此基础上,将神经网络理论应用于农业生产决策之中。以莜麦播种方式决策为例,通过对产生式规则的分析导出神经网络输入、输出单元数,经过多次实验确定合适的隐含层单元数,并采用MATLAB语言对所构建的网络进行训练。仿真结果证明,这种方法基本可以达到预期的目标。     

决策单元取数一致准则下的灰区间DEA效率研究

当决策群体的输入输出变量为区间灰数时,假设各决策单元在同一指标下的灰区间变量取数一致。基于取数一致灰数大小比较的相关结论,建立了求解DEA效率区间上、下界的线性规划方程。灰区间DEA效率求解方法有两个优点:一方面,取数一致的假设体现了被评价决策单元和参考决策单元的竞争公平性;另一方面,求得的DEA效率区间长度较小,不确定性低,提高了信息不完全条件下采用灰区间DEA模型对决策单元进行有效性评价和效率评估时的分辨力。     

变量为三参数区间灰数的DEA模型研究

将区间DEA模型扩展到变量为三参数区间灰数的情形。研究了变量为三参数区间灰数时,决策单元(DMUs)的DEA效率区间的一般性求解算法。提出了决策单元取数一致准则,在决策单元取数一致准则下对DEA效率区间的一般性求解方法进行了修正,得到了灰度更小的计算结果,并用算例进行了验证。     

运用BP神经网络对船用钢焊接收缩量建模研究

重新建立了实用的船用钢焊接收缩量计算模型．首先分析焊接变形产生的原因,然后采集实船焊接变形数据为样本,运用BP神经网络,分别建立了输入层单元数为2、隐层单元数为3、输出层单元数为1的平板对接焊及T形焊焊接收缩量的神经网络模型．介绍了网络的结构设计及其训练过程,算例及应用证明,本模型对实施船舶精度控制具有指导意义。     

BP神经网络隐含层单元数的确定

本文针对BP神经网络隐含层单元数难以确定的问题,提出了一种改进的方法,并通过实验证明该方法有效的减少了验证次数,提高了确定隐含层最佳单元数的效率,具有较高的应用价值.     

换热网络综合中最小换热单元数的神经网络模型

文中提出一种新的换热网络最小换热单元的求解方法－神经网络方法，采用中文提出的优化模型议程及优化策略，能够快速准确地求得最小换热单元数，求解时自动化程度高。尤其适用于物流数较多的换热过程并通过实例说明本方法的实施情况。     

一种基于神经网络算法的非线性PID控制器

针对非线性、不确定时滞对象,提出一种基于神经网络算法的非线性PID控制器。该控制器将传统PID的比例、积分和微分参数分别构造成关于误差信号的非线性函数,并将非线性比例运算单元、非线性积分运算单元和非线性微分运算单元分别作为隐层神经元的激励函数,从而构造将PID控制与神经网络控制融为一体的智能控制器。研究结果表明:采用此智能控制器有效解决了传统PID难以控制非线性对象的问题以及传统神经网络控制器隐层神经元节点数难以确定的问题,仿真结果验证了该智能控制器的有效性。     

多层人工神经网络合理结构的确定方法

隐层结构如何选择是多层人工神经网络应用中一个关键问题·基于多层神经网络优化算法原理和非线性方程理论,建立了多层神经网络计算输出和理想输出关系的非线性方程组,分析了权阈变量、标准样本数量和输出层单元数量的内在关系,给出隐层层数和每个隐层单元数量选取应该满足的基本条件·提出多层神经网络合理结构,即隐层层数和每个隐层单元数量选取的一般原则,给出隐层结构定量求解的直接计算方法和间接优化计算方法·对具体算例进行了合理结构分析,通过神经网络优化算法对多种结构组合比较,表明所提出的合理结构分析方法的正确性·这种方法将为多层神经网络在工程应用中如何选取合理结构提供理论依据和选取有效方法·     

基于PCA的概率神经网络模式分类方法

研究了概率神经网络隐单元主要分量的选取方法。这些方法的概率神经网络比原来的网络大大降低了隐单元数，并且带来分类测试时间减少的增益。最后，就模拟和实测两组数据进行了计算机仿真，实验结果证实了这种方法的可行性。     

基于动态小波神经网络的语音信号非线性预测器

提出一种带反馈单元的动态小波神经网络(DWNN)并将其用作语音信号的非线性预测器，分析了DWNN的函数学习能力和对高维函数学习的优越性。由于反馈单元的内部记忆能力，DWNN具有对长时相关的预测能力并能在一定程度上克服小波神经网络的“维数灾难”现象。在对语音信号的预测中，动态小波神经网络预测器的预测性能很好，虽然其预测阶数很低(仅为3)，试验结果表明：DWNN预测器较RNN，RBF更适合于语音信号的非线性预测，而且其计算复杂度相对较低。     

神经网络在直流无刷电机控制系统中的应用

采用多层神经网络结构控制电传动系统中的无刷直流电机。首先，离线训练神经网络；然后，采用神经网络在线控制电机的速度。建立了带有神经网络的电传动系统仿真模型来验证所采用的神经网络结构，仿真结果表明，系统抗扰动性很明显。     

基于神经网络的机动车号牌字符识别

以定位、 分割后的机动车号牌字符为研究对象. 首先, 对机动车号牌图像进行大小、 灰度方差、 灰度均值的标准化处理. 其次, 根据机动车号 牌字符的特点, 抽取字符3种不同的特征, 构造3个BP神经网络对机动车号牌字符进行识别. 并根据字符在机动车号牌中所处位置的差异, 在每个BP神经网络中构造4种不同的子网络分 别进行训练和识别. 最后, 每个BP神经网络的输出通过加权求和的组合方式得到最终识别结 果. 在组合各网络输出前, 采用对字符图像求取局部二阶差分值的方法, 将字形相近的字符 进行再分类, 从而有效地降低误识率. 通过分析实验结果, 表明本算法在机动车号牌识 别应用中达到了理想的识别效果.     

基于深度学习的分数阶Nernst-Plank方程求解

摘要：在这篇文章中,我们构建了一个物理机制神经网络PINNs求解时间分数阶Nernst-Plank方程。PINNs是近年来基于深度学习求解偏微分方程新的方法。PINNs采用标准的前馈神经网络,将偏微分方程编码进神经网络中并构造损失函数,通过最小化损失函数学习网络的参数,在得到最优的网络参数的同时偏微分方程的解也被求出。分数阶物理机制神经网络fPINN是在PINNs基础上提出的用于求解分数阶偏微分方程的新方法。本文用fPINNs求解时间分数阶Nernst-Plank方程,并对其解决时间分数阶N-P的正问题与反问题的准确性和有效性进行了说明。在这基础上,我们分析了离散化时间分数阶算子所导致的离散误差、采样误差、神经网络优化误差对最终求解的影响。我们也分析了离散误差与取样误差的关系,并发现当固定离散误差后存在最好的训练点集大小使得求解误差最低。最后我们展示了神经网络求解反问题的准确性与效率。     

渺位四角系统及其完美匹配数

本文研究了渺位四角系统的构成,定义了构成渺位四角系统的四角运算,并讨论在不同四角运算下渺位四角系统的完美匹配数,给出固定细胞总数下具有较少完美匹配数的渺位四角系统的排序.     

路网中基于预计算的跳跃式查询最近邻的算法

在空间网络数据库(SNDB)中,最近邻查询(NN)在基于位置的服务(LBS)中尤为关键.现有的查询处理方法大多依赖于路网的稀疏程度,其他处理方法如UNICONS等改进了该不足,但可能存在过计算的问题.针对后者,本文提出并证明了基于非交叉点路径中的预计算理论,同时基于该理论提出一种通用的基于SNDB的NN查询处理方法,该方法通过跳跃式查询交叉点的最近邻来降低预计算的代价.通过实验,验证了本文提出的处理方法在最近邻查询中的正确性和有效性,特别是在交叉点分布稀疏的路径上,性能优势尤为明显.     

基于全局搜索策略的神经网络动态建模分析

介绍一种基于全局搜索策略的神经网络学习算法，并对该算法的学习性能进行比较和分析，关于建模过程中网络结构的选择与延迟数识别等方面也做了讨论与分析，给出相应的仿真结果。     

一种多目标多传感器航迹相关算法

提出一种适合于分布式多传感器数据融合的新的航迹相关算法（ＭＫ－ＮＮ）。对其航迹相关准则进行了详细的描述，研究了航迹质量设计、多义性处理、阈值选择和算法的相关检验过程，并通过仿真把它与最近邻域法（ＮＮ）和Ｋ近邻域法（Ｋ－ＮＮ）进行了比较。仿真结果表明，在密集目标环境下和／或交叉、分岔及机动航迹较多的场合，ＭＫ－ＮＮ算法的性能明显优于ＮＮ法，其正确相关率比ＮＮ法提高了约４０％。ＭＫ－ＮＮ与Ｋ－ＮＮ相比不但正确相关率获得约５％的改善，而且处理速度也提高了约一倍。     

一种面向最近邻分类器和动态Snake模型的血红细胞图像特征提取方法

利用动态可变的Snake活动轮廓模型,并提取相应的特征区域色彩信息,结合改进的最近邻(Nearest Neighbor,NN)分类器核鉴别算法,通过信息融合方法实现对血红细胞图像的特征精确提取,这种方法可应用于临床辅助检测和诊断过程,具有一定的应用价值。     

基于神经网络的坐标测量机几何误差模型研究

分析了坐标测量机几何误差的几种常用模型，提出了基于神经网络的单项几何误差模型。由于坐标测量机几何误差变化规律复杂，采用一般的BP神经网络模型算法，速度慢且难以收敛。利用牛顿变形算法训练网络，加快了网络收敛速度，效果显著。通过与线性插值、多项式拟合法和神经网络逼近法的比较，可以明显看出用该神经网络算法的优越性。