余数制神经网络

提出了一种新的神经元模型，其数据和权值用余数制表示，称之为余数制神经元。它的处理能力等效于一些多层感知机模型。同时提出用中国余数定理重构信号，等效于神经元之间的非线性连接，将此模型用于分类，其单层网络可用于解高阶和边界模糊问题。     

神经网络余数制系统

研究了神经网络余数制信号处理系统，提出求余运算的逐位比较模型，以非对称Ｈｏｐ－ｆｉｅｌｄ网络为基础，构造了求余运算神经网络；将此网络用于求解中国余数定理，构造了实现务＋转换的一种全新方案。计算机仿真结果证实了这个新方案的高速和有效性。     

神经网络余数制系统

研究了神经网络余数制信号处理系统。提出求余运算的逐位比较模型，以非对称Ｈｏｐｆｉｅｌｄ网络为基础，构造了求余运算神经网络；将此网络用于求解中国余数定理，构造了实现余十转换的一种全新方案。计算机仿真结果证实了这个新方案的高速和有效性。     

改进的神经网络快速学习算法

提出了一种新颖的神经元模型和用于神经网络训练的推广准则，给出了多层神经网络的快速学习算法，研究了一种用于语音识别的时变多层神经网络及其相应的快速学习算法．语音识别实验表明：所给出的快速学习算法能有效地加速网络训练进程．     

一种新的嗅觉神经模型及其在人脸识别中的应用

提出了一种新的嗅觉神经模型.该模型由嗅球层和嗅觉皮层构成,不同层间由前向和后向反馈构成,具有分布式延时输入,分别用二阶和一阶微分方程描述嗅球层和嗅皮层中神经元.基于ORL数据库,模型被用于人脸识别以分析其模式识别能力.实验结果表明,相比于其他算法,提出的模型具有较好的性能.     

基于点火频率的两层PCNN参数研究及其应用

提出了一种新的两层PCNN网络结构,第一层为Eckhom网络,第二层为内部元链接神经元,和第一层的神经元一一对应,用来接收第一层神经元的脉冲输出。该模型综合考虑了空间和时间因素,更加接近于生物神经元。提出了该两层PCNN网络循环次数的确定方法。新的模型及其有关算法用于图像分割时,分割结果以第二层神经元的点火二值矩阵为最终分割结果,实验表明文中提出的新模型和根据初始参数确定循环次数的方法是有效的。     

模数可变的求余运算神经网络

提出了一种由外加工作电压控制模数的求余数的神经网络，该网络速度快，通用性好，可作为高速余数制计算机的运算单元。     

神经网络解逆运算问题

反馈式神经网络在计算方面的独物优点之一即利用简单的正运算完成复杂的逆运算，讨论了用于运算的三个实际网络：ａ．用乘法运算完成除法的网络；ｂ．不需逆矩阵参数而解线性方程组的网络；ｃ.用余数约化运算求解中国余数定量（孙子定理）的网络。     

电子膨胀阀双神经元预测控制

提出了用双神经元预测控制算法对电子膨胀阀进行控制的方法，一个神经元用于在线实时估计对象动态特性，以获取对象的一步预测模型。通过学习减小模型的预测误差；另一个神经元用于在线实时控制，仿真与应用表明该算法有良好的动态响应和较强的鲁棒性，能够对电子膨胀阀进行有效的控制。     

神经网络解逆运算问题

反馈式神经网络在计算方面的独特优点之一即利用简单的正运算完成复杂的逆运算。讨论了用于运算的三个实际网络：ａ．用乘法运算完成除法的网络；ｂ．不需逆矩阵参数而解线性方程组的网络；ｃ．用余数约化运算求解中国余数定理（孙子定理）的网络。     

交通噪声预测的神经网络模型

运用 Matlab语言编程 ,构造预测交通噪声的 LM算法 BP神经网络模型 ,把预测因子 (轻、重型车流量、平均车速、受声点距路肩距离、敏感点高差 )作为样本输入到网络模型 ,噪声等效声级作为样本输出 ,反复训练网络 ,通过增加隐含层节点数、改进算法 ,以降低误差 ,缩短训练时间。     

一种用于多类模式识别的综合感知器网络和学习算法

提出一种由感知器神经元组合成的综合网络模型及相应的学习算法,网络由3层感知器神经元组成,中间屋到输出层的权值相应地为＋1或－1,输入层到中间层的权值通过学习获得,且中间层每个神经元的权值单独学习完成,该学习算法在有限次迭代步骤内终止。当算法终止时,对于可线性发的多类模式识别问题总是能找到正确的解,如果还有模式不能识别,则说明这是一个不可线性划分的多类模式识别问题,用阿拉伯数字识别的例子说明了网络模型和算法的有效性。     

从属性量检测到质特征定性的感觉特征抽取模型

提出了将感觉信息处理建立在属性操作研究上的基本观点,给出了属性量－质转化规律的定性映射模型（QM）,和QM与人工神经元的TLU（Threshold Logic Unit)模型的等价性定理,根据感觉简单细胞和皮层神经元能对其敏感属性 a(x)的量da(x)及相应质特征pd(x),分别作出反应（或检测）和定性抽取的实验事实,提出了一个从量检测到质特一性的感觉特征抽取模型。     

永磁直线电机运输系统中的模糊增益神经控制

永磁直线同步电动机的理论研究还不十分完善,在初级分段的形式下该运输系统整体数学模型变化很大且边缘效应的影响更加剧烈.因此不能利用其数学模型或常规的控制方法对垂直运动的PMLSM实现良好控制.本文设计了直线伺服系统的神经元控制器.首先应用神经元控制器,它可以自动调节权值获得多个控制参数,然后考虑到被控对象的多动态特性,加入输出比例因子的在线模糊修改部分,从而改善了控制器的动态和静态特性.实验证明,该伺服系统能够消除PMLSM固有的负载扰动、边缘效应、参数时变对系统伺服性能的影响;且具有自学习能力强、快速跟踪、定位精确和鲁棒性强等特点.     

基于离散过程神经网络页岩油气储层有机碳含量预测

受地层岩性变化影响,传统方法进行有机碳含量(TOC)拟合预测精度偏低。为提高TOC拟合精度,减小普通神经网络对连续信号的时间累积误差,提出一种极限学习离散过程神经网络的TOC拟合预测模型。模型用向量模拟过程式输入,内部通过抛物插值的数值积分完成离散样本的时域聚合。通过对离散过程神经元的结构分析,提出极限学习训练算法,在隐层相关参数随机赋值后,通过Moore-Penrose广义逆求解输出权值,模型学习速度快。最后将该方法应用于TOC拟合预测,利用相关性分析,选取对TOC响应最敏感的测井曲线作为模型的特征输入。与传统方法和其他神经网络对比,该方法的拟合精度较高,预测TOC与实测值有更好的相关性。     

变参数土层中单桩水平动力阻抗的简化计算

给出一个求解变参数土层中单桩水平动力阻抗的简化计算方法 ,即把变参数土层等效为均匀土层 ,把变参数土层中单桩水平动力阻抗的计算转化为均匀土层中单桩水平动力阻抗的计算 .算例表明 ,选取合适的等效权函数 ,可以得到较为满意的结果     

超高硬度堆焊材料强韧化分析

针对超高硬度堆焊材料抗裂性差和韧性低的技术难点,以中碳合金系统为基础研究系统,用二次旋转回归设计的方法建立了堆焊金属性能的数学模型,并用函数图直观地分析了各合金元素对堆敷金属强韧性能的定量影响规律.结果表明,合金碳化物对堆敷金属性能影响显著,控制碳与合金元素的配比是获得性能优良的堆敷金属的关键.     

山峰-减法聚类神经元模型及学习算法

将神经网络与数据集的密度指标结合起来提出一种山峰－减法聚类神经网络方法，利用数据集的密度指标对基类进行合并，并不断重复直至产生足够多的聚类中心，就可完成对聚类神经元的学习。给出该聚类的神经元模型和学习算法。该方法的主要优点是对于工程应用中的大样本集分类和重叠数据的模式分类问题，显得非常有效。     

基于权值函数神经元的BP网络研究

研究了一种神经元模型,在该模型中将参数可调的激励函数往前移到权值上,即把权值变为参数可调的函数,这些权值函数的累加和作为神经元的输出.将此类神经元称为权值函数神经元,根据BP算法给出了由其构成的前馈神经网络的学习算法.仿真实验对比结果表明,在给定的误差精度要求下,基于权值函数神经元的BP神经网络每次训练都能收敛,且平均迭代步数较少,其收敛速度要优于传统BP网络,具有较好的研究应用价值.     

咪唑类ALK5抑制剂活性的神经网络研究

为建立咪唑类ALK5抑制剂活性的QSAR预测模型,分析了61个咪唑类ALK5抑制剂的分子结构与活性的关系;计算了这些抑制剂分子的分子形状指数、电性拓扑状态指数和电性距离矢量;优化筛选了分子形状指数的K_1和K_3,电性拓扑状态指数的E_(19)、E_(21)和E_(24),电性距离矢量的M_(26)、M_(30)和M_(56),共8个参数.将这8个参数作为人工神经网络的输入神经元变量,活性pIC_(50)作为输出神经元变量,采用8∶4∶1的神经网络结构,获得了令人较为满意的神经网络预测模型,模型的总相关系数r为0.956.pIC_(50)的预测值与实验值较为吻合,平均相对误差仅为0.85%.结果表明,本法建构的神经网络模型具有较强的稳健性和良好的预测能力.研究结果可为合成高活性的抗癌新药提供理论指导.