灰度形态滤波的神经网络实现方法

本文提出了一种利用神经网络实现灰度形态滤波的方法。文中首先简述了形态学的基本理论，然后给出了灰度形态学理论的两种最基本运算（膨胀和腐蚀）的神经网络实现方法。网络中的连接权值为形态滤波的结构元素，按照δ学习规则，自适应地对结构元素进行学习训练。该方法计算简单，速度快，对于提高灰度形态滤波的性能有显著成效。     

大数据中面向乱序数据的改进型BP算法

针对大数据中的乱序数据缺少关联规则的问题，提出了一种动态调整的改进型BP 算法，运用了动态自适应结构调整机制，根据环境要求自适应调整网络训练结构，自动删除无效训练神经元，优化迭代训练过程；并在网络学习过程中动态调整网络参数中的三因子，即动量因子、权学习指数、阈学习指数，来达到加快学习响应速度、增强网络稳定性的目的. 仿真结果表明，通过动态自适应调整结构、动态调整三因子的改进型算法，能够获得更多的收敛次数，并能有效地提高收敛率，进而提高整体网络性能.     

一种新的贝叶斯网络增量学习方法

现有的贝叶斯网络增量学习方法忽略结构与参数变化的特点和内在联系,往往会降低更新后贝叶斯网络的可靠性.针对这一情况,提出了贝叶斯网络结构与参数变化并不同步,参数变化到一定程度将引起结构变化,并基于这种不同步性,给出了一种是否进行结构更新的判别方法,以及结构与参数更新的实现算法,实验结果显示,这种增量学习方法更加合理和可行.     

一种改进的BP算法

讨论了网络学习过程中的假饱和现象，并给出了克服方法，同时，也讨论了学习样本输入编排机理，给出了一种避免网络学习出现的局部极小的算法。通过实例验证此方法非常有效。     

基于复杂网络少数者博弈模型的金融市场仿真研究

本文构造了具有学习机制、学习结构及时间控制策略(持续期策略)的复杂金融网络少数者博弈模型. 基于少数者博弈模型, 以网络学习作为Agent的主要学习机制, 基于随机网络、小世界网络及无标度网络三种网络, 分别对应金融市场中全局信息下的投资者随机决策, 基于社会网络的决策, 及寡头垄断下的决策, 以持续期期作为时间控制要素, 通过仿真观察到金融市场收益分布的"尖峰厚尾"特征、寡头市场股价异常等金融市场复杂现象, 并分析了学习机制、 学习结构及持续期策略在博弈中的作用及产生的不同市场效应.     

人工神经网络控制的Sigmoidal函数研究

本文针对前馈神经网络误差反向传播算法（ＢＰ）算法应用于控制系统收敛速度慢，神经元非线性处理函数选择难等问题，提出了自动寻找最优Ｓｉｇｍｏｉｄａｌ函数方法。与ＢＰ算法相比较，该方法不仅收敛速度快，而且学习次数和隐节点数减少。仿真计算结果表明，该方法应用于控制系统鲁棒性能好，提高了网络学习能力，改善了学习性能，在神经网络控制中有一定推广价值。     

基于模糊推理的自适应BP算法

ＢＰ网络是迄今为止应用最广泛的一种神经网络，但这种算法也存在着收敛速度慢、容易陷入局部极小点等问题．本文在标准ＢＰ算法的基础上提出一种改进ＢＰ算法，称之为自适应ＢＰ算法．这种自适应ＢＰ算法采用模糊规则动态调整学习参数，并且能在学习过程中和学习完成后通过隐节点调整算法优化网络结构，有比标准ＢＰ算法更好的收敛性和更好的泛化能力     

信息化战争的网络视角与复杂性范式

社会网的研究方法，从作战体系的编成结构入手，将各种抽象的、模糊的和不断变动的对象以及对象之间的关系用网络中的点与线来总括，赋予点线的符号表现力和象征意义，并在网络基础上研究军事网络动力学等各种理论，从小世界、无尺度、能力涌现等方面对军事科学研究方法进行拓展，讨论了关于信息化战争的创新观念。     

一种新型复合神经网络模型

本文首先详细地阐述了ＢＰ神经网络和ＣＭＡＣ神经网络各自的结构，原理以及算法。提出了一种ＢＰ神经网络与ＣＭＡＣ神经网络组合起来的新型复合神经网络模型，并利用误差逆向传播原理推导出复合网络的学习法。仿真实验结果表明，这种复合神经网络在保留了ＢＰ和ＣＭＡＣ各自特长的基础上，同时具有学习速度快，泛化能力强等特点     

基于SCFNN的网络控制系统远程控制器设计

提出将自组织模糊神经网络(SCFNN)应用于网络控制系统(NCS)中的远程控制器的设计。SCFNN的学习过程包托结构学习和参教学习两个阶段。结构学习的目的是对输入空间进行合理的模糊划分并动态地生成一组模糊逻辑控制规则，而参数学习是通过有监督梯度下降法来调整隶属度函数的参数以及模糊规则中结论部分的权值。最初的SCFNN只有输入节点和输出节点，而经过在线学习后逐步生成隶属度函数节点和规则节点。对基于Profibus-DP网络的网络控制系统进行测试，并与采用修正Ziegler-Niehols法设计的控制器的控制效果进行比较，结果表明基于SCFNN思想设计的远程控制器在网络控制系统中能够获得满意的控制效果。     

BP人工神经网络自适应学习算法的建立及其应用

解决了BP神经网络结构参数、学习速率与初始权值的选取问题,并对传统的BP算法进行了改进,提出了BP神经网络自适应学习算法,又将其编制成计算机程序,使得输入节点、隐层节点和学习速率的选取全部动态实现,减少了人为因素的干预,改善了学习速率和网络的适应能力.计算结果表明:BP神经网络自适应学习算法较传统的方法优越,训练后的神经网络模型不仅能准确地拟合训练值,而且能较精确地预测未来趋势.     

基于新型空间注意力机制和迁移学习的垃圾图像分类算法

随着我国各级政府大力推动垃圾强制分类,分类回收各环节中实现标准化、自动化的垃圾分类识别需要适合云端部署的高准确率、低延时要求的细粒度图像分类模型.本文发挥深度迁移学习的优势建立了一套端到端的迁移学习网络架构GANet (garbage neural network);针对垃圾分类中类别易混淆、背景干扰等挑战,提出一种新型的像素级空间注意力机制PSATT (pixel-level spatial attention).为克服类别多和样本不平衡挑战,提出使用标签平滑正则化损失函数;为改善收敛速度以及模型稳定性与泛化性,提出了阶梯形OneCycle学习率控制方法,并给出了结合Rectified Adam (RAdam)优化方法和权重平滑处理技术的组合使用策略.实验使用了"华为云人工智能大赛.垃圾分类挑战杯"提供的按照深圳市垃圾分类标准标注的训练数据,验证了GANet在垃圾分类问题中的显著效果,获得了全国二等奖(第2名);同时,提出的PSATT机制优于对比方法,且在不同主干网络架构上均得到了提升,具有良好的通用性.本文提出的GANet架构、PSATT机制和训练策略不仅具有重要的工程参考价值,也具有较好的学术价值.     

基于遗传算法的进化神经网络

提出一种基于遗传算法的多层前向神经网络的自动化设计方法(genetic multiplayer feedforward neural network，GMFNN)，用以同时完成对网络结构空间和权值空间的搜索。该算法利用双种群权值优化、结构进化自适应变异率等方法来加快算法的收敛速度，改善解的性能。仿真结果显示本文提出的算法能够有效抑制遗传算法初期收敛的发生，有效地提高多层前向神经网络的收敛精度，并可获得更为简洁的网络结构。     

可拓神经网络在可拓专家系统中的研究与应用

将可拓学理论、人工神经网络和专家系统技术有效地组合与集成,建立了基于可拓分析与神经网络的空中目标识别专家系统,并将其应用于防空作战指挥信息系统空中目标识别。着重阐述了基于物元的知识表示方法以及空中目标识别专家系统的设计思路、总体结构和工作原理。     

Inverse Design of Electron Lens

1. INTRODUCTIONThe Problem Of inverSe design has attracted great attention of many electron optic researchers. The traditional method is to Obtain the target "due according to the structural and electrical parameters by using thenUInerical methods such as flute elemellt method(FEM), finite deference method(FDM), boundary elemelltmethod(BEM)11] and so on. Then changing electrical and structural parameters, recalculating these parameters with OPtmeation method, a new target value is o…     

函数连接神经网络在CSTR系统仿真中的应用

采用一种函数连接的人工神经网络用于CSTR系统仿真，和具有MLP结构和BP法的前馈精神网络相比，具有隐数目少，学习算法简单快速的优点，在一个非线性CSTR系统模型仿真中的应用表明该方法具有良好的性能。     

Artificial Neural Networks Model of Evaluating the Schemes of Mine Design

1　IntroductionTheevaluationandoptimalselectionofminedesignschemesarealwaysanimportantandcomplicatedworkofdesigningdepartments.Accordingtoparticulargeologicalconditions,severaldesignschemesareanalyzedandcomparedcomprehensivelyintechnology,econo-my,safetyandetc.Thenanevaluationconclusionwillbereached.Therefore,itisamul-tiplecriteriadecisionmaking.Thereareseveralmethods[1～4]atpresenttoevaluateminedesignschemes.Theirtwocommondefectsareasfollows:1Astheevaluationofminedesignschemesisamul-ti-inde…     

无师General Fuzzy Min-Max人工神经网络

针对一般模糊极小极大(generalfuzzymin max,GFMM)神经网络不能够完全无师聚类和自适应在线学习的问题,提出了一种无师训练的一般模糊极小极大(generalfuzzymin max,GFMM)人工神经网络。它继承了GFMM网络的优点,可以输入n维模糊量,尤其是新增加了无师学习的功能,弥补了GFMM网络不能自适应在线学习新类的缺陷。实验测试结果与分析表明,该网络在自动目标识别的实际应用中具有广泛的适用性。     

基于RBFLN网络的改进RBF神经网络学习算法

提出了一种基于径向基链网络（RBFLN）的改进径向基函数（RBF）网络学习算法．网络结构采用RB—FLN模型,添加输入层对输出层的线性映射,在训练过程中基于最大误差学习样本对资源分配网络（RAN）新性条件进行改动,在不满足新性条件时,采用相似度参数对隐层中心和宽度进行调整;而满足新性条件时,对新增隐层节点也通过类均值的方法做出相应的改进．最后通过对无机建筑材料成分分析的仿真表明该算法可有效地简化网络结构,实现样本正确分类,并获得较好的校验能力．     

一种基于二阶统计的盲源分离方法及性能分析

提出了一个基于信息论原理的目标函数 ,该目标函数可以作为衡量输出分量独立性的标测度。最小化该目标函数并利用信号的非平稳特性和两种网络结构形式的等价性 ,得到一种可以进行非平稳信号的盲分离的训练算法 ;计算机仿真结果表明了该算法的有效性。最后对目标函数的性能进行了分析。