摆式客车倾摆控制系统神经网络预测控制

考虑伺服电机及机械系统的非线性对车体倾摆的影响，并包括伺服电机的饱和非线性特性的影响在内，采用神经网络方法对非线性特性的动态系统的输入输出关系进行辨识研究，建立摆式客车伺服系统神经网络非线性模型；提出在摆式客车中运用神经网络预测控制结合鲁棒控制的复合控制系统，解决这类非线性系统的控制问题，即应用神经网络进行辨识及预测控制．研究表明，从理论及工程应用角度看神经网络预测控制都是切实可行的，为在摆式客车倾摆控制系统中应用神经网络预测方法提供了一个新的方向．     

Cohen-Grossberg神经网络的指数稳定性

研究了Cohen-Grossberg神经网络模型的指数稳定性．运用非线性测度方法证明了神经网络平衡点的存在性和惟一性，接着通过构造一个新颖的Lyapunov泛函，得到了神经网络指数稳定的全新充分条件，并给出了解的指数衰减的精确估计．与已有文献相比，文中给出的条件更为宽松且易于验证．     

基于贝叶斯推理的决策树模型

针对决策树（DT）模型缺乏概率背景这一问题，将贝叶斯推理引入DT模型，提出了一种基于贝叶斯推理的决策树（BDT）模型．在假定所含待定参量的先验与似然的前提下，借助贝叶斯推理获得参量的后验，然后运用逆跳马尔科夫链蒙特卡洛算法对后验抽样，最终求出样本属于某一类别的置信度，从而避免了武断判决．BDT模型以抽样代替拆分与剪枝操作，既直观又灵活，同时在抽样时考虑了不同的树结构与递归分割方案，使得分类准确率得以提高．仿真实验结果表明，BDT模型的平均分类准确率与DT模型相比提高了1．7％～3．5％．     

基于滑动概率神经网络的早期故障诊断

针对机电设备早期故障难以识别的问题，提出了一种动态的概率密度估计方法——滑动概率神经网络，用以跟踪分析测量信号的概率密度变化过程，及时发现早期故障．该网络以固定不变的抽样集作为第一层，动态滑动的测量信号作为样本层，通过求和层得到抽样集的条件概率密度估计，将样本层内测量信号的概率密度动态地投影到统一的抽样集上．将网络分解成以测量值为中心的子网络，来实现网络的递归运算，并且利用高斯函数的快速衰减特性或使用分段线性函数近似高斯函数，从而提高了网络的计算实时性．通过压缩机喘振过程数据的应用实例，表明该方法能够有效识剐故障的早期征兆．     

基于气测资料的储层含油气性识别方法

基于气测资料构造适当的综合指标,分别利用模糊模式识别和误差反向传播(BP)神经网络两种方法对储层含油气性进行了分析.结果表明,气测资料与储层含油气性具有较强的相关性.模糊模式识别方法可以用来确定气测综合指标与储层含油气性之间的模糊关系,而且对待识别样品气测资料的随机性具有较强的适应性;神经网络法能够较准确地建立气测综合指标与储层含油气性之间的非线性关系,但在待识别样品气测资料具有随机性的情况下,识别结果具有随机性.利用模糊模式和BP神经网络方法对储层含油气性进行识别具有一定的可行性,能快速为储层含油气性分析提供一定的参考依据,并且前一种方法的识别效果优于后一种方法.     

基于神经网络和遗传算法的无功优化设计

无功优化是一个复杂的混合优化问题,传统方法较难获得全局最优解.文中提出了将并行遗传算法和Hopfield网络相结合的算法.该方法利用遗传算法的并行搜索和解空间搜索的优点进行网络参数的选取,并采用Hopfield网络简单、快速、规范的优点来优化样本空间,以取得整体的优化效率.     

基于智能聚类的内容分类方法与应用

直接依靠人的理解判断对内容进行分类,需花费大量的时间与精力,为了解决文本内容的自动聚类问题,该文在信息系统理论与自组织神经网络理论的指导下,利用智能技术得出了内容的分类结构。提出了基于智能聚类的内容分类方法,利用自组织神经网络的学习算法进行内容的聚类,并根据所提出的方法设计了基于智能聚类的内容分类示范系统,进行了应用研究,验证了该方法的有效性。     

适应零电流分断控制的动态分断过程研究

在大量试验的基础上,提出智能交流接触器零电流分断控制的最佳控制区域,并对接触器分断过程进行探讨.建立基于神经网络的智能交流接触器分断过程动态预测模型,从而提出智能交流接触器分断过程动态计算与分析的新方法,为产品研究开发及虚拟优化设计奠定基础.     

基于灰度和梯度不变矩的人脸识别

提出一种新的人脸识别方法———灰度-梯度共轭不变矩法,克服了传统方法的缺点,在不增加复杂度的前提下,将灰度信息和梯度信息有效地结合起来,并将其共轭分布反映的纹理特征作为对灰度特征的补充参与特征分类.同时,对经典不变矩组进行分析并改进,消除了离散状态下比例因子的影响.以BP网络作为分类器进行试验,结果表明,与传统方法相比,该方法具有更高的识别率.     

Techniques of Image Processing Based on Artificial Neural Networks

This paper presented an online quality inspection system based on artificial neural networks. Chromatism classification and edge detection are two difficult problems in glass steel surface quality inspection. Two artificial neural networks were made and the two problems were solved. The one solved chromatism classification. Hue, saturation and their probability of three colors, whose appearing probabilities were maximum in color histogram, were selected as input parameters, and the number of output node could be adjusted with the change of requirement. The other solved edge detection. In this neutral network, edge detection of gray scale image was able to be tested with trained neural networks for a binary image. It prevent the difficulty that the number of needed training samples was too large if gray scale images were directly regarded as training samples. This system is able to be applied to not only glass steel fault inspection but also other product online quality inspection and classification.