时滞BAM神经网络周期振荡解的存在性和指数收敛性

应用Banach空间的不动点定理并通过构造适当的Lyapunov函数,结合一些分析的技巧研究了时滞BAM神经网络周期振荡解的存在性和指数收敛性．导出的充分判据无论对网络应用还是设计都具有重要的意义,运用代数的方法易于检验导出的条件．最后,通过实例说明所得结果的有效性,     

记忆过程中格式塔原理的运用

由于近几十年来格式塔心理学研究的不断深入,特别是格式塔学派在学习,记忆的理论认识上有了更进一步的突破,而记忆又作为学习过程的重要组成部分,因此,希望通过格式塔的相关理论为人的记忆过程提出一些新的认识角度。     

基于行程数据的公交车到站时间预测

为向乘客提供较为准确的上下车时间参考,解决长距离预测中误差累积明显的问题,构建基于双层、双注意力、双向长短期记忆(LSTM)神经网络的公交车到站时间预测模型,提出一种基于行程数据的公交车到站时间预测方法.以广州市B2路、 560路公交车工作日的实际运行数据为例,对该预测方法进行精度验证.结果表明,由该模型所预测的行程时间,其平均绝对百分比误差为8.09%,在长距离到站时间估算上,15个站点的预测误差可保持在4.00 min左右.     

基于Attention机制和ResNet的CNN-BiLSTM短期电力负荷预测模型研究

短期电力负荷预测有利于电力系统的高效运行,对电力市场实现有效调度有重要意义。短期电力负荷受多种因素影响,波动性大、随机性强,使得其预测准确率低。双向长短期记忆网络和卷积神经网络难以在短期负荷序列中提取足够多的信息,本文提出了一种结合注意力机制和残差网络的卷积神经网络-双向长短期记忆网络短期负荷预测方法。首先利用基准模型卷积神经网络-双向长短期记忆网络对输入特征进行信息提取,然后利用注意力机制突出提取到的关键信息,最后通过残差网络创建残差层以充分学习时序特征。通过某公开数据集进行实验,结果表明该方法的平均绝对百分比误差达到2.80%,均方根误差达到2.15,并与常用的五种模型预测结果对比,验证了所提模型的准确性及有效性。     

一种基于RCAM结构的联想记忆器

递归相关联想记忆（ＲＣＡＭ）的回已规则不同于Ｈｏｐｆｉｅｌｄ网络之处在于前者在输入与记忆模式的相关值上作用一非线性函数,在文献（７）的基础上,文中对所涉及的非线性函数进行了进一步的研究,提出了利用截断较小相关值来提高记忆性能的方法,得到了一种新的具有ＲＣＡＭ结构的联想记忆器（ＴＲＣＡＭ）,理论分析表明该方法可大大地提高记忆器对任意输入的信噪比,仿真实验也显示此方法可显著增大记忆模型在保证一定纠错能     

基于混沌的信息记忆

综述了耦合混沌联想记忆网络、利用系统处于混沌状态时存在无数多非周期轨道记忆信息、利用混沌轨道在相空间的游动性搜索记忆模式以及在记忆模式间建立动态连接等方法,指出了一些值得进一步研究的问题。     

含哌嗪基团的芳氧乙酸酯类化合物的合成及其促学习记忆作用的研究

目的合成一系列2-[1-(2-吡啶)乙氧基]乙酸2-[4-取代哌嗪]乙酯类化合物,对其促小鼠学习记忆作用进行研究。方法将2-乙基吡啶进行NBS溴代反应,得到α-溴代2-乙基吡啶(2),化合物2与α-羟基乙酸乙酯反应得到芳氧乙酸乙酯(3),化合物3与1-取代-4-羟乙基哌嗪(5a-5g)进行酯交换得到目标化合物2-[1-(2-吡啶)乙氧基]乙酸2-[4-取代哌嗪]乙酯(6a-6g)。挑选两个化合物6a和6d,对其进行小鼠水迷宫实验,评价其促小鼠学习记忆活性。结果合成了一系列含哌嗪基团的芳氧乙酸酯类化合物,通过1H-NMR和红外光谱确证了其结构。结论小鼠水迷宫实验结果表明化合物6a和6d对乙醇所致小鼠学习记忆再现困难具有明显改善作用(P0.05)。     

黑水城汉文占卜文书研究的回顾与前瞻

黑水城出土汉文占卜文书是研究西夏、元时期占卜文化的重要文献,本文通过系统梳理学界关于黑水城汉文占卜文书的既有研究成果,加以条列和评述,希望能为相关研究的深化和拓展廓清思路。     

中国林业史研究的回顾与前瞻

林业史是一个交叉学术研究领域,随着时代变迁、科技发展,研究视域在不断开阔。回顾中国林业史研究的百年发展历程,梳理历史发展脉络。分析近十年中国林业史研究的新动向,总结已取得的成就,指出现状中的不足。在我国大力提倡生态文明建设的背景下,对中国林业史研究及学科发展进行展望:以生态文明理念为引领,普及信息化、数字化,汲取世界各国合理的经验,保护与传承我国优秀林业文化传统。以期不断推动林业史研究向更深更广的方向发展。     

一种融合双向LSTM和CNN的混合情感分析模型

针对现有文本情感分析方法实时性不强、难以应用到大规模文本、不能同时提取文本上下文信息和局部语义特征等问题，提出一种融合双向长短期记忆（LSTM）和卷积神经网络（CNN）的混合情感分析模型通过使用双向LSTM和CNN模型对由word2vec编码得到的文本词向量进行训练，运用注意力机制将双向LSTM模型学习到的特征作用于CNN模型上，并进行特征加权，最后将双向LSTM模型和CNN模型得到的结果进行拼接，由分类器得到相应的情感分类结果在NLPCC SCDL数据集上进行实验，结果表明所提出的融合双向LSTM和CNN模型在精度、召回、f1值和准确度方面优于两个单独的模型