神经网络在储层横向预测中的应用

传统的冯·诺依曼程序存储式计算机擅长于数据处理，但在类似于面貌及声音识别这样一些简单的认知问题方面，与人类相差很大，这种差异推动神经网络的研究，本文讨论误差反向传播网络（ＢＰ）。给出了ＢＰ网络在储层横向预测测方面的应用。     

无刷直流电机的神经网络控制器的仿真研究

提出了一种无刷直流电机的神经网络非线性跟踪器的设计方法。在无刷直流电机的高性能速度跟踪中，若仅采用传统的PID调节，则难以克服系统本身参数扰动所带来的转速偏差问题。本文采用双神经元网络的控制方法，一个用于辨识，一个用于控制，并在Matlab与Simulink下进行了仿真。文中提出一种易于应用自适应权值修正的方法，可以加大采样频率。仿真结果表明，这种方法可以在不影响控制精度的条件下，大大减秒计算量，有利于在线实现。     

基于神经网络模型偶的投入产出建模（英文）

基于投入产出中使用和投入两个方向的非线性关系，本文利用神经网络技术建立了一种新的投入产出模型，并讨论了该模型在投入系数综合预测中的应用。文中报导了神经网络模型偶的修正了的反传训练公式。最后，中国广东省的仿真例子表明了所给算法的有效性和该建模方法的特点     

利用输入信号先验知识构造某些分类神经网络的研究

提出一种前向神经网络只有一个隐元就可以解决奇偶校验或对称性校验问题，讨论了如何根据输入模式的先验知识来推导隐元的传递函数的构造该分类神经网络的方法，和已有的研究工作相比，提出的前向神经网络是解决某些线性不可分的模式识别问题的最简单的网络结构，所提出的分析方法也可推广用于类似的网络构造问题。     

用R_ ~n上的神经网络求解有约束预测控制

通过对系统的信号约束,构成有约束广义预测控制问题.并实施一系列的转换步骤,将这一问题化为两个神经网络的求解平衡点问题.理论分析保证了这一求解是有约束预测控制问题的全局最优解.并设计了求解该问题的神经网络电路,使得有约束预测控制的求解能在电路的时间常数级内完成.     

SOM神经网络在储层流体识别中的应用

自组织特征映射（ＳＯＭ）神经网络能通过自组织有效地提取出各特征参数间的内在特征并映射到分类模板上，它可以用于各种模式识别问题。本文首次将ＳＯＭ网络引入到储层流体识别中，经研究表明其精度高于传统方法，说明该方法在解决复杂分类问题上的有效性和先进性，它在储层流体识别中的应用是成功的，值得推广。     

PFM神经网络VLSI电路的故障诊断应用

为了改变传统的基于软件的故障诊断模式,发挥神经网络超大规模集成电路(VLSI)的优势,提出了一种用于故障诊断的改进脉冲频率调制(PFM)模拟神经网络脉冲流VLSI电路.利用单层感知器网络、场效应管电路实现了一种新的数字模拟混合突触乘法/加法器电路.以此电路为基础,设计了进行主轴承磨损故障诊断的神经网络故障识别系统.用含有故障信息的噪声信号代替振动信号进行特征值提取,经过前置信号处理分析、故障特征值提取和神经网络运算,最后得出代表待诊断测试信号与标准故障模板之间"欧氏距离"的VLSI电路输出端电容的电压值.根据各个电压值,可以判断出故障类别.该电路具有较高的识别精度,可以实现实时在线的故障诊断.     

用于标定和优化的高压共轨柴油机建模

高压共轨柴油机可控燃油喷射参数的增加,在使对燃烧的控制更加灵活的同时也带来标定和优化工作量显著增加的问题.为适应高效率的需要,提出并研究了基于模型的标定优化,即采用神经网络在一些工况点上建立模型,再通过自适应神经模糊推理系统(ANFIS)进行插值,将模型由这些工况点扩展到所需工况空间.模型精度由对象、建模所用数据量及模型参数调整共同决定.试验在一台六缸高压共轨柴油机上进行.理论分析和试验结果表明 该方法可以在保证精度的同时有效减少标定优化的试验工作量.     

基于G2的飞船推进系统的故障诊断

探讨了G2的知识表示、知识库管理及实时推理.针对飞船推进系统的工程实际问题,分析了推进舱推进子系统的故障特点,采用神经-模糊系统理论对推进舱推进子系统故障模式的知识表示进行研究,提出了推进舱推进子系统故障的知识表示形式.运用G2软件平台设计了飞船推进系统的故障诊断推理机.该推理机可以实时地诊断出相应的故障模式,记录相关的故障信息,还可以对故障进行预报,以避免故障的发生.