广义严格对角占优矩阵的判定及其在神经网络系统中的应用

利用非零元素链理论以及方法,给出了判定广义严格对角占优矩阵的几个充分条件,拓广了广义严格对角占优矩阵的判定方法,并给出其在神经网络系统中的应用,结果表明该法不仅有效而且简单实用.     

颈丛复合肌间沟臂丛神经阻滞对锁骨内固定手术的临床观察

目的:比较颈丛复合肌间沟阻滞与常规颈丛阻滞行锁骨内固定手术的临床效果.方法:60例行锁骨手术患者,采用颈丛复合肌间沟臂丛神经阻滞与颈丛神经阻滞,随机分为A、B组,每组30例.评估麻醉后感觉的阻滞程度,手术过程中的阻滞效果(优、良、失败),并观察和记录并发症.结果:锁骨外2/3部位感觉阻滞A组(16.7±1.9)min,B组(13.2±1.1)min,B组好于A组(t=2.42,p＜0.05),B组优良率为90.0％,A组优良率为76.7％,B组高于A组(p＜0.05).结论:锁骨内固定手术中颈丛复合肌间沟阻滞优于常规颈丛阻滞.     

一阶湍封闭的某些改进

应用Ｐｒａｎｄｔｌ混合长理论导得既包含工项又包含二阶导数的湍流通量闭合方案,并进一步分析了该封闭方案用于湍流扩散方程的数值散行为。分析表明：（１）扩散项使污染物扩散并趋于空间均匀分布,而频散项导致污染物空间分布非均匀;（２）所给出的改进后的一阶湍流封闭方案既可解释标量物质的局地反梯度输送现象又可能使Ｋ理论用于混合层。     

慢性应激对小鼠空间学习记忆功能及海马和前额叶皮层BDNF表达的影响

采用多因素慢性应激动物模型,通过Morris水迷宫测试小鼠空间学习记忆能力;采用免疫组织化学方法检测脑源性神经营养因子（BDNF）在海马和前额叶皮层的表达．结果显示,与对照组相比,应激组小鼠的空间学习记忆能力明显下降（P〈0．01）;应激组小鼠海马CA1区、齿状回和前额叶皮层BDNF表达明显下降（P〈0．01）;停止应激后一周,应激组小鼠BDNF在各脑区的表达有一定恢复,但与对照组相比,仍有显著性差异（P〈0．05,P〈0．01）．结果表明,慢性应激导致小鼠空间学习记忆功能的损伤可能与BDNF表达的下调密切相关．     

鱼类尾部神经分泌系统研究进展

比较详细地介绍了自１９世纪末到本世纪末近一个世纪生物学家们在鱼类尾部神经分泌系统的形态结构及组成,其所分泌的活性肽及生理效应,该系统的生理功能和分泌方式及神经支配等方面的研究成果和发展趋势,为全面了解该系统的结构和功能提供了较为翔实的资料,并为进一步深入研究该系统了方向和方法。     

多层前馈神经网络的快速学习算法及其仿真研究

本文主要研究多层前馈神经网络的快速学习问题。文中首先概述了多层前馈神经网络的B—P学习算法,并分析了这种算法的主要缺陷,在此基础上提出了若干克服和缓解这些缺陷的技术方法,由此构造了一种新的多层前馈神经网络的快速B—P学习算法即FB—P算法。通过对FB—P算法学习过程进行较详细的分析,本文还建立了一种改进的FB—P学习算法即MFB—P算法。最后本文以三层前馈神经网络识别五类地面目标图像为例,对文中提出的FB—P和MFB—P学习算法的性能(即学习速度与推广特性)进行了计算机仿真实验,同时与B—P学习算法的性能作比较,理论分析与仿真实验表明:MFB—P与FB—P学习算法比B—P学习算法具有更快的收敛速度,且MFB—P算法收敛最快;MFB—P算法比FB—P和B—P学习算法具有更好的推广特性,而后两者的推广特性则大致相同。     

基于RBF神经网络模型的单力臂机器人控制

针对单力臂机械手的控制,提出了一种基于RBF神经网络模型的控制方法;RBF神经网络即径向基函数,它本身是具有单隐层的三层前馈网络,从输入空间到输出空间的映射呈现非线性,但是从隐含层空间到输出空间的映射却呈现线性,又由于RBF网络它采用高斯基函数作为作用函数,它的输出与部分调参数有关,在输入空间的有限范围内不为零,是一种...     

一种基于神经架构搜索的图像高效超分辨率重建算法

针对超分辨率重建图像质量与计算成本难以平衡这一问题,提出了一种基于神经架构搜索的高效超分辨率重建算法——NASESR.首先,采用全局残差学习,将搜索的部分限定在网络的非线性映射部分;其次在该部分加入了下采样结构用于减小特征图尺寸,降低计算成本;第三,建立轻量级的搜索空间和联合奖励用于搜索最优网络结构;第四,将搜索分为宏...     

我国脑衰老与神经退行性疾病研究进展及展望

我国社会正面临着人口老龄化问题.随着我国老年人口的不断增加和老年慢性疾病发生率的快速攀升,对衰老和相关重大慢性疾病的发生机制和干预研究已成为科技创新前沿热点和国家重大需求.本文就近年来我国在脑衰老和神经退行性疾病研究领域的进展进行综述,包括脑衰老与神经退行性疾病的发生机制、神经退行性疾病的生物标志物和早期预警、神经退行...     

一种基于词嵌入模型和卷积神经网络的简化文本分类方法

自然语言处理（Natural Language Processing,NLP）可分为自然语言理解（Natural Language Understanding,NLU）和自然语言生成（Natural Language Generation,NLG）两大类子任务。预训练语言模型和神经语言模型在自然语言理解的整个流程中占据重要地位。本文梳理了文本预训练语言模型的发展流程,并分析当下主流的预训练语言模型以及深度学习模型的不足,基于经典预训练语言模型（Word2Vec）和卷积神经网络分类模型（CNN）,提出一种简化的文本分类模型（Simplified CNN）,在多个情感分析（Sentiment Analysis,SA）基准数据集上进行实验测试,实验结果表明,在文本分类任务上,简单网络可以得到与复杂网络相媲美的分类效果并且运行时间优于复杂网络,与传统的分类模型相比较,在分类效果上表现出了优势。