小麦品种产量性状演变与预测的灰色系统分析

本文用灰色关联度分析的方法，对山东省及黄淮麦区不同时期种植的小麦品种产量性状的演变进行了分析，探讨了性状之间的变化态势的异同及相互影响的程度。用ＧＭ（１，１）模型对９０年代小麦产量及相关性状的发展趋势进行了预测。在此基础上，对制定科学合理的育种目标，明确育种的主攻方向，提高育种效率等问题进行了讨论了为小麦的遗传育种工作提供一定的参考信息。     

神经网络在成组技术方面的应用

阐述了成组技术及其在高级制造技术中的作用，在此基础上描述了神经网络在零件编码分类系统中的应用以及用神经网络设计制造单元的方法。     

对逐级递增负荷力竭性运动前后自由基代谢的灰色关联分析

采用灰色关联分析方法研究了逐级递增负荷力竭性运动前后自由基代谢指标的变化，结果显示，自由基代谢系统不同成分之间的相互影响是非常复杂的；尿液T—SOD的变化可能主要受到肾脏本身自由基代谢状态的影响；机体各组织细胞中生成的MDA对尿液MDA含量的变化有重要影响．     

统计模式识别的研究

模式识别的基本目标就是在有监督和无监督的情况下进行分类,在模式识别的各种模型中,基于统计的方法已经被广泛的研究并应用于实际.一些新的技术和方法的引入（神经网络和支持向量机方法）也促进了该领域发展,文章研究了基于统计的模式识别的进展情况,给出了模式识别的概念、原理、方法并对各种方法进行了相关的评述.     

径向电磁轴承的灰色系统控制与数值仿真

应用灰色系统去余控制理论，以径向电磁轴承为对象，提出该轴承的灰色系统控制方法，以实现对转子的稳定控制，并进行了数值仿真。建立了径向电磁轴承转子系统的动力学模型与传递函数，按照灰色系统理论设计了控制系统，由数值仿真结果表明，该转子系统能实现稳定良好的控制效果。     

应用等维新息双向差分灰色模型进行趋势分析的新发现

本建立了最佳等维新息双向差分灰色模型，不仅拓宽了灰色预测的适用范围，而且还通过维数选择确定了最佳维数；使用最新数学工具软件MATLAB进行编程，同时通过对上证周指进行趋势分析，该等维新息预测能较准确地预测未来随机时间序列的涨、跌幅度。     

基于神经网络的无刷直流电机预测控制的仿真研究

在无刷直流电动机高性能速度跟踪系统中，由于PI控制的滞后性，无法根据未来动态行为产生较为理想的PWM波形。针对PWM发生器一无刷直流电动机系统，提出基于神经网络的PWM预测控制方法。采用离线训练和在线修正的方法，通过对PWM发生器-无刷直流电动机系统动态行为的在线估计，建立了系统的神经网络模型。最优控制器根据神经网络模型的输入、输出响应产生合适的PWM波形。在Matlab／Simulink环境建立了模型并进行了仿真，结果表明，较之PI控制器，神经网络预测控制具有更好的动态响应性能。     

吉林省玉米单产的预测

在应用灰色ＧＭ（１．１）预测模型预测的基础上，又与马尔柯夫链结合构成灰色马尔柯夫链对吉林省玉米单产进行预测。结果表明：用灰色马尔柯夫链进行预测比灰色ＧＭ（１．１）模型预测的精度高、效果好，是一种理想的预测玉米单产的方法。同时用此方法对１９９２￣１９９５年吉林省玉米单产进行了预测。     

基于频域降采样和CNN的轴承故障诊断方法

在工业领域,设备运行过程中采集的原始故障信号具有强噪声以及多工况的特点,现有的基于数据的轴承故障诊断模型的抗噪能力与泛化能力相对较弱。针对以上问题,提出一种基于频域降采样(down-sampling)和卷积神经网络(CNN)的轴承故障诊断方法 Ds-CNN。频域降采样包含最大偏移降采样和噪声横截断两个部分,可以实现样本增强,降低样本在频域的差异性,同时减弱噪声对频域信号的影响。基于频域信号建立的CNN模型能够自动提取降采样后频域信号的故障特征,并完成对轴承故障的识别分类。实验结果表明,在强噪声环境和多工况条件下,与目前常用模型相比, Ds-CNN具有更高的识别准确率。     

基于特征类内紧凑性的不平衡医学图像分类方法

近些年,基于深度学习的算法和模型在各种图像分析任务中都取得了显著的成功,与常见的自然图像相比,医学图像数据集依然面临高度不平衡的问题,不平衡数据会导致特征空间里的决策边缘倾向样本多的类别,导致分类效果的下降.为了解决该问题,提出一种基于卷积神经网络考虑特征类内紧凑性的不平衡医学图像分类方法（Z-Score Compactness-based Convolutional Neural Network,ZC3NC）.首先,从一个卷积神经网络的最后一层卷积层提取训练集样本与测试集样本的特征图,随后引入一个新的Z分数来度量测试集数据的特征图相对训练集每个类在特征空间上的偏离度,偏离度的度量基于类内的紧凑度,其主要关注样本的分布特性,对各类样本数量的不平衡性不敏感.最终,根据计算的偏离度,对测试集的数据进行分类.在DermaMNIST数据集上的实验表明,在不对数据和神经网络模型做任何额外增强的情况下,该方法的平衡准确率比原卷积神经网络模型平均提高11.15%,最多提高14.08%,证明提出的分类方法能有效地提高多种卷积神经网络对不平衡医学图像数据的分类性能.此外,和最先进的不平衡分类方法 Und...