用于稳态视觉诱发电位目标识别的多尺度特征融合卷积神经网络方法

针对传统稳态视觉诱发电位(SSVEP)脑电信号目标识别方法分类精度低、提取特征不充分、方法复杂且耗时等问题,提出一种基于多尺度特征融合卷积神经网络的SSVEP信号分类识别方法(SSVEP-MF)。利用小波变换将多通道SSVEP信号整合转化为二维图像作为输入样本集;建立多尺度特征融合卷积神经网络模型(MFCNN),该模型利用三层二维卷积核实现图像样本不同尺度特征的充分提取,构建多尺度特征融合单元对不同层级特征进行融合,并通过全连接等操作完成模型的训练;将样本集输入到MFCNN模型中实现脑电信号特征自适应提取及端到端分类。所提SSVEP-MF方法能够充分提取信号各层级特征,实现短时间视觉刺激下SSVEP信号的有效识别,并具有较高的目标识别效率。实验结果表明,在1 s刺激时长时,相比传统功率谱密度分析方法、典型相关分析方法以及普通卷积结构方法,所提方法的识别准确率分别提升了18.57%、20.08%及7.03%,有效提高了基于稳态视觉诱发电位范式下脑机接口的信号识别性能。     

一种新型的无搜索求解策略

提出一种基于模糊逻辑和神经网络的专家系统，它是一种集信息表达，生成与求解为一体的新型求解系。本系统的核心－学习推理网，网络的知识表达是分布的，可实现并行推理，不需要进行搜索和匹配。     

BP网络的一种优质高效学习算法

对ＢＰ算法的突出问题———收敛性进行分析,综合汇集了五条改进措施,提出一种新的算法．计算机仿真结果表明,该算法对于连续函数,收敛效果较佳;用于正弦函数,迭代１５次即满足误差精度要求Ｅｍａｘ＝１０－３．     

一种基于深度卷积神经网络的摄像机覆盖质量评价算法

随着视频监控系统的大规模普及,视频监控系统的效用评价成为一个重要的研究课题.当前视频监控系统评价只考虑了摄像机的覆盖率,缺少对摄像机覆盖质量的量化评价.该文提出了一种基于深度卷积神经网络的监控摄像机覆盖质量评价算法.将摄像机覆盖质量评价问题转化为对摄像机所采集视频帧的质量评价问题,探讨了基于视频帧的摄像机覆盖质量等级的分级策略,标注了一个摄像机视频帧质量等级数据集; 设计了一种新颖的多维标签赋值方法,利用深度卷积网络学习鲁棒的视频帧表示,进一步基于支持向量回归机(SVR)学习视频质量回归函数,从而实现对摄像机覆盖质量的鲁棒估计.实验结果表明:该算法能够准确地对监控摄像机的覆盖质量进行自动评测,有效监测了摄像机监控质量的实时变化.     

基于神经网络的Q学习在Khepera Ⅱ机器人避障中的应用

为了提高移动机器人的自主学习能力,在传统的机器人行为控制结构基础上设计了智能控制结构,同时引入了基于神经网络的Q学习模块算法,克服了传统算法只能应用到离散状态中的不足.移动机器人的避障实验结果表明,该方法能够使移动机器人通过自学习实现自主避障.     

基于BP神经网络的电解加工精度预测模型

为精确地预测电解加工精度,采用了BP神经网络的方法进行建模．在分析影响加工精度主要因素的基础上,确定了BP神经网络模型的特征参数,并根据实际情况,确定了输入层和中间隐层的维数,从而确定了模型的结构．用试验参数对模型结构进行训练,最终建立了一个用于电解加工精度预测的BP神经网络模型．利用该模型进行的精度预测结果表明,该模型的预测误差可以控制在10％以内,具有很高的精度预测能力．     

基于BP神经网络模型的住宅用地地价评估研究——以南昌市主城区为例

减少土地估价过程中的人为主观性对于提高土地估价的科学性和客观性具有重大意义。以南昌市主城区为研究区,选取100多个住宅用地交易案例为样本,运用BP神经网络和GIS空间分析方法,分析住宅地价及其影响因子之间的复杂关系,构建BP网络建立地价与影响因子之间非线性映射关系并进行地价预测。研究结果表明:商业因素、公共设施因素、交通因素和环境因素对住宅地价有显著的影响;用BP神经网络对地价的预测误差均控制合理范围以内,BP神经网络强大的非线性映射能力和自主网络学习,理论上可以实现对住宅地价的评估,为政府和经济主体参与经济活动提供科学的依据。     

基于数据挖掘的煤质特性与电厂辅机能耗的关联分析

煤质特性是设计电厂设备的基础,煤质的优劣对生产技术指标,设备的安全运行,电厂经济性运行以及电厂设备能耗具有决定性作用。利用基于Clementine数据挖掘技术分析电厂DCS采集的大量生产数据,计算煤质特性参数与煤处理设备、磨煤机、风机静电除尘器、烟气脱硫装置等辅机设备能耗特性关系,可以为运行人员提供机组在不同负荷及不同煤质特性条件下的最优运行方式与参数控制,进而使燃煤电厂安全经济运行。     

基于BP神经网络的镍基合金腐蚀性能的预测分析

利用三层BP神经网络,根据已有的镍基合金（Nimonic80A合金镍基沉淀硬化）在不同重油杂质环境参数下的腐蚀速度数据,建立了燃气轮机的涡轮部件在重油杂质环境中腐蚀失重的人工神经网络模型,并进一步预测了腐蚀失重．预测结果表明：在重油杂质条件下,温度和有机硫化物含量越高,腐蚀损失越大．预测结果能正确地反映出环境参数对涡轮部件腐蚀失重的影响．     

基于卷积神经网络的基因剪接位点预测

研究剪接位点可以更深入地探索剪接机制和基因预测方法,准确预测剪接位点至关重要。基于深度学习技术提出一种新的预测方法,无需人工提取样本特征,以基因序列的K-MER编码向量作为输入,采用训练后的卷积神经网络(CNN)模型进行预测。基于人类基因HS3D供体数据集,与传统机器学习方法进行预测比较,结果表明预测模型的主要性能指标,包含马修斯相关系数(MCC)、灵敏度(SN)均超过传统的机器学习方法。