冻粘土三轴流变特性的神经网络预测

针对冻粘土特殊的物理力学性质，通过详细的冻粘土三轴应力条件下长期蠕变实验，讨论了温度，轴压，围压三种因素对冻粘土蠕变特性的影响，并利用人工神经网络（ANN）方法对冻粘土三轴流变特性进行了预测，建立了BP网络模型，预测结果与实验值吻合，因而具有一定的理论和实用价值。     

超声喷雾热分解法制备电极材料LiCoO2薄膜

以硝酸锂和乙酸钴为原料,玻璃为基片,通过超声喷雾热分解法制备了锂钴氧化物薄膜,并讨论了制备条件对形成薄膜如Li与Co摩尔比对薄膜晶型、不同溶剂对雾化效果、热分解温度对产物晶型和薄膜外观、反应时间对膜厚等的影响,经X-射线衍射分析和电镜测试,给出了制备较好晶型结构LiCoO2薄膜的条件.     

模糊神经网络在石油压裂支撑剂研制中的应用

石油压裂支撑剂的研制是一项复杂有难度的技术，受到很多因素的影响。针对研制过程中各项指标具有较大模糊性的特点，应用模糊神经网络系统(FNNS)来获取各影响因素与支撑剂质量的关系模型和预测模型，从而找到原料配比、成球工艺参数、烧结温度与产品质量之间的最佳关系。     

人正常子宫内膜树突状细胞的周期性变化

目的：研究人正常子宫内膜上树突状细胞(dendritic cell，DC)的分布特点。方法：对10例人正常子宫内膜组织应用HLA-DR单克隆抗体和CD1a蛋白抗体进行免疫组化染色，其中增殖期内膜4例、分泌期内膜3例、绝经期内膜3例，观察其中的阳性细胞。结果：10例正常子宫内膜标本中，5例呈HLA-DR阳性表达(增殖期4例，分泌期1例，绝经期0例)；4例呈CD1a阳性表达(增殖期3例，分泌期1例，绝经期0例)。结论：人正常子宫内膜组织中存在表达主要组织相容性复合体-Ⅱ(MHC-Ⅱ)类分子的DC，各时期的子宫内膜DC检出率不同。     

中国鲎黄色结缔组织营养细胞超微结构观察

利用透射电镜对中国鲎营养细胞进行超微结构观察．营养细胞为鲎黄色结缔组织的主要构成细胞．营养细胞往往外包基膜，胞质中含有丰富的营养颗粒和脂肪颗粒．营养细胞由结缔组织中的营养母细胞分化而来．营养母细胞的细胞质膜特别发达。胞质少；原始营养细胞胞质增大许多，核质比变小。细胞器增多，特别是线粒体和内质网数量增多；随着营养细胞的发育，胞质中形成大量的营养颗粒和脂肪颗粒．营养颗粒和脂肪颗粒是鲎机体营养的储存库．营养颗粒被消化过程中。形成结构各异的残余体．     

新型模糊神经网络控制器在GTAW焊中的应用

钨极气体保护电弧焊(GTAW)过程是一个复杂的、多参数耦合的高度的非线性系统，难以实现实时、有效的在线控制．模糊控制吸收人的经验思维的特点；神经网络则对信息的处理具有自组织、自学习的特点；遗传算法是一种全局优化搜索方法，具有简单通用、适合并行处理的特点．笔者将三者有机地结合起来，在模糊神经网络控制器的基础上利用改进的遗传算法，并分析其网络结构和离线学习的方法，协调利用三者的优势设计一种新型的模糊控制器，并使之用于脉冲GTAW焊仿真中，结果证明该新型模糊神经网络控制器比传统的模糊控制器具有一定的优越性．     

倒立摆系统及其智能控制研究

倒立摆系统是绝对不稳定非线性系统的一个典型范例，如何对其进行有效的控制是控制界的一大热点。这里以各种智能控制理论为基础，对应用于倒立摆系统控制的智能控制方法进行综述，分析了各种方法的特点和联系，最后还就这一领域的研究方向进行了展望。     

具变时滞细胞神经网络的指数稳定性与正周期解

利用Lyapunov函数研究具变时滞细胞神经网络的指数稳定性，获得新的判据，利用重合度理论得到了该神经网络正周期解存在的充分条件．     

人工神经网络预测离子色谱分离条件

 以EDTA为淋洗液,用均匀试验设计法研究了高Cl^-浓度下Cl^-与NO₂^-,NO₃^-的分离条件.将实验条件和实验结果作为BP神经网络的训练集,同时对网络的结构和训练速率进行筛选和优化.经过2567次训练后,网络训练误差达到10^-5.对训练结果的考察表明,人工神经网络以较少的实验数据成功建立了离子色谱分离条件的预测模型,最大相对误差仅为0.85%.     

基于动态递归模糊神经网络的动态系统辨识

模糊系统和神经网络由于具有逼近任意连续非线性映射的特性而广泛应用于系统的辨识和控制,但是传统的模糊神经网络是一种静态映射,不适用于动态系统的辨识,而现实工程中的控制对象反映的是系统的动态行为.为了提高动态系统的辨识精度,提出了一种新型的动态递归模糊神经网络,并根据动态递归神经网络的数学模型推导其动态反向传播学习算法及其改进算法.仿真结果表明:由于动态模糊神经网络的辨识过程同时利用了系统的当前数据和历史数据,对动态系统的辨识,特别是对具有纯时间延迟动态系统的辨识,较传统模糊神经网络在辨识精度和稳定性方面具有更好的效果.同时,确定网络权值和隶属函数参数初始值的方法可使动态系统的辨识过程具有更快的收敛速度.