关于不定方程X^3-64=31y^2

利用同余式,递归数列的方法,证明了不定方程x63-64=31y^2仅有整数解（4,0）,（20,±16）,（7,±3）．     

时滞分数阶递归神经网络的输入状态稳定性

针对Caputo分数阶系统难以用带有积分项的非负函数判断系统稳定性的问题,探讨了时滞分数阶递归神经网络的输入状态稳定性。通过设计反馈控制器,利用分数阶导数的定义、Mittag-Leffler函数的性质、李雅普诺夫方法、拉普拉斯变换以及不等式放缩技巧,得到了系统输入状态稳定的充分条件。最后,数值仿真例子验证了所提出方法的有效性。     

二次最小化问题的有限时间递归神经网络求解

利用一类递归神经网络模型来求解二次最小化问题，在该模型的基础上加入双符号幂激励函数，以加快递归神经网络的收敛速度，甚至达到有限时间收敛.通过调节设计参数λ的取值，递归神经网络的收敛性能可进一步提高.利用MATLAB软件对有限递归神经网络模型进行仿真，数值仿真结果验证了模型求解二次最小化问题的有效性和优越性.     

基于深度自编码器的电力能耗异常检测方法

针对电力能耗数据的非线性和不平稳特征,提出了一种基于深度自编码器的电力能耗异常检测模型。将深度学习的门控循环单元网络和自编码器结构相结合,通过传统自编码器的编码器和解码器部分采用门控循环单元网络来实现,充分发挥门控循环单元的数据特征提取能力和自编码器结构的数据重构功能。根据原始数据和重构数据之间的重构误差来检测电力能耗异常数据点。将所提方法应用于实际的车间电力能耗数据集,结果表明：所提方法能够对电力能耗数据进行异常点检测,检测效果良好。     

Recurrent neural network for vehicle dead-reckoning

For vehicle integrated navigation systems, real-time estimating states of the dead reckoning （DR） unit is much more difficult than that of the other measuring sensors under indefinite noises and nonlinear characteristics. Compared with the well known, extended Kalman filter （EKF）, a recurrent neural network is proposed for the solution, which not only improves the location precision and the adaptive ability of resisting disturbances, but also avoids calculating the analytic derivation and Jacobian matrices of the nonlinear system model. To test the performances of the recurrent neural network, these two methods are used to estimate the state of the vehicle＇s DR navigation system. Simulation results show that the recurrent neural network is superior to the EKF and is a more ideal filtering method for vehicle DR navigation.     

基于双向长短期记忆神经网络的岩相预测方法

介绍一种基于双向长短期记忆神经网络(Bi-directional long short-term memory,Bi-LSTM)的岩相预测方法,综合利用测井和地震数据进行高效准确的岩相预测.通过合成地震记录,进行井震数据的时深匹配,以地震吸收衰减数据、纵波阻抗、密度和伽马拟声波阻抗作为输入,以岩相作为标签,通过Bi-L...     

从稳定性角度看细菌群落的噪声特性

在细菌群落中,正常细胞可以转化为持留细胞,从而增加反复感染的风险.在定量生物学中,将细胞个数的相对涨落称为噪声.为了既维持细胞平衡态的稳定性又避免感染反复,该文基于稳定性因子研究了在细菌群落中细胞的噪声特性.研究结果表明：当稳定性因子达到某阈值时,这2种细胞的噪声相互交换并迅速超越强关联区,使得持留细胞的噪声远大于正常细胞的噪声,导致持留细胞几乎完全被正常细胞消除,感染被治愈;稳定性因子的值越大,这2种细胞的平衡态越稳定,每个细胞相对越独立,感染越容易被治愈.该结果可为临床上治疗反复感染提供理论解决方案.     

大滞后非线性系统PID型多步预测控制

简要概述了基于神经网络的大滞后非线性系统多步预测器的实现,在分析直接多步预测中的误差自关联问题的基础上,提出一种较为准确的去误差直接预测方法,引用鲁棒性好的PID型多步预测目标函数对滞后非线性系统实现预测控制.在控制中,采用适用于动态系统的递归神经网络.仿真实验表明了所提方法的有效性.     

基于前向神经网络的多新息随机梯度辨识算法

为了提高动态系统的辨识精度,提出一种基于前馈神经网络的多新息随机梯度辨识算法,它通过动态调整网络权值来提高网络在线辨识性能.由于多新息随机梯度辨识算法利用了系统的当前数据和历史数据,对动态辨识,特别是对具有纯时间延迟动态系统的辨识,较传统的BP算法在辨识精度和收敛速度方面具有更好的效果.仿真结果表明该算法的有效性.     

神经网络结构的递归T—S模型模型

提出一种新的递归T－S模型（Takagi-Sugeno模型）的模糊神经网络结构（TSFRNN）,利用动态BP（DBP）算法来学习训练神经网络的参数,通过与通常的多层前馈神经网络结构的T－S模糊神经网络（TSFNN）的对比仿真实验,说明在非线性系统建模方面TSFRNN比TSFNN更加优越。