前馈神经网络混合训练算法及其应用

介绍了单隐层前馈神经网络的混合训练算法(HFM)和正则化混合训练算法(RHFM),然后将该算法应用于UCI数据库上的实际回归例子中,并将其与BP、NNRW以及FM算法进行了比较.仿真实验表明,HFM算法的收敛速度优于其它几种算法,RHFM算法有较好的泛化性能,而NNRW算法在训练时间上占优,尽管如此,HFM算法在时间上还是大大优于BP算法.说明,混合训练算法是一种有效的算法.     

扩展双向联想记忆神经网络及其应用

提出了一种采用δ规则作为学习算法的扩展双向联想记忆神经网络模型，并从理论上证明了其稳定性。该模型克服了现有采用Ｈｅｂｂ规则作为学习算法的联想记忆神经网络对记忆模式有正交性要求和所模式吸引域小的不足。实验结果表明，其联想记忆能力优于目前现有的联想记忆网络。     

遗传算法在BP神经网络学习过程中的应用

单纯的BP算法学习神经网络容易陷入局部最小点,本文针对BP的缺点提出应用遗传算法来训练BP神经网络,结果可以看出,相比单纯的BP算法,遗传算法有着准确,全局搜索,收敛速度快的特点,在实际应用中有一定的价值.     

递阶神经网络建模环污水处理过程的应用

从污水处理过程的多非线性和多变量子系统的串级结构特点出发,在活性污泥过程的基础上提出了递阶神经网络建模方法。此法采用串级的方式把过程机理模型和神经网络连接起来,用神经网络对活性污泥过程中的非线性组分反应速率进行辨识,对各子过程建模误差的关系进行分析,提出了稳定性理论分析和稳定学习算法。     

神经网络在地质数据统计分析中的应用

本文提出用人工神经网络来进行地质数据多变量统计分析,算例表明,方法有效且具有精度高,运算速度快,数字解稳定易于编程等显著特点,是地质数据分析中的一种有效方法。     

神经网络模型及其在计量与测试中的应用

本探讨了神经网络模型及其在计量与测试中的应用。以反传（BP）神经网络为例，详细讨论了神经网络模型结构、学习算法，推导了一种优于常规BP算法的递推预报误差算法，并给出了应用实例。     

一种BP神经网络的改进方法及其应用

针对BP神经网络中学习因子取值小、收敛性好但训练时间长，学习因子取值大、权值变化剧烈但可能导致振荡的情况，提出了一种修正学习因子的方法，即给学习因子前加一比例因子，在网络权值调整过程中自动调整学习因子的大小，使网络训练时间短，而且收敛效果较好。仿真结果表明，在导弹指令跟踪中，改进算法比原来算法优越得多。     

递归神经网络的模糊随机学习算法

提出了一种新的基于模糊逻辑的Alopex学习算法（FLA）。FLA算法利用模糊逻辑推理实时获得适应于学习过程的适当的算法修正值，克服了Alopex算法中修正值固定不变的缺点，使得随机学习过程在速度、精度和稳定性之间获得平衡。将该算法应用于神经网络的训练，可以无需神经网络的梯度信息和结构信息，因此可以用于具有各种结构特性的递归神经网络对动态系统的学习过程。实验结果表明了FLA算法的有效性。     

一种模糊神经网络改进算法及其在振动强度识别中的应用

对传统模糊自适应Hamming网络算法进行了改进,通过引入新的模糊算法对传统算法中的类别选择函数进行改进,以提高网络的正确识别率,为了实现模式识别中网络的有序输出,对输出层获胜神经元的选取方法也进行了相应的改进。改进后的算法用于空调压缩机壳体振动强度的识别,利用模糊自适应Hamming神经网络综合考虑各测点振动、噪声信号所包含的信息,对壳体振动强度区域实现自动划分。通过改进师前、后两种算法在不同警戒参数下的试验结果发现,采用改进后的算法大大提高了网络的正确识别率,并能够很好地实现网络的有序输出。     

模式识别和神经网络在复合材料优化设计中的研究和应用

综述了模式识别和神经网络两种智能理论用于复合材料设计及优化方法,举例说明两种智能方法在复合材料优化设计中性能预测、仿真建模、工艺优化等多领域的应用价值和研究进展,分析讨论了两智能理论应用于材料设计研究时的主要问题及其解决方案,并对其发展方向提出了若干建议.     

过程神经元网络的若干理论问题

章提出一种过程神经元模型,勘全入为与时间有关的函数或过程,它是传统人工神经元模型在时间域上的扩展。基于这种过程神经元模型,给出了一种仅含一个隐层的前馈型过程神经网络模型,即基展开过程神经元网络模型。证明了相庆的连续性定理,逼近定理,计算能力定理等。     

人工神经网络和机械故障诊断

智能化诊断是现代故障诊断技术发展的主要趋势,人工神经网络技术的出现为这种智能化提供了一个全新的途径。本文首先简单介绍了人工神经网络的基本性能及几个重要模型,着重探讨了人工神经网络技术在机械故障诊断领域中预测与控制、工况监测与故障分类诊断、模糊诊断和基于专家系统的故障诊断等几个主要方面的应用,指出人工神经网络技术与现有的信号处理、模式识别、模糊逻辑、专家系统等技术相结合,以解决故障信号分析与处理、故障模式识别以及故障论域专家知识的组织和推理等问题,必将加快智能化诊断发展的进程。可以预料:基于人工神经网络的故障诊断技术将具有广阔的发展与应用前景,并且随着VLsI 技术的发展,这一新技术必将广泛地应用于各种诊断实例。最后讨论了进一步值得研究的方向。     

Diffractive Deep Neural Networks at Visible Wavelengths

Optical deep learning based on diffractive optical elements offers unique advantages for parallel processing, computational speed, and power efficiency. One landmark method is the diffractive deep neural network (D²NN) based on three-dimensional printing technology operated in the terahertz spectral range. Since the terahertz bandwidth involves limited interparticle coupling and material losses, this paper extends D²NN to visible wavelengths. A general theory including a revised formula is proposed to solve any contradictions between wavelength, neuron size, and fabrication limitations. A novel visible light D²NN classifier is used to recognize unchanged targets (handwritten digits ranging from 0 to 9) and targets that have been changed (i.e., targets that have been covered or altered) at a visible wavelength of 632.8 nm. The obtained experimental classification accuracy (84%) and numerical classification accuracy (91.57%) quantify the match between the theoretical design and fabricated system performance. The presented framework can be used to apply a D²NN to various practical applications and design other new applications.     

基于径向基函数神经网络的滚动轴承故障模式的识别

径向基函数（RBF）神经网络是一种3层前馈性神经网络，它具有较强的函数逼近能力和分类能力。鉴于径向基函数神经网络的优点，在对滚动轴承振动信号特征分析的基础上，提出了采用时序方法对其建立AR模型，利用AR模型参数建立径向基函数神经网络，并用该网络对滚动轴承的故障模式进行了识别。理论和试验证明了该方法的有效性，且具有较高的识别精度。     

神经网络技术及其在旋转机械故障诊断中的应用

人工神经元网络模型是由大量的简单计算单元广泛相互联接而成的一个非线性动力学网络系统,它以高度的并行分布式处理、联想记忆、自组织及自学习能力和极强的非线性映射能力,在众多的领域里显示了广阔的应用前景。本文从模式识别的角度,论述了神经元网络技术及其在旋转机械故障诊断中的应用,就神经元网络结构及其所能形成的模式分类决策区域作了较为详尽的阐述,并与传统的模式识别技术作了比较。最后在振动频谱波形特征的基础上,就旋转机械中五种典型故障模式,用感知器网络进行了试验研究和分析。结果表明,人工神经元网络技术对于高维空间模式识别及非线性模式识别问题,具有较强的分类表达能力。作为一种新的自适应模式识别方法,神经元网络技术能够有效地解决故障诊断中较为复杂的状态识别问题。     

Application of Hybrid Learning Neural Fuzzy Systems in Reliability Prediction

This study presents a hybrid learning neural fuzzy system for accurately predicting system reliability. Neural fuzzy system learning with and without supervision has been successfully applied in control systems and pattern recognition problems. This investigation modifies the hybrid learning fuzzy systems to accept time series data and therefore examines the feasibility of reliability prediction. Two neural network systems are developed for solving different reliability prediction problems. Additionally, a scaled conjugate gradient learning method is applied to accelerate the training in the supervised learning phase. Several existing approaches, including feed‐forward multilayer perceptron (MLP) networks, radial basis function (RBF) neural networks and Box–Jenkins autoregressive integrated moving average (ARIMA) models, are used to compare the performance of the reliability prediction. The numerical results demonstrate that the neural fuzzy systems have higher prediction accuracy than the other methods. Copyright © 2005 John Wiley & Sons, Ltd.     

目标地震动信号的特征提取及识别研究

地面目标的地震动信号是目标识别的关键,本文研究了机动目标地震动特性,总结出目标的地震动信号的特征提取规律,并将神经网络方法用于目标的地震动信号的分类识别中。给出了识别结构及改进的BP算法,并将改进的BP算法用于实际目标的地震动信号的分类识别,得到令人满意的结果。     

Intelligent Prediction Approach for Diabetic Retinopathy Using Deep Learning Based Convolutional Neural Networks Algorithm by Means of Retina Photographs

Retinopathy is a human eye disease that causes changes in retinal blood vessels that leads to bleed, leak fluid and vision impairment. Symptoms of retinopathy are blurred vision, changes in color perception, red spots, and eye pain and it cannot be detected with a naked eye. In this paper, a new methodology based on Convolutional Neural Networks (CNN) is developed and proposed to intelligent retinopathy prediction and give a decision about the presence of retinopathy with automatic diabetic retinopathy screening with accurate diagnoses. The CNN model is trained by different images of eyes that have retinopathy and those which do not have retinopathy. The fully connected layers perform the classification process of the images from the dataset with the pooling layers minimize the coherence among the adjacent layers. The feature loss factor increases the label value to identify the patterns with the kernel-based matching. The performance of the proposed model is compared with the related methods of DREAM, KNN, GD-CNN and SVM. Experimental results show that the proposed CNN performs better.