安卓平台上的医用图像信息采集系统的开发设计

为了探讨在安卓平台上构建医用图像采集系统的开发个案,分析通过以智能手机、平板电脑为核心安卓设备通过拍照获得化验单数据后进行文本识别并提交智慧医疗系统的解决方案。本文首先通过二值化算法形成低阈值图像数据,使用卷积神经元网络算法对文本进行逐一识别,使用K-means算法对识别后的单字文本进行字段记录值的整合并形成元数据库服务于其他智慧医疗系统模块。在使用9000组数据对神经元网络进行前期训练的前提下,该系统的识别准确率达到了99.5%以上。本系统具有一定的可行性,对未来智慧医疗的系统开发有实践意义。     

化工软测量技术研究进展

详细说明了软测量技术的含义以及软测量系统的组成。在此基础上，介绍了软测量技术中基于机理分析建模、应用状态观测器建模、应用统计分析建模、神经元网络、模糊技术、以及支持向量机的智能建模等软测量建模理论方法和最新研究成果，之后介绍了小波分析、推断控制算法在软测量数据处理中的应用，最后介绍了基于虚拟仪器开发平台的软测量系统实现技术。     

人工神经元网络在系统辨识中的应用

本文将人工神经元网络的非线性性和信息的分布性用于非线性静态模型的辨识.对化 工生产中的缩聚反应过程的辨识结果表明,用人工神经元网络来辨识非线性静态模型是可行 的,从而为系统辨识提供了一条新的途径.     

模糊神经网络在电火花加工机中的应用

从提高系统的加工效率和加工质量角度出发，首先分析了电火花加工过程的特点。并以此分析为基础，提出了在电火花加工过程中，使用模糊神经网络控制技术。利用模糊控制器的特点，结合人工神经元网络的优点，切实校正了某些不完善规则的不利影响，可靠地提高了控制系统的快速响应能力。     

BP人工神经元网络拟合复合胶凝材料胶砂强度的研究

利用BP人工神经元网络数据挖掘技术对一组复合胶凝材料胶砂试验数据进行了胶砂强度性能拟合,证明了该技术拟合复合胶凝材料胶砂强度性能的准确性.     

AlON-TiN复相材料的合成及工艺优化

在对Ti—Al-O-N体系热力学分析的基础上合成了AlON—TiN复相材料，XRD，TEM分析与观测结果证实了热力学分析的可靠性。运用人工神经元网络(artificial neural networks，ANN)对合成AlON—TiN的工艺参数进行了训练，训练结果良好，神经网络的预测值和实测值一致；遗传算法(genetic algorithm，GA)寻优得到最佳工艺参数：烧结温度为1830℃，保温2．45h，TiN的含量为15％(质量分数)。对遗传算法寻优结果进行了单因素分析，随着TiN含量的增加，强度增加，而随烧结温度和保温时间的增加，强度先增加后减小。     

一种提高云计算环境下检测入侵者速度和正确率的新方法

云计算环境要求入侵检测系统(IDS)极其快速和准确,用于云计算的智能型IDS——反向传播神经元网络(BPNN)经常出现“泛化问题”,即BPNN无解或总误差函数不能收敛于全局最小值。泛化问题降低了BPNN的识别速度和正确率。为了解决该问题,提出两种解决方法。第一种是剔除相关性大的那些特征,保留相关性较小或互相独立的重要特征,以便减少特征数量。第二种是综合利用遗传算法(GA)和最速下降法(梯度法)的优点,降低BPNN的泛化性。用GA求出BPNN全局最优解的近似值,把该近似值作为最速下降法的初始值,进行迭代,最终求得BPNN全局最优解的精确值。仿真实验表明给出的方法是有效的且能够解决BPNN的“泛化问题”,同时能够提高BPNN识别入侵者的速度和正确率。     

基于微分方程数值分析的机械臂运动参数挖掘模型

在目前的运动参数挖掘模型中,通常采用差异化运动原理对运动过程进行分析,缺乏实际的公式支持,在进行参数挖掘时影响性能。因此,提出基于微分方程数值分析的机械臂运动参数挖掘模型研究。首先利用微分方程数值分析的方式来对机械臂的运动过程进行模拟,列举出其中的动态特性参数。依据动态特征参数,利用神经元网络对其中的运动参数属性进行特征提取。获得运动特征后,使用贝叶斯原理进行深入的运动参数挖掘。为了验证设计的运动参数模型性能,设计仿真实验,设定模拟机械臂,并使用设计模型与文献[3]、文献[5]、文献[13]中的参数挖掘模型进行运动参数挖掘,并对比性能的优劣性。实验结果证明,设计的运动参数挖掘模型具有较高的运算速度、实时性以及准确率,证明设计的运动参数挖掘模型具有较高的性能,满足设计初衷。     

基于人工神经网络的拉形回弹预测技术研究

以蒙皮拉形为对象,探索了人工神经网络技术在拉形回弹预测中的应用。研究了利用神经元网络预测拉形回弹的关键技术,将人工智能技术和拉形数字仿真技术有机结合,建立了拉形回弹预测的人工神经网络模型,并验证了预测模型的有效性,为推动知识工程在飞机板金精密成形中的应用积累了经验。     

一种基于数值积分的过程神经元网络训练算法

针对过程神经元网络的训练问题,提出了一种基于数值积分的学习算法。直接采用数值积分进行网络中动态样本与连接权函数的时域加权聚合运算,采用梯度下降法实现连接权函数特征参数及网络性质参数的调整。设计了基于梯形积分、辛普森积分、柯特斯积分等3种过程神经元网络数值积分训练方法,以太阳黑子数据预测为例进行仿真实验,结果表明,基于数值积分的过程神经元网络训练算法是有效的,其中辛普森积分算法的性能最优。